数字化转型进入实质性阶段，企业对于数据的需求也随之加深。然而，一些企业积累了大量数据，却难以深度释放数据价值。

近几年，作为数据应用的有力工具，BI商业智能分析平台同样进入了转折期，其发展趋势明显呈现出从IT走向业务、从报表工具走向分析决策的特征，开始逐渐步入业务用户商业分析的时代。其本质原因，就是满足企业的深度应用数据、产生实际效果的需求。

敏捷BI通过拖拽快速生成分析报表，可以由没有技术背景的业务人员自服务完成，新建报表变更报表等需求均可在一天内完成，帮助企业洞察数据背后的关联,趋势和逻辑等，实现对数据的深度挖掘。

那么，如何才能把数据用透，驱动业务增长？

从企业的角度讲，主要有四个层次：

1、数据可视化

数据可视化也就是常说的“数据报表”，其作用是用图形化描述已经发生的事实。例如，展现公司整体的销售业绩、成本情况、利润情况等，以及所对于的同比、环比、趋势图等。对于BI产品来说，可以实现对于明细数据的下钻、上卷，已了解细致的经营情况，对现有业务情况进行整体的把控。

数据可视化也是目前大多企业运用BI产品达到的成果，属于数据应用的初级阶段。

2、业务诊断

数据报表展现的是过往及当下的业务情况，但无法提供造成当前情况的具体原因，如果只是依托于数据报表，则仍然需要业务人员或管理者依据自身经验对数据结果进行判断，做出归因。显然，这个过程仍然带有许多主观因素。

因此，需要使用BI工具进行诊断性分析，以解决“为什么”的问题。进入这一阶段，便需要运用BI工具中的AI增强分析模块。

例如，对于汽车行业，IPTV是关键指标之一。IPTV为每千辆车故障率，如果只是使用数据报表，则只能看到当前该指标的变化情况，无法确定影响其变化的核心因素。

通过BI进行业务诊断，可以选择不同的车型进行分析，确定对象后，可对具体车型查看IPTV目标达成分析状况和整车IPTV的状况，还可以查看具体的故障模式和责任部门，通过数据联动，查看故障发生问题时责任问题是分布在哪一个环节，从而进行对应的优化。

此外，BI的AI增强分析模块，自带数据解释功能，可以对数据影响较大的因素进行自动统计和分析；数据洞察则自动给出用于发现业务数据增长、减少的原因。

3、业务预测

外部环境的不确定性增加，使企业急需通过数据，判断业务和市场在未来一段时间内的变化情况，这便需要通过BI工具实现预测性分析，已解决“可能发生什么”的问题。

预测性分析需要使用预测性建模、回归分析、预报、多变量统计、模式匹配和机器学习（ML）等技术，通过BI内置的算子、模型，可以便捷实现。

以风电设备故障预测为例。首先进行数据预处理，将处理后的数据划分为训练集和测试集，对数据进行故障标注和探索分析，分析故障数据和正常数据的区别，发现故障数据在频域表现明显，因此以风速、转速、均值、方差、故障特征频率等为特征建立故障预测分类模型，方法可选择逻辑回归、随机森林、GBDT等。

由于故障数据只记录了是否故障，没有记录故障位置，因此在建立模型时采用监督学习的二分类算法，模型建立完，可利用测试数据计算评价指标进行模型优化，选择效果最好的模型进行部署，最终上线的模型准确率可达90%以上，可有效的对故障风机进行预测，提前预知故障，减少计划外中断，增加设备综合效率，减少维修成本，提高产能。

4、规范性分析

规范性分析则是通过数据智能，直接给出业务决策的行动建议，从而解决“应该怎么做”的问题。显然，要达到给出准确的行动建议，其过程具有一定复杂性。

通常规范性分析需要与预测性分析相结合，并使用运筹学、图像分析、仿真、模拟、复杂事件处理和推荐引擎等技术。

目前，新一代敏捷BI，正在朝这一方向努力，并达到了基础目标。例如，数据问答功能，可以让用户使用文本输入问题，系统以可视化的方式进行自动展示答案。

敏捷BI通过拖拽快速生成分析报表，可以由没有技术背景的业务人员自服务完成，新建报表变更报表等需求均可在一天内完成，帮助企业洞察数据背后的关联,趋势和逻辑等，实现对数据的深度挖掘。

可以看出，数据犹如深埋地底的宝藏，需要深入挖掘，才能真正释放其价值。把数据用透，一方面需要企业运用更加智能化的BI工具以降低数据门槛，另一方面也需要企业改变对数据应用的认识，逐步实现数据深度应用。