知达经过多年对数据分析和人工智能开发的理解和实践，总结出了AI与BI结合最佳方式：AI
on BI。在上一期文章中，我们也详细阐述了三种AI与BI结合方式的定义和不同。详见：AI和BI的最佳结合方式到底是什么？“纸上得来终觉浅”，本期文章将不止于概念和理论，从两个实际案例和实践内容出发，带大家深度体会AI
for BI 和 AI on BI在实际场景下的差异。
为了更清晰的比较AI for BI模式和AI on
BI模式下的实践差异，本文将采取用户提问所引发的数据交互的内容和方式来阐述。我们选取了三个行业可能会出现的六个问题，来阐释两种模式下，AI会以怎样的方式来解决。
行业场景：新零售
问题1：最近三个月消费满 3
次的会员里，购买过精华类化妆品的会员有多少？她们还常买哪些品类？
AI
for BI AI for
BI的模式下负责把自然语言转化为SQL语句，但是对于这类涉及多个表的复杂问题，目前的大模型的表现并不稳定。这种情况下，就需要用户自己将复杂问句拆解成多个可以被单条SQL查询的问句。随后AI for
BI会辅助生成几个简单图表实现分析。- 用户拆解1：筛选出近三个月消费满 3 次的会员（SQL）- 用户拆解2：筛选出购买过精华类化妆品的会员（SQL）- 用户拆解3：统计这些会员常买的其他品类（SQL）
AI on
BI
在AI on
BI的模式下，会自行将该问题进行拆解并规划完成回答的路径和步骤，随后优先找寻企业中已有的数据资产（报表）来提供给用户，并归纳总结，完成最终的解答。
- 拆解为多个问题并规划（大模型）
- 分别检索相对应的企业数据资产（大模型）
- 结合所有数据资产，做归纳计算和总结（大模型）
问题2：滞销的针织衫款式，在不同门店的库存分布情况如何？导致的情况会是什么？（展示位置和时长）AI
for BI
而AI on
BI模式下，在提供了和滞销相关的数据仪表板之后，AI会引导用户继续发问，下钻探究背后的真相。店员的排班表或者门店的货架照片会被调用，从而综合分析可能引发滞销的详细原因，真正做到问题的精准定位。
行业场景：制造业问题3：“上周因设备温度异常导致产品不合格的批次有哪些？”AI for
BI
同样的，在用户对该问题拆解成多个部分以后，AI for
BI会定位到产品信息表和产品参数监测表中的数据，同样的通过Text2SQL的方式生成一个临时数据表，最终以图表或者表格的方式产出。
AI on
BI
AI on
BI的系统会迅速整合有关生产记录表、产品质量检测数据、设备运行表、生产人员排班表的数据资产，并逐一调取返回给用户。不仅能精准定位具体不合格批次，还能通过关联分析，挖掘出设备温度异常与生产人员操作、生产时段等因素的潜在关系。企业原有的数据资产重新被激活，并赋予其新的活力。
问题4：“导致设备故障频发的操作人员中，哪些是新员工？”
AI for
BI在一些传统制造业企业里，处理这个问题的流程和步骤就比较复杂了。涉及人工审查工厂的监控视频，耗费很大力气的定位到故障发生时的操作人员的信息，最终再与人事总信息表比对，来找出新员工。在这个过程中，AI能在监控视频的图像识别和人员比对过程中发挥一定的作用。
AI on
BI
AI on
BI模式的优势在于，企业中各类型的数据资产都会被登记管理，包括监控视频、员工手册、员工信息、设备记录等等。系统会同时调取工厂设备的故障记录、对应时间点的监控视频、人事员工的基本信息，节省了大量的人力物力。同时，AI会自动关联工人操作规范中的标准流程，生成针对新员工的个性化培训方案，真正实现数据资产的灵活串联与深度应用。
免费试用
AI on BI的在真实企业场景中是如何体现的？
为了更清晰的比较AI for BI模式和AI on BI模式下的实践差异，本文将采取用户提问所引发的数据交互的内容和方式来阐述。我们选取了三个行业可能会出现的六个问题，来阐释两种模式下，AI会以怎样的方式来解决。
行业场景：新零售
问题1：最近三个月消费满 3 次的会员里，购买过精华类化妆品的会员有多少？她们还常买哪些品类？
AI on BI
在AI on BI的模式下，会自行将该问题进行拆解并规划完成回答的路径和步骤，随后优先找寻企业中已有的数据资产（报表）来提供给用户，并归纳总结，完成最终的解答。
- 拆解为多个问题并规划（大模型）
- 分别检索相对应的企业数据资产（大模型）
- 结合所有数据资产，做归纳计算和总结（大模型）
在该模式下，大模型会把问题转化为简单的SQL，这要求用户提前维护了相关的数据表和指标，比如关于衣服类型和滞销与否的字段。
最终会产出一张表格，来展示所有门店的针织衫滞销情况。随后，用户要求大模型完成分析，大模型会给予互联网上的资料或者行业一般经验来输出一些归因分析内容。AI on BI
而AI on BI模式下，在提供了和滞销相关的数据仪表板之后，AI会引导用户继续发问，下钻探究背后的真相。店员的排班表或者门店的货架照片会被调用，从而综合分析可能引发滞销的详细原因，真正做到问题的精准定位。
同样的，在用户对该问题拆解成多个部分以后，AI for BI会定位到产品信息表和产品参数监测表中的数据，同样的通过Text2SQL的方式生成一个临时数据表，最终以图表或者表格的方式产出。
AI on BI
AI on BI的系统会迅速整合有关生产记录表、产品质量检测数据、设备运行表、生产人员排班表的数据资产，并逐一调取返回给用户。不仅能精准定位具体不合格批次，还能通过关联分析，挖掘出设备温度异常与生产人员操作、生产时段等因素的潜在关系。企业原有的数据资产重新被激活，并赋予其新的活力。
问题4：“导致设备故障频发的操作人员中，哪些是新员工？”
AI for BIAI on BI
AI on BI模式的优势在于，企业中各类型的数据资产都会被登记管理，包括监控视频、员工手册、员工信息、设备记录等等。系统会同时调取工厂设备的故障记录、对应时间点的监控视频、人事员工的基本信息，节省了大量的人力物力。同时，AI会自动关联工人操作规范中的标准流程，生成针对新员工的个性化培训方案，真正实现数据资产的灵活串联与深度应用。
参考资料：
https://www.thoughtspot.com/data-trends/ai/ai-in-business-intelligence