商业智能（business intelligence，以下简称BI）的概念起源于20世纪80、90年代，最早由高德纳公司（Gartner）公司的副总裁霍华德·德莱斯纳（Howard Dresner）提出。他将“智能”定义为“对事物相互关系的一种理解能力，并依靠这种能力去指导决策，以达到预期的目标”。而“商业智能”被其定义为“使用基于事实的决策支持系统，来改善业务决策的一套理论与方法”。BI已经逐渐成为企业战略的重要参数和企业运营的标配，并且有效应用BI已成为企业核心竞争力的关键。

过去的企业战略在回答“怎么做”时，可能更多依赖于企业家的经验和行业的最佳实践（best practice）。而在数据时代，企业更加提倡使用数据和有效的分析来回答问题。

传统决策分析局限重重

图源：VEER

传统的数据分析受到企业数据量的限制，通常只能基于历史资料和有限样本推断某个时间点的“为什么”。由于信息、技术和生态的限制，企业在财务及供应链方面的数字化程度远高于其营销及管理。这导致我们在分析和解决问题的时候，思考的维度往往是以财务或者产品为中心。具体来说，一家企业的产品数量、每个产品的收入、成本构成了该企业的整体营收和市场估值。

在这种思考模型下，我们自然会渴望打造爆品，分析某个产品会畅销或滞销的原因，找到所谓的“成功密码”并复制它们。而结果往往不尽如人意，其根本原因在于商业是动态的。某些产品之所以会成为爆款，是因为它们在某一时机和场景下满足了用户的某种需求。

因此，越来越多的企业开始转型，从以产品为中心转变为以用户为中心。在大数据时代，企业完全可以构建自己的消费者数据平台。从不同的渠道（如官网、App、小程序）采集消费者数据，包括媒体数据、消费者的行为数据和交易数据等，实现全方位的数字化，还原业务实质。这使企业不仅能分析当下的市场情况和销售概况，还能进行从产品维度扩大到以客户为中心的行为分析。

然而，这仅仅解决了分析源的问题，企业仍然受限于当下团队的分析能力与速度，难以快速地处理数据，并且掌握日新月异的大数据技术，以做出实时的商业决策。这一方面会导致企业主更加依赖技术团队。另一方面，企业主通过技术团队获取核心关键信息，但在经过管理架构中的层层信息筛选后，信息的全面性和准确性成为了重要的管理难题和弱点。这一系列挑战构成了当今企业主的核心痛点。

AI升级BI，但还不够

图源：VEER

智能化服务是指利用AI和大数据分析等技术手段，对企业数据进行深度挖掘和分析，从而实现多方面的数据应用升级，以提供全面、准确和实时的商业决策支持。用户数据资产是数实融合的关键，也是数字经济的核心生产要素。只有拥有用户数据这一关键资源，企业才能提高经营决策的效率和准确性。

比如，随着在线履约平台服务范围的扩大，供应链备货的逻辑也在发生变化。通过智能化的云服务，企业可以依据最终用户的消费习惯，实现更高效的人、货、场覆盖，比如美团及时达、京东当日达、天猫隔日达，以及依托线下门店实现互动体验等。相应地，企业的核心指标系统，包括门店数量、坪效、人效等的计算考量都将迎来新的增长模型。

在引入GPT模型之前，大多数先进的BI应用主要依赖于企业的报表系统，以便查看和分析数据资源。以欧莱雅为例，这家集团拥有众多供应商和数据来源，可以获得其他企业难以获取的数据。这些数据经过整理和转换后，被纳入报表系统中，以便员工通过不同模块和维度进行数据展示和查询。该报表系统在集团内部被称为“管理驾驶舱”，是高层管理人员必备的工具，用于每周分析经营情况并指导决策。

然而，由于数据量巨大、数据标准不一、不同人对数据理解不同，以及数据查询需要编写SQL代码等原因，这个报表系统难免存在信息获取不及时、未发掘重要信息以及数据存在一定偏差等问题。

以下列问答为例[1]，具体区分GPT与传统的AI：

问题：代表 AA 2023年1月到5月的计划拜访占比是多少？

要回答这个问题，需要对传统的BI系统编程有一定的要求：

要知道 “AA ”是什么工作职能（答案：一个医药代表）。首先需要知道查询哪张数据表来获取相关信息，然后需要编写SQL代码查询相关的数据表。

要知道计划拜访占比的定义。目前，企业对该指标的定义是“指在当前时间之前，已经对同一个医生进行过拜访的次数占总拜访次数的比例”。为了获取这一答案，必须依赖技术人员的支持。此外，在企业经营过程中，不断优化指标体系是必要的，因此相应的投入也将持续增加。

面对同样的问题，通过BI-GPT，管理者无需依赖技术或数据团队，AI可以直接为其提供答案。这一原理的关键在于GPT语言模型的训练方法与传统的AI有显著区别。传统的AI，例如图像识别、视觉识别或自然语义识别，通常需要数据标注，即由专业开发团队对数据进行分类、标记等处理，然后基于标记后的数据训练新的模型。而GPT语言模型只需要操作人员编写有效的提问（prompt），描述数据特征和业务目标，模型即可具备一定的学习能力，从而能够回答管理者的问题。

GPT给BI升维

图源：VEER

GPT（生成式预训练变换模型）代表了人工智能领域的重大突破，能够有效地应对企业主面临的核心问题。通过GPT的快速分析和学习，企业可以实时、迅速地整合多个来源的大量数据，将消费者的不同渠道触点行为构建成标签体系，最终描绘出消费者行为特征，从而实现数据与商业战略的有机结合。随着GPT的不断进步，企业主能够更自主地运用自然语言与AI进行交流，跨越庞大而复杂的信息鸿沟。这也意味着在数据与实际业务融合的时代，数据已经成为新的语言和商业沟通媒介，由AI负责收集、分析并报告重要发现，为企业提供客观、无偏见和不受绩效压力影响的核心BI预测支持。

借助基于GPT技术的定制化BI-GPT服务，业务人员可以迅速利用技术工具获取和分析各种数据报告，包括表格、柱状图和折线图。受过专门训练的AI能够轻松理解业务规则，确定数据来源，并将数千条业务规则和多个数据源录入系统，从而使系统能够支持各种数据查询、跨表查询以及不同的应用场景分析。

与此同时，OpenAI的GPT模型提供了标准化的接口功能，允许开发团队根据企业的需求进行模型训练。这意味着GPT模型充当了企业员工的智能助手，使他们能够轻松处理各种工作任务，而无需特殊培训或成为专家。企业可根据不同的应用场景定制BI-GPT（利用GPT技术自动生成BI）服务，通过自然语言使机器理解业务，快速获取和分析数据报表，从而显著降低了企业提炼重要信息的门槛。

借助AI，企业主可以直接实时了解原始数据，包括运营细节、用户行为和偏好、行业概况以及竞争对手情况等信息。同时，GPT模型降低了企业主使用AI技术的难度，只需企业主用自然语言提问，即可随时获取所有数据和分析结果。一整套面向企业管理者的方法论和工程化流程，使管理者能够享受经营的乐趣，具备操控和反馈的能力，实现自我学习并不断提升。这就像使用电力一样，企业家只需将注意力集中于如何运用电力来生产更优质的产品和服务，而无需担心电力的来源和稳定性。

在GPT的支持下，进行BI的训练和测试只需使用上千条训练样本，就能够实现95%的准确率。而且，通过不断的优化和更新，BI的准确率还可以进一步提升。例如，企业主只需直接提出问题：“过去7天销量最高的三个渠道是哪些”，就能即时获取天猫、京东和线下这三个购买渠道的数据。这显著提高了数据查询的效率和准确性，同时为企业提供了直观的数据支持，使他们能够获得最明确的答案。

然而，在利用GPT进行管理决策的同时，我们也需要权衡和管理一系列问题。例如，企业高层更容易接近运营数据是否会直接影响企业的组织结构和人员需求？员工的激励机制和绩效考核是否会受到影响？不同企业和行业可能会有不同的应对方式，但科技的发展趋势通常是不可逆转。因此，无论是企业高层还是基层员工，都需要思考未来可能的影响并做好准备。

注释：

[1] 案例来自于上海嗨普智能( HYPERS, INC. )，中国最早研发企业级AI和大数据的团队之一，是依托多模态人工智能与大数据融合的计算平台，帮助企业提炼用户数据资产，提高决策效力，其核心系统服务于包括欧莱雅、耐克、华为、工商银行、西安杨森、苹果等50家以上头部客户及近200家头部及腰部客户，每天支持超过10亿用户计算和处理几千亿年营业额的商业决策。

□本文仅代表作者个人观点，仅供读者参考，并不作为投资、会计、法律或税务等领域建议。

□作者 | 张纯信  复旦大学泛海国际金融学院学术副院长、金融科技研究中心主任、金融学教授；袁国玮 上海嗨普智能首席执行官

□编辑 | 潘   琦

□视觉 | 葛雯瑄

□图片来源 | VEER