大模型能力的发展和成熟，催生出新一代智能化 BI—— ChatBI，即通过自然语言处理（NLP）与大型语言模型（LLMs）的结合，极大简化数据分析过程，提高效率并降低分析门槛。
近期，火山引擎数智平台旗下的智能数据洞察DataWind宣布上线ChatBI能力，其对接豆包大模型实现推理回答，能为用户提供智能修复、多语法适用等支持，在性能上实现秒级响应、一键生成。过去业务人员需要具备专业的分析和代码能力，才能生成各类图表分析所需的指标。现在，传统指标开发模式将被自然语言输入的智能生成方式所替代。用户只需要通过文字描述需求， 就能生成指标，快速实现数据获取、分析计算与图表搭建，大幅降低数据消费门槛。
在实际应用中，用户与 ChatBI 进行交互时，期望能够快速得到数据分析结果和回答。如果分析引擎性能不足，处理数据的速度缓慢，将导致响应时间过长，影响用户体验。因此，完善的大数据架构及高性能查询是DataWind高效数据分析的基石。
火山引擎DataWind相关负责人进一步介绍道：“我们不仅持续提升企业级 BI 功能性，比如引入AI能力，更专注于解决系统的性能和伸缩性问题。随着BI在企业组织中落地推广，并逐渐深入业务，用户数量、计算量和数据量会迅速增加，从长期维护的角度出发，我们必须确保系统能够应对未来大规模带来的压力。”
而DataWind选择将云原生数据仓库ByteHouse作为OLAP架构，为上层ChatBI的快速响应提供高性能、高扩展、高弹性支持。
ByteHouse 是火山引擎基于ClickHouse 进行深度自研优化的云原生数据仓库，能够对离线和实时数据进行统一分析处理，并通过弹性扩展的计算层、分布式存储层加速企业分析和决策。在性能方面，ByteHouse推出了自研HaMergeTree解决ZooKeeper依赖大的问题，通过建立索引对记录进行快速更新、标记、删除，也在分布式join上进行大量优化器方面优化，整体提升性能表现。
除此之外，DataWind还基于 ByteHouse 的冷热数据分层能力，在实现查询高性能的同时，有效节约资源成本。
随着数据量不断增长积累，数据的访问热度会呈现出巨大的差异。部分数据的访问频率会明显高于其他数据，例如近期写入数据的访问频率会比历史数据高很多。
针对数据冷热情况，ByteHouse 采用了不同的存储策略和查询策略：对于热数据，进行特殊处理以实现高性能分析；对于冷数据，实现低成本存储。从整体上提高访问和查询效率，减少资源浪费。
DataWind基于ByteHouse的数据冷热分层架构
从数据架构上看，DataWind与ByteHouse紧密结合，一方面，数据存储在 ByteHouse 内，无数据冗余，无需数据搬迁，让多个服务可以共享一份数据；另一方面也保持较高灵活性，除了用 DataWind 直接进行数据访问之外，也可以直连 ByteHouse 做自定义的接入和分析查询，在确保灵活取数的情况下，保障了数据的可访问性和主权。
大模型的推理、检索和生成能力，使数据的使用门槛在交互方式和分析技能方面都大幅降低，BI+AI 的场景变得更加具体、可实现。而在ByteHouse高性能、弹性伸缩特性加持下，ChatBI在资源成本可控的情况下，实现响应速度进一步提升，持续为用户提供极致的数据分析体验。
