在BI工具誕生前，業務人員要按照某些維度來分析數據，完全依賴於IT人員的支持。針對業務人員提出的分析需求，IT人員的支持方式一般是是通過SQL語句從源數據庫中將分析結果導出，或者是由IT人員開發一套供業務人員使用的後臺頁面。但是在這些方式下，多數據源的情況難以被有效應對，同時業務人員對需求的頻繁變更會帶來大量的溝通成本，加重了IT人員的負擔。
因此，“自助式分析”的概念應運而生，它主要解決的問題就是如何讓業務人員在離開IT人員支持的情況下，依然能夠隨心所欲地在自己設定的維度上進行分析，從而拿到自己需要的數據。
自助式分析的核心技術是聯機分析處理（OLAP），它要求實施人員基於多個數據源爲用戶構建一個集中式的、關係型的的多維數據模型。用戶基於多維數據模型，可以實現自由的切片、切塊、鑽取和旋轉，無需直接接觸數據源就能實現數據準備、數據查詢和數據探索等操作。
在企業的實際IT架構中，往往會存在OA、ERP、CRM等多個數據互相獨立的業務系統。金融領域客戶一般會建設數據倉庫來實現數據的彙集，因此BI自助分析平臺的構建可以直接搭建在數據倉庫之上。但是，更多的客戶則沒有建設數據倉庫，但他們仍然希望對分散、異構的數據庫進行自助式分析。面對這種情況，一些BI廠商的策略是親自爲客戶搭建一套數據倉庫或數據中臺，在這個基礎上再去搭建BI系統。
與這些廠商的策略不同，Smartbi的自助分析平臺Eagle的解決方案是輕量化的，可以支持外建的多維數據庫，也內置了SmartbiMPP、Vertica等多種類型的分佈式大規模並行處理數據庫接口，並通過ETL過程將來自OA、ERP、CRM等多個業務系統的數據進行統一彙集。同時，Eagle還可以構建語義層，使得業務人員無需直接接觸表名、字段名以及它們之間的複雜關係，而是直接面對自己所熟悉的業務術語和指標名稱。
這樣，多個異構數據源的底層存儲邏輯都被Eagle所展現的語義層邏輯所屏蔽，業務人員可以通過托拉拽等可視化操作，在Eagle中實現全自助式的數據集準備、數據查詢、數據探索（交叉彙總、自由鑽取）和儀表盤製作。
從選擇輕量化解決方案實現對異構數據源的彙集，到AI賦能自助數據探索與預測性分析，Smartbi從始至終的理念是降低BI產品的使用門檻，以能夠讓基礎設施建設不夠完善的企業、技術能力不夠強的業務人員也能夠以低成本來進行自助式分析，表現出了較強的技術和產品能力。