bi

极昆仑智慧

智能问数零售行业场景2：滞销库存与跨店错配的自动化处置——从全连锁交叉匹配到调拨清仓派单的工程实现，示例口径一次性盘活/止损约420-620万库存周转天数行业公开口径 30-60 天，滞销是零售最大降本点之一，而"A 店滞销、B 店缺货"的跨店错配最隐蔽。本文从工程角度拆解极昆仑智能问数（极昆仑iInsight）如何把"每日巡检→根因归因→分级处置→验证复盘"四步自动化：全连锁库存怎么拉通做交叉错配匹配、五类错配根因怎么拆、调拨工单怎么派单 WMS、分阶段清仓定价规则怎么设计、T+30 对照实验怎么设计，以及战略品红线如何在架构里硬编码。文末附自家数据自算公式。

极昆仑智慧

智能问数零售行业场景1：生鲜损耗管理的自动化落地——从每日巡检、五类归因到分级降价派单的工程实现，示例口径年化减少损耗约500-1100万生鲜损耗是连锁商超头号降本点（行业公开口径损耗率 15-30%，CCFA 数据）。本文从工程角度拆解极昆仑智能问数（极昆仑iInsight）如何把"每日巡检→根因归因→分级处置→验证复盘"四步方法自动化：巡检调度与阈值规则怎么设计、五类根因怎么从结构化+非结构化数据里拆出来、分级降价怎么变成派单到价签/POS 的工作流、T+30 对照实验怎么设计，以及民生品价格红线如何在架构里硬编码。文末附自家数据自算公式。

HENGSHI ChatBI｜不止智能问数，Agentic Analytics 重构经营分析全流程经营会上，管理者打开经营看板，看到了本月营收、区域排名、产品结构和同比环比变化。数字已经摆在屏幕上，但真正的分析才刚开始。

效率工作实验室

敏捷 BI 平台有哪些？2026年产品推荐IDC数据显示，中国企业级AI智能体市场规模2025年已达212亿元，2026年预计增至449亿元，同比增长超110%。Gartner则预测，到2028年至少15%的日常工作决策将通过Agentic AI自主做出——但现实中，几十家企业的CTO和产品负责人的答案惊人一致：接入了GPT或Claude，做了个智能客服或内部知识库。工具买回去了，业务还没用起来。

优德普ERP数字化

冷链设备质量追溯怎么做：围绕序列号组织QMS与BI数据本文从实施角度说明冷链设备关键质量链追溯如何组织数据。原则是先使用企业已存在的工单、批次、检验和设备记录，再补齐异常流转、复核与放行的关键节点，避免为了上线而增加无效录入。

数据架构与商业智能《数据架构与商业智能》是由王飞编著、机械工业出版社于2015年6月出版的专业技术书籍，是《商业智能深入浅出》一书的姊妹篇。该书聚焦于数据架构、商业智能、数据治理和大数据技术四大核心领域，通过理论与实践相结合的方式，为读者提供了系统化的知识体系和行业应用案例。全书共13章，分为企业架构总体规划、数据架构分析、商业智能架构理论与实践、大数据架构与实践、数据治理体系等多个模块，旨在帮助读者理解如何通过数据架构设计和商业智能技术实现企业数据价值的最大化。

愤怒的苹果ext

Apache Superset 使用我使用pypi方式，官方文档：https://superset.apache.org/admin-docs/installation/pypi

Apache Superset 二次开发实践：接入 AI Agent，并确保数据权限不被绕过本文记录澈析 BI（Chexi BI）的开发实践。项目基于 Apache Superset 深度开发，增加了 AI Agent、MCP 工具服务、用户权限隔离和独立部署能力。澈析 BI 是独立产品，并非 Apache Software Foundation 官方发行版本。

德昂信息dataondemand

BI助力制造企业实现数据驱动精细化管理制造业全流程涵盖采购、生产、仓储、质检等多个环节，海量数据分散在各业务环节中，仅凭人工整理汇总数据，很难支撑精细化管理落地。依托BI整合全链条数据、统一核算标准、可视化展示数据，为生产调整、成本管控、经营决策提供量化依据，帮助企业摆脱经验化管理的局限，稳步优化整体运营水平。

DeepSeek using Claude Code 重构Oracle Fusion/SAP最佳业务实践：讨论报表的实现技术❯ 讨论：采用现在的js/css/html和JSF技术，如果要做一般的统计图标，是否好实现？Thought for 10s (ctrl+o to expand)

Regentsoft丽晶软件

2026总部看全局、区域看趋势、门店看自己：服装全渠道BI看板的三层架构服装品牌在全渠道经营中积累了海量数据——门店销售数据、线上订单数据、库存变动数据、会员消费数据、物流履约数据。这些数据如果只是躺在数据库里，就是沉默的成本；如果被有效利用，就是驱动决策的核心资产。但“看数据”和“用数据”之间，存在一道需要系统化设计来跨越的鸿沟。

让「准确率」可裁判：AI 数据分析需要一套可信机制上一篇文章里，我们谈到 Data Agent、ChatBI 和 AI 问数热过之后，市场开始进入更严格的筛选期。

传统 BI 指标向语义层迁移实操指南与避坑详解传统 BI 指标体系通常建立在报表与 SQL 之上，短期内能够满足分析需求，但随着业务复杂度上升，其问题会逐步显现：

不剪发的Tony老师

DataPallas：一个免费开源的全栈式BI与报表平台DataPallas 是一个免费开源、功能全面的一体化数据平台，支持数据分析、报表分发、可视化仪表盘以及 AI 助手等功能。

真上帝的左手

19. 大数据- BI - AI 应用1-融合场景解析系列文章完整串联业务系统 + 数据集成 + 数据仓库 + BI 落地全链路。AI 应用落地实战系列，详细拆解 AI 与数据仓库、BI 平台的内在关联、融合路径与真实落地场景，剖析 AI 如何赋能传统数仓与 BI 体系，实现企业数据价值再升级。

真上帝的左手

19. 大数据- BI - AI 应用2-AI模型部署与企业落地系列文章完整串联业务系统 + 数据集成 + 数据仓库 + BI 落地全链路。完整梳理了 BI 核心概念、整体架构层级、两种主流交付模式、标准落地六步流程，同时拆解了企业做 BI 必须避开的五大实战红线。从数据流向、数仓分层、语义层作用，到固定开发与自助分析模式对比、AI 增强新趋势，全部结合一线实战经验讲透。

真上帝的左手

19. 大数据- BI 入门-业务系统系列文章完整串联业务系统 + 数据集成 + 数据仓库 + BI 落地全链路。业务系统 ‌ 第一步：搞懂企业核心业务系统，从 ERP/OA/MOM 到业务数据逻辑

真上帝的左手

19. 大数据- BI 入门-数仓实战1-数据仓库的核心逻辑与落地范式系列文章完整串联业务系统 + 数据集成 + 数据仓库 + BI 落地全链路。深度拆解企业标准四层数仓架构：ODS 原始层→DW 明细层→DIM 维度层→DM 主题层，详解每层设计逻辑、字段规范、脱敏规则、落地开发要点，搭配汽车流通 / 航空制造 ERP/MOM 真实业务案例，讲透如何把杂乱的原始数据，沉淀为企业可复用、可对账、可赋能的标准数据资产。

真上帝的左手

19. 大数据- BI 入门-数仓实战4-DIM 维度层系列文章完整串联业务系统 + 数据集成 + 数据仓库 + BI 落地全链路。深度拆解企业标准四层数仓架构：ODS 原始层→DW 明细层→DIM 维度层→DM 主题层，详解每层设计逻辑、字段规范、脱敏规则、落地开发要点，搭配汽车流通 / 航空制造 ERP/MOM 真实业务案例，讲透如何把杂乱的原始数据，沉淀为企业可复用、可对账、可赋能的标准数据资产。

真上帝的左手

19. 大数据- BI 入门-数仓实战终篇-数据仓库演进对比与深度思考系列文章完整串联业务系统 + 数据集成 + 数据仓库 + BI 落地全链路。深度拆解企业标准四层数仓架构：ODS 原始层→DW 明细层→DIM 维度层→DM 主题层，详解每层设计逻辑、字段规范、脱敏规则、落地开发要点，搭配汽车流通 / 航空制造 ERP/MOM 真实业务案例，讲透如何把杂乱的原始数据，沉淀为企业可复用、可对账、可赋能的标准数据资产。