2年前，斯坦福大学研究出了一款AI产品，号称可以根据人脸照片判断一个人的性取向。据说，这款AI产品测试男女性取向的准确率分别达到了 81%和74%。当然，后来这一AI预测被认为是 “大数据陷阱”，因为从伦理上来讲，在人类自身我们还不允许另外19%和26%的误差存在。
然而，如果AI能够用到企业发展上，大数据或许就不再是“陷阱”，而是珍贵的数字资产了。企业可以通过分析自有数据，预测未来一段时间公司各项机能的发展状况和行业趋势，真正可以做到用AI为企业“把脉”。目前AI的数据问诊虽然仍处于一个初级的发展阶段，但是BI（Business Intelligence，商业智能）领域，从企业到服务商都已经摩拳擦掌，开始了BI+AI的融合进程。
在Gartner 2018年对CIO的一项调查中，商业智能与数字分析（business intelligence and data analytics）以42%的票数位列企业预算投入之首。
前不久刚刚结束的某商业智能分析软件的用户大会上，一位来自香港的服装公司也正在考察一款BI软件：
“你们这款产品有使用人工智能的算法吗？”
“有的有的，你们是想要实现什么样的功能？”
“根据历史出货量，来预测一下明年的业绩。”接着，工作人员开始给这位客户演示他的AI是如何实现的。
可以看出，数据分析市场对AI有很强的增量需求。但仔细想想，现在一些老牌的商业智能企业都已经存在了近乎半个世纪之久，如1966年在美国北卡罗来纳州立大学被开发出来的统计分析软件SAS，1972年成立于德国沃尔多夫的商业智能软件公司SAP等等。
也就是说，在过去的10-20年甚至是30-40年的时间里，在AlphaGo还没有打败李世石的时候，BI服务商就已经能够利用数据分析为企业提供商业类的决策。
那么，为什么是现在，BI+AI有了*的时机？SAP亚太区和大中华区方案总监Daniel Kao高国辉已经在SAP工作了20年之久，在分析AI热的原因时，他向钛媒体表示，并不是算法的成熟才催生了BI+AI的热潮：“算法一直都很成熟，80%的商务问题都可以靠现有的算法来解决。”
20年前的高国辉还在台湾工作，他回忆称，那时候的台湾已经将AI算法应用到数据分析领域，称之为数据挖掘“Data Mining”。
所以，他认为，推动BI行业对AI热捧的最主要因素是，一些企业躺着赚钱的日子结束了，并已经进入对ROI（Return of Investment，投资回报率）更精细化的阶段，比如车企，以往是把车造出来就卖得出去，但是现在，即便是造出了车也不那么好卖，这时企业就需要用BI+AI的方法来看看是渠道、销售还是员工等等哪个方面可以优化一下以及ROI和Planning该怎么走。
他的结论是：“危机感越强的企业越早使用BI+AI的产品。”
市场需求也在倒逼BI服务商逐步向AI化、可视化、云化的方向演进。
发稿前一周，商业智能领域的两个重磅收购案件接连发布：谷歌云26亿美元收购Looker 、Salesforce 157亿美元收购Tableau。这都反映出未来产业链上游厂商对数据分析的看好。
历史总有很多相似之处，并在相似中螺旋进化。十多年前，BI领域也曾发生过两起里程碑式的收购案——2007年，甲骨文以33亿美元收购海波龙，SAP以68亿美元收购法国商业智能软件公司Business Objects（简称BO）。
不同的是，两次收购潮，一次是人们对BI的追逐，另一次是AI对BI的不可或缺。
美国数据分析公司SAS今年3月宣布了一项在人工智能领域的投资计划——未来3年将花费10亿美元投资人工智能。SAS公司的副总裁，兼大中华区董事总经理何伟信在接受钛媒体采访时表示，过去两年，中国很多重大的客户和政府的机关将人工智能数据分析项目交给SAS来实施。
2016年SAS发布了面向云端和本地通用部署的可视化BI平台Viya，SAS首席技术官及研发部门负责人Armistead Sapp曾表示，Viya集合了过去40年经验新版本SAS，只是在计算方式上采用了“云”的模式。据了解，从2017年到2018年，Viya云平台上面的收益从4300万增长到了8900万。
钛媒体了解到，也是在同一年，基于此前收购的BO，SAP也推出了分析云，按照高国辉的介绍，SAP的分析云融合了SAP的BI+AI+ROI的功能，用户可以根据自己的需求考虑使用初级的BI，或者在数据达到一定量时随时调用AI功能。
回顾BO的历史，2006年它曾以8.94亿美元的收入稳坐商业智能软件领域的头把交椅，而现在，人们不再提及BO，它已经成为SAP叱咤BI行业的内生力量。
回到业务端，融入AI之后，BI会给企业带来哪些改变？
从定量、定性的角度来看，传统的BI可以看做是定性分析，它可以从一些图形数据中告诉我们事件的发展趋势以及之所以这样发展的相关因素。而融入了AI之后，BI就会变成定量分析，它会告诉你造成这种趋势的原因，以及所有的影响因子的权重是什么样的，甚至是每一项后面的财务回报。
透过企业积累的数据，用AI算法把脉企业未来的业务增量，对症下药，这就是BI AI化了之后人们期待看到的变化。
但是，这些期待真正需要落地的时候，就会面临诸多问题，首先便是数据的积累和打通。
钛媒体从广汽本田了解到，他们的汽车零部件后市场在使用BI产品之前，一直采用的是Excel这类传统软件进行生产、品控、销售等的数据分析，随着市场环境的变化，这些软件已远远不能满足广本的日常海量数据的分析需求。
在数字化转型的过程中，广本的各个业务部门都在进行升级改造，使得知识库非常分散，实现统一精确的分析，就必须将各部门数据打通，以此进行智能化的数据分析、整车销售预测、物流预测等，优化库存、智能营销。
通过与某数据分析厂商的合作，广本进行了企业级知识库的整合。同时，通过统一的数据分析平台，广本的业务人员可以更加灵活地定制各类报表，直观分析并预测市场需求，大大提升了效率。
此前，在零部件销售部门为期3个月的订单需求预测试点项目中，广本将预测精准度从原先的73%提高到83%，他们希望将这样的智能化的分析技术推广到更多业务线中去。
很多BI服务商都在探索AI与各业务线的融合，但是AI算法与数据之间仍然需要一个渐入佳境的过程。例如，现在一些AI在BI上的应用虽然做得很不错，却需要提供大量的数据来训练，而这些本来就不多的数据也是需要被标签化或者识别之后才能用于训练。
“在未来，机器学习所需要的数据量将极大减少，与此同时，人类可以直接将没有贴上任何标签的数据进行AI算法训练”，SAS高级副总裁兼全球研发负责人Gavin Day这样描述他对BI的畅想。这一方面扩大了用于训练算法的数据量，另一方面也减少了人类因为判断的偏差而产生的误差。
Gavin还认为，未来的人机互动会变得更加自然，也就是说机器不仅会进行自然语言处理，它还可以用自然语言来与人互动，也就是说可能分析的结果不再是仅仅通过图表、仪表盘的方式呈现，AI也会用自然语言的方式来告诉我们数据分析的结果，并且也可以更好的应答人类提出的复杂问题。
理想很丰满，现实很骨感。目前，各个企业对BI+AI的需求就像各家的数字化转型程度一样贫富差距明显，也会有企业会因为数据量的不足难以走出BI的*步。“我会建议我的客户以小步快跑的方式加入到BI行列”，高国辉认为，数据分析是一个先求有、再求好的过程，只有跨出了*步，企业才会知道缺什么样的数据，才会有意识地“养数据”。未雨绸缪，当真正需要数据做决策的时候能快速跟上，不掉队。
BI是因果，AI是未来，所有AI问诊都要先定因果。企业需要先把物理世界发生的结果数字化为虚拟世界，然后透过AI的方式做预测，才能看到未来可能的物理世界的结果。从过去看未来，企业级AI算命或许就是这样一个从数字化到业务化穿越的过程。
