从报表到Agent：企业数据开发范式的二十年演进

过去二十年，企业数据领域发生过很多变化。

数据库、数据仓库、大数据平台、数据治理、BI、数据中台、湖仓一体、ChatBI、Data Agent……

新概念层出不穷，新技术不断涌现。

但如果站在更高的视角来看，这二十年的变化，本质上是在解决同一个问题：

如何更快、更准确地获得答案。

今天很多人在讨论AI、Agent、ChatBI。

有人说数据仓库会消失，有人说BI将被取代，还有人认为未来根本不需要数据开发工程师。

这些观点听起来很有冲击力，但如果不了解企业数据体系的发展历程，就很容易得出片面的结论。

因此，在讨论AI会带来什么变化之前，我们不妨先回顾一下企业数据开发范式过去二十年的演进历程。

第一阶段：数据库时代——直接从业务系统取数

大约在2000年前后，大多数企业的信息化建设刚刚起步。

企业中的核心系统主要是：

• ERP
• 财务系统
• 进销存系统
• 人事系统

那时的数据分析需求并不复杂。

业务人员提出问题：

“这个月销售额是多少？”

技术人员登录数据库，写一条SQL。

很快就能得到结果。

那时的数据开发范式可以简单概括为：

业务系统 = 数据源 = 分析系统

所有分析工作直接基于业务数据库完成。

这种模式在企业规模较小时运行良好。

但随着企业发展，问题逐渐出现。

例如：

• ERP关注交易处理
• 财务系统关注账务处理
• CRM关注客户管理

每个系统的数据标准不同。

每个系统的数据口径不同。

每个系统都只关注自身业务。

当企业希望回答：

“某客户的销售额、利润和回款情况如何？”

就需要跨多个系统进行关联分析。

此时，数据库时代开始暴露出局限性。

企业需要一种新的数据组织方式。

数据仓库由此诞生。

第二阶段：数据仓库时代——让数据形成统一语言

从2005年前后开始，越来越多企业开始建设数据仓库。

数据仓库的核心思想并不复杂：

把分散在各业务系统中的数据统一汇集起来。

通过清洗、转换、整合。

形成统一的数据资产。

此时，企业数据架构开始演变为：

业务系统 → 数据集成 → 数据仓库 → 数据应用

对于很多企业而言，这是一次巨大的进步。

数据仓库解决了几个关键问题：

第一，统一数据口径。

同一个指标不再出现多个版本。

第二，沉淀历史数据。

业务系统可能只保留当前状态。

数据仓库可以保留完整历史轨迹。

第三，提高分析效率。

复杂分析不再直接访问业务数据库。

第四，实现跨系统分析。

企业第一次能够从全局视角看待经营数据。

也正是在这一时期，维度建模、星型模型、事实表、维度表等概念开始广泛普及。

很多企业的数据团队开始形成：

• ETL开发工程师
• 数据仓库工程师
• BI工程师

等专业岗位。

数据开发开始进入工程化时代。

第三阶段：BI时代——从数据到决策

如果说数据仓库解决的是“数据从哪里来”的问题。

那么BI解决的是：

“数据如何被使用”的问题。

从2010年以后，越来越多企业开始建设：

• 经营驾驶舱
• 管理看板
• KPI体系
• 数据分析平台

FineBI、Tableau、Power BI等产品快速发展。

企业开始尝试用数据驱动决策。

此时的数据开发范式变成：

业务系统

↓

数据仓库

↓

OLAP

↓

BI

↓

决策分析

这也是很多企业今天仍然在采用的主流架构。

这一模式极大提升了企业的数据使用效率。

但与此同时，一个新的问题开始出现。

所有答案都需要提前准备。

• 业务提出需求。
• 数据团队开发ETL。
• 开发指标。
• 开发报表。
• 测试上线。

最终才能看到结果。

很多企业都经历过这样的场景：

业务部门提出一个分析需求。

排期两周。

开发一周。

测试三天。

上线一天。

最后花费近一个月时间。

而业务真正关心的问题，可能只需要一个答案。

问题并不在于技术。

而在于这种模式本质上属于：

先开发答案，再提出问题。

这也为下一轮变革埋下伏笔。

第四阶段：AI时代——从开发答案到生成答案

2022年以后，大模型开始快速发展。

ChatGPT、Claude、DeepSeek等产品让自然语言交互成为现实。

与此同时，企业数据领域也开始出现新的变化。

ChatBI开始流行。

智能问数开始普及。

企业知识库快速增长。

Data Agent不断涌现。

过去的数据分析过程通常是：

提出问题

↓

提交需求

↓

开发模型

↓

开发报表

↓

获得答案

而今天越来越多企业开始尝试：

提出问题

↓

Agent理解问题

↓

自动检索数据

↓

自动生成SQL

↓

自动分析

↓

获得答案

两种模式最大的区别在于：

过去是开发答案。

现在是生成答案。

这是企业数据开发范式过去二十年来最重要的一次变化。

AI会取代数据仓库吗？

这是最近两年被问得最多的问题之一。

我的观点很明确：

不会，至少在可预见的未来不会。

因为AI解决的是答案生成问题，而数据仓库解决的是数据组织问题。两者并不是替代关系。

Agent越强，越依赖高质量的数据基础。

ChatBI越智能，越需要统一的数据口径。

企业知识库越丰富，越需要高质量的数据治理。

未来消失的不会是数据仓库，而是数据仓库作为最终消费终端的角色。

它会逐渐退居幕后，成为Agent的数据底座。

下一代企业数据体系正在形成

回顾过去二十年。

企业数据体系经历了四次重要演进：

数据库时代：

解决数据存储问题。

数据仓库时代：

解决数据整合问题。

BI时代：

解决数据消费问题。

AI时代：

解决答案生成问题。

每一次演进，都不是推翻上一代体系。

而是在上一代基础上的能力扩展。

因此，我并不认为AI会终结企业数据体系。

AI正在推动企业数据体系进入一个新的阶段。

未来五年。

真正值得关注的问题不是：

“数据仓库会不会消失？”

而是：

“企业如何构建能够支撑Agent的数据体系？”

这也是本专栏接下来希望持续探讨的话题。

下一篇，我们将从一个最基础的问题开始：

为什么企业需要数据仓库？