人工智能preb轮（36氪首发用图计算引擎进行数据分析）

人工智能preb轮（36氪首发用图计算引擎进行数据分析）在此前的报道中，36氪曾详细介绍了欧拉的业务模式。过去的近8个月里，欧拉实现了从通信行业到零售行业的跨越，并积累了近十家中大型企业客户。“在数字化快速发展的当下，数据的多样性和关联性与直接影响了数据的价值大小，而图结构模型可以很好地展示数据之间复杂的关联性并实现合理预测；此外，图的语义表达还是实现“搜索即应用”效果的关键技术之一。欧拉团队和本人不仅在‘实时图计算’方面拥有相关发明专利和丰富的实操经验；公司自研的图计算引擎还不必再搭配其他组件和数据库，整体成本较低。”王绪刚在介绍选择图计算技术作为数据分析底层技术的原因时表示。在数字化转型的当下，企业的首要任务就是帮助员工建立数据思维，并形成用数据进行辅助决策的企业文化。“在传统情况下，企业都是通过设立数据中台来解决，这种技术思维使得一线业务人员必须通过IT人员或数据分析师来获取专业数据，并没有真正拉近业务人员与数据的距离，而智能BI的发展正

作者｜吴思瑾

编辑｜王与桐

*

36氪获悉，智能BI 厂商「欧拉认知智能」完成由天时创新资本独家投资的千万级PreA 轮融资，本轮融资由毅仁资本担任独家财务顾问，这也是其今年完成的第二笔融资。

在数字化转型的当下，企业的首要任务就是帮助员工建立数据思维，并形成用数据进行辅助决策的企业文化。“在传统情况下，企业都是通过设立数据中台来解决，这种技术思维使得一线业务人员必须通过IT人员或数据分析师来获取专业数据，并没有真正拉近业务人员与数据的距离，而智能BI的发展正是基于此。”欧拉认知智能创始人&CEO王绪刚向36氪介绍。

区别于以宽表模型为技术基础的传统BI，通常需要业务部门向数据分析部门发起需求申请，而智能BI通过NLP、ML、增强分析等一系列技术，实现了数据准备到可视化探索、洞察生成、增强的自助式分析等一系列功能。一线业务人员只需通过在搜索框输入关键词，即可生成相关数据分析的结果；简单易用，快速高效，大大降低了企业对数据分析师/IT人员的依赖。

本文介绍的欧拉认知智能成立于2019年，是一款智能BI SaaS软件，核心特点是其数据分析基于纯自研的图计算引擎生成。图计算引擎是在图查询系统上设计而成，能够实现在单个系统中同时支持高效的图查询和图计算操作。比如电商平台希望能够在查询用户历史订单的情况下（图查询），基于图数据对用户进行商品个性化推荐（图计算）。

“在数字化快速发展的当下，数据的多样性和关联性与直接影响了数据的价值大小，而图结构模型可以很好地展示数据之间复杂的关联性并实现合理预测；此外，图的语义表达还是实现“搜索即应用”效果的关键技术之一。欧拉团队和本人不仅在‘实时图计算’方面拥有相关发明专利和丰富的实操经验；公司自研的图计算引擎还不必再搭配其他组件和数据库，整体成本较低。”王绪刚在介绍选择图计算技术作为数据分析底层技术的原因时表示。

在此前的报道中，36氪曾详细介绍了欧拉的业务模式。过去的近8个月里，欧拉实现了从通信行业到零售行业的跨越，并积累了近十家中大型企业客户。

谈到选定零售行业的原因时，王绪刚介绍说：“对数据分析类产品来说，数据质量直接影响结果的准确性，而零售行业的数据基础相对完善，不论是数据量，还是数据的多样性和完整性，目前都明显优于其他行业，也正是这样，零售企业对数据驱动决策的接受度最高，对精细化运营数据的需求也最迫切”。

然而，智能BI厂商能否顺利扎根新行业，除了产品是否好用外，还在于是否构建了完善的行业知识图谱。因为对企业来说，如果通过搜索生成的数据结果仅为企业一方信息的话，那也只是一个工具而已，解决的是效率问题；而行业知识图谱的构建，则迎合了企业进行市场调研分析的运营需求，可以提高工具附加值。

王绪刚表示，在构建行业知识图谱上，欧拉的做法是通过与行业专家访谈，将行业品牌、品类、产品及触点内化为行业知识结构而成，对企业来说“开箱即用”。这也为欧拉与以实体店为主的零售企业合作创造了新的机会，这类企业由于线上数据较少，需要借助如销售表现、用户口碑等外部行业数据来辅助优化运营策略。

对线上数据完善的企业来说，通过关联如主数据、人货场数据等内部一方数据，构建企业级和场景级知识图谱，一线员工根据不同需求，按不同维度搜索数据，比如销售更关注“场”的表现、运营更重视“人”的数据，而产研则看重“货”的走势。

图源：欧拉认知智能

除产品功能外，对企业来说，最看重的或许是搜索结果的准确性和操作的易用性，这对数据之间的关联紧密性和颗粒密度提出了很高的要求，但明显不是所有零售企业的数据都符合这个条件。为此，王绪刚介绍道：

首先，在数据质量不一的情况下，欧拉是通过技术手段最大限度的确保分析结果准确性。一是语义解析，欧拉做了基础的语义识别和语义实体关系属性解析，并将该关系抽象成一个游走的起点到终点的路径。二是图谱构建，欧拉支持对文本数据和小样本进行实体抽取和关系抽取；同时用大模型技术做图结构本身的知识迁移，便于在同行业中实现跨客户的数据迁移和相似行业之间的知识迁移。

其次，在交互性上注重结果的精准度和覆盖率之间的平衡，确保用户的搜索体验和获得感。

再次，欧拉十分注重产品的易用性，对有基础的数据分析师/IT人员而言，可以快速上手和体验到产品的价值；对于没有基础的一线业务员工而言，除了简单的培训外，还会内置常见的分析看板和热搜词，帮助对方建立使用习惯和获得感。

在智能BI领域，欧拉的挑战主要来自以大厂为代表的百度智能云Suger BI、微软Power BI；同样对标ThoughtSpot的MagicBI；以及正在努力向智能BI拓展的传统BI厂商，如思迈特软件Smartbi、帆软等。

在提及与对标BI厂商和核心竞争对手的区别时，王绪刚表示：从技术上来说，ThoughtSpot是一个多维索引表，其索引上不含属性，而欧拉则在索引上新增了属性，两者在存储结构上较为相近；MagicBI的底层技术是在传统管理系统数据库的基础上将自然语言转成SQL语言，计算模式并未发生根本变化。欧拉的图数据结构改变了过往的计算模式，在搜索的灵活性、计算的实时性等方面都更优，在建模初期导入数据和后期维护的成本方面则更低。

2021年，欧拉营收达千万级，收入模式主要是按数据量计算费用；王绪刚介绍，预计今年的营收将为去年的150%。截至目前，欧拉已累计数十家大型客户，原有通信行业客户续约率90%以上。在获客方式上，包含直销和渠道销售两种。

据介绍，本轮资金主要用于继续提高图计算引擎的能力，加快产品迭代和进一步拓展市场。

投资人观点：

天时创新资本创始合伙人CEO周桂良表示：我们坚定看好欧拉创始团队在图计算领域的技术沉淀和市场化能力。从技术上来讲，以图计算为代表的新技术，革新了以前的计算和数据存储方式，在处理复杂关系上有着天然优势，在海量数据、多对多的复杂实体联系场景以及与云计算、AI、IoT等新技术的融合中均有着异常突出的市场表现。未来，会有越来越多的企业在生产环境中应用图计算技术和图数据库产品，图数据库会更多地被视为一个独立的基础设施产品，用户会更加重视数据库的性能、成本、易用性和易维护性。天时创新资本重点投资新消费品牌、新零售服务、新科技和供应链创新等领域，周桂良表示我们后续将充分利用投资团队在消费零售供应链领域的深度研究和积累的丰富产业资源，在战略、资本规划和链接产业上下游客户等方面赋能欧拉团队，特别是支持欧拉在消费零售领域相关业务场景拓展，助力欧拉在零售领域的业务创新。