在BI工具诞生前，业务人员要按照某些维度来分析数据，完全依赖于IT人员的支持。针对业务人员提出的分析需求，IT人员的支持方式一般是是通过SQL语句从源数据库中将分析结果导出，或者是由IT人员开发一套供业务人员使用的后台页面。但是在这些方式下，多数据源的情况难以被有效应对，同时业务人员对需求的频繁变更会带来大量的沟通成本，加重了IT人员的负担。

因此，“自助式分析”的概念应运而生，它主要解决的问题就是如何让业务人员在离开IT人员支持的情况下，依然能够随心所欲地在自己设定的维度上进行分析，从而拿到自己需要的数据。

自助式分析的核心技术是联机分析处理（OLAP），它要求实施人员基于多个数据源为用户构建一个集中式的、关系型的的多维数据模型。用户基于多维数据模型，可以实现*的切片、切块、钻取和旋转，无需直接接触数据源就能实现数据准备、数据查询和数据探索等操作。

在企业的实际IT架构中，往往会存在OA、ERP、CRM等多个数据互相独立的业务系统。金融领域客户一般会建设数据仓库来实现数据的汇集，因此BI自助分析平台的构建可以直接搭建在数据仓库之上。但是，更多的客户则没有建设数据仓库，但他们仍然希望对分散、异构的数据库进行自助式分析。面对这种情况，一些BI厂商的策略是亲自为客户搭建一套数据仓库或数据中台，在这个基础上再去搭建BI系统。

 

与这些厂商的策略不同，Smartbi的自助分析平台Eagle的解决方案是轻量化的，可以支持外建的多维数据库，也内置了SmartbiMPP、Vertica等多种类型的分布式大规模并行处理数据库接口，并通过ETL过程将来自OA、ERP、CRM等多个业务系统的数据进行统一汇集。同时，Eagle还可以构建语义层，使得业务人员无需直接接触表名、字段名以及它们之间的复杂关系，而是直接面对自己所熟悉的业务术语和指标名称。

这样，多个异构数据源的底层存储逻辑都被Eagle所展现的语义层逻辑所屏蔽，业务人员可以通过托拉拽等可视化操作，在Eagle中实现全自助式的数据集准备、数据查询、数据探索（交叉汇总、*钻取）和仪表盘制作。

 

 

 

从选择轻量化解决方案实现对异构数据源的汇集，到AI赋能自助数据探索与预测性分析，Smartbi从始至终的理念是降低BI产品的使用门槛，以能够让基础设施建设不够完善的企业、技术能力不够强的业务人员也能够以低成本来进行自助式分析，表现出了较强的技术和产品能力。