數字化轉型進入實質性階段，企業對于數據的需求也隨之加深。然而，一些企業積累了大量數據，卻難以深度釋放數據價值。

近幾年，作為數據應用的有力工具，BI商業智能分析平臺同樣進入了轉折期，其發展趨勢明顯呈現出從IT走向業務、從報表工具走向分析決策的特征，開始逐漸步入業務用戶商業分析的時代。其本質原因，就是滿足企業的深度應用數據、產生實際效果的需求。

那么，如何才能把數據用透，驅動業務增長？

從企業的角度講，主要有四個層次：

1、數據可視化

數據可視化也就是常說的“數據報表”，其作用是用圖形化描述已經發生的事實。例如，展現公司整體的銷售業績、成本情況、利潤情況等，以及所對于的同比、環比、趨勢圖等。對于BI產品來說，可以實現對于明細數據的下鉆、上卷，已了解細致的經營情況，對現有業務情況進行整體的把控。

數據可視化也是目前大多企業運用BI產品達到的成果，屬于數據應用的初級階段。

2、業務診斷

數據報表展現的是過往及當下的業務情況，但無法提供造成當前情況的具體原因，如果只是依托于數據報表，則仍然需要業務人員或管理者依據自身經驗對數據結果進行判斷，做出歸因。顯然，這個過程仍然帶有許多主觀因素。

因此，需要使用BI工具進行診斷性分析，以解決“為什么”的問題。進入這一階段，便需要運用BI工具中的AI增強分析模塊。

例如，對于汽車行業，IPTV是關鍵指標之一。IPTV為每千輛車故障率，如果只是使用數據報表，則只能看到當前該指標的變化情況，無法確定影響其變化的核心因素。

通過BI進行業務診斷，可以選擇不同的車型進行分析，確定對象后，可對具體車型查看IPTV目標達成分析狀況和整車IPTV的狀況，還可以查看具體的故障模式和責任部門，通過數據聯動，查看故障發生問題時責任問題是分布在哪一個環節，從而進行對應的優化。

此外，敏捷BI的AI增強分析模塊，自帶數據解釋功能，可以對數據影響較大的因素進行自動統計和分析；數據洞察則自動給出用于發現業務數據增長、減少的原因。

3、業務預測

外部環境的不確定性增加，使企業急需通過數據，判斷業務和市場在未來一段時間內的變化情況，這便需要通過BI工具實現預測性分析，已解決“可能發生什么”的問題。

預測性分析需要使用預測性建模、回歸分析、預報、多變量統計、模式匹配和機器學習（ML）等技術，通過敏捷BI內置的算子、模型，可以便捷實現。

以風電設備故障預測為例。首先進行數據預處理，將處理后的數據劃分為訓練集和測試集，對數據進行故障標注和探索分析，分析故障數據和正常數據的區別，發現故障數據在頻域表現明顯，因此以風速、轉速、均值、方差、故障特征頻率等為特征建立故障預測分類模型，方法可選擇邏輯回歸、隨機森林、GBDT等。

由于故障數據只記錄了是否故障，沒有記錄故障位置，因此在建立模型時采用監督學習的二分類算法，模型建立完，可利用測試數據計算評價指標進行模型優化，選擇效果最好的模型進行部署，最終上線的模型準確率可達90%以上，可有效的對故障風機進行預測，提前預知故障，減少計劃外中斷，增加設備綜合效率，減少維修成本，提高產能。

4、規范性分析

規范性分析則是通過數據智能，直接給出業務決策的行動建議，從而解決“應該怎么做”的問題。顯然，要達到給出準確的行動建議，其過程具有一定復雜性。

通常規范性分析需要與預測性分析相結合，并使用運籌學、圖像分析、仿真、模擬、復雜事件處理和推薦引擎等技術。

目前，敏捷正在朝這一方向努力，并達到了基礎目標。例如，數據問答功能，可以讓用戶使用文本輸入問題，系統以可視化的方式進行自動展示答案。

可以看出，數據猶如深埋地底的寶藏，需要深入挖掘，才能真正釋放其價值。把數據用透，一方面需要企業運用更加智能化的BI工具以降低數據門檻，另一方面也需要企業改變對數據應用的認識，逐步實現數據深度應用。