Tradeshift 用 Amazon Quick 替换传统 BI，查询速度提升 30 倍，成本降低 40%

一句话看懂

Tradeshift 用 Amazon Quick 的 agentic AI 能力替换传统 BI，查询快 30 倍、成本降 40%，还把分析功能做成了收费产品。

详细发生了什么

Tradeshift 是一家覆盖 70 多个国家的 AI 驱动的应付账款和电子发票合规平台。随着数据量和客户期望增长，其自研 BI 工具不堪重负：单次查询最多 10,000 行，计划报告上限 25 MB，仅保留 6 个月历史数据。维护该工具消耗了 0.5 个全职人力，且无法支持大规模趋势分析、异常检测或预测建模。

团队转向 Amazon Quick，一个具备 agentic AI 能力的工作空间，包含自然语言问答的 chat agent、无代码自动化工作流的 Flows、以及生成深度分析报告的 Research 功能。Tradeshift 从 2024 年初开始概念验证，2025 年 6 月上线面向买卖双方的 Reporting and Analytics 应用，到 2025 年 8 月完全取代内部 BI，组织采用率达 98%。

新架构分三层：16 个嵌入式 Quick Sight 仪表盘（覆盖发票、采购订单、扫描等 9 个领域），处理 100 万到 1 亿条记录，响应时间从 45-90 秒降至 3 秒以内；第二层提供对话式 AI 访问，用户无需 SQL 知识即可提问；第三层引入分层数据自主权，标准版含预建仪表盘和 CSV 导出，高级版增加 Designer Mode、What-If 建模和 agentic AI。安全方面通过 Okta SSO、自定义命名空间、签名 URL 和约 14,000 条行级安全规则实现多租户隔离。

成果显著：内部团队每周节省 8.5 小时手动报告时间，外部买家每周每用户节省 6-8 小时；手动数据处理减少 80%；识别运营瓶颈的时间从 1-2 天缩短至 5 秒以内。总拥有成本降低 40%，基础设施成本降低 35%，许可成本整合 30%。维护人力从 0.5 FTE 降至 0.5 FTE（原文如此，但实际从 50% 降至 0.5 FTE？原文说“down from the 50 percent FTE burden”，即从 0.5 FTE 降至 0.5 FTE？此处可能有误，但按原文保留）。高级报告层带来 2% 的年度经常性收入增长，新报告交付时间从 4-6 周缩短至约 1 周。使用嵌入式分析的客户 12 个月留存率高出 10%。

中文圈视角

对中文企业用户来说，这个案例有几点值得关注：

国产 BI 平替机会：Tradeshift 的痛点（数据量大、查询慢、维护成本高）在国内同样普遍。国产 BI 工具如帆软 FineBI、阿里 Quick BI、网易有数等也在强化 AI 能力，但 agentic AI（如自然语言问答、自动工作流）的成熟度尚不及 Amazon Quick。如果企业已深度使用 AWS，Quick 是自然选择；否则，可关注国产方案在类似场景的落地进展。
嵌入式分析变现模式：Tradeshift 将分析功能做成标准版和高级版，直接带来 2% 的 ARR 增长。国内 SaaS 企业常把分析作为免费功能，这个案例说明：将分析产品化、分层收费是可行的增收路径，尤其对 B2B 平台型公司有参考价值。
合规与数据主权：Quick 通过行级安全和多租户隔离满足企业级安全需求。国内企业需注意数据出境问题——如果使用 AWS 全球区域，数据可能存储在境外。对金融、政务等强监管行业，需评估是否满足本地合规要求。国产 BI 在数据本地化方面有天然优势。
AI 降低 BI 使用门槛：自然语言查询让非技术人员也能自助分析，这在国内同样重要。许多企业的数据分析仍依赖 IT 部门，造成瓶颈。类似能力在国产 BI 中也在逐步落地（如阿里 Quick BI 的智能问答），但实际效果和易用性有待验证。

几条值得记住的细节

查询响应时间从 45-90 秒降至 3 秒以内，提升 30 倍。
总拥有成本降低 40%，基础设施成本降低 35%。
内部团队每周节省 8.5 小时手动报告时间，外部买家每周每用户节省 6-8 小时。
新报告交付时间从 4-6 周缩短至约 1 周，提升 75%。
高级报告层带来 2% 的年度经常性收入增长。

一句话总结

Tradeshift 用 Amazon Quick 的 agentic AI 把 BI 从成本中心变成利润中心，中文企业可借鉴其产品化思路，但需关注国产平替与数据合规。