ChatBI企业选型指南：十问十答深度解析

如果一个工具能真正拉低数据分析的门槛，你愿不愿意一探究竟？这就是 ChatBI。近期，我们深度对话了观远数据产品负责人严林刚，围绕 ChatBI 的核心优势、准确性、安全性，以及它将如何重塑商业智能的格局，梳理了一份「十问十答」，希望能提供切实的行业参考。

以下是这份深度访谈的核心摘录。

ChatBI相较传统BI的应用优势是什么？

现阶段，ChatBI的应用优势主要体现在三个维度：提升分析效率、降低数据消费门槛、更敏捷地响应个性化需求。与传统BI相比，它能更好地承载企业业务的复杂性和快速变化。

传统BI的运作逻辑是——IT或数据分析师先定义好指标、构建看板，业务人员想用数据，只能在这些预设好的“数据资产”里反复翻找。到了敏捷BI时代，业务人员得以通过拖拉拽进行自助分析，这已经迈出了关键一步。而ChatBI则彻底升级——它不需要企业预先搭建一套完备的分析资产体系，大模型只需学习现有的资产，就能对类似问题给出分析思路。业务人员用自然语言对话，随问随答，无需在多个报表间来回跳转，也不必手动在Excel里拼凑数据。

当然，ChatBI的潜力远不止于此。未来，让大模型深入习得企业的业务知识，它就能处理更加模糊和复杂的问题——自主拆解任务、编排分析步骤，通过自动化任务链路把整个问题彻底厘清。这已不再是概念空想，技术层面已显露出明显突破。预计未来一到两年，在一些局部闭环的业务场景中就能实现落地。这种能力，传统BI完全无法企及。

当下ChatBI的准确度如何？如何确保高准确度？

“准确度”这三个字，无疑是企业在数据应用场景中最核心的关切。数据不准，决策便无从谈起。不过话说回来，很多时候我们自己对“准确度”的定义本身就比较模糊。

我们不妨从ChatBI回答一个数据问题的完整链路，来系统解析用户感知的“准确度”究竟受哪些因素决定。

当前主流的实现步骤大致是：问题理解 → 知识召回 → 问题改写 → 查询生成 → 数据查询 → 可视化呈现。这其中，影响用户感知“准确度”的关键环节是「问题理解」「问题改写」和「查询生成」。

1. 问题理解。如果ChatBI的理解能力欠缺，它大概率会选择拒绝回答超出标准数据资产范围的问题，以此来避免出错。但这样一来，用户就需要掌握一定的提问技巧、对数据本身有一定了解——这恰恰违背了ChatBI降低使用门槛的初衷，最终产品的可用性依然难以提升。

3. 问题改写。问题改写旨在提升产品的整体可用性。举个例子，用户问“公司上个月整体销售情况如何？”，其中没有明确指定要看哪个指标——是销售额还是销量？要不要对比同比和环比？这时，系统就需要根据已召回的业报知识，对问题加以改写，明确指标查询任务，才能应对更复杂的对话场景。

4. 查询生成。这一步是把业务问题映射成技术查询语言。不同厂商采用的技术路线各异，比如NL2SQL和NL2DSL。行业内大量关于“准确度”的争议都集中于此。但前提是，输入的问题必须是一个明确的指标查询。总体来看：

• NL2DSL因有明确可查的数据分析资产作为支撑，可信度更高，但问题的泛化能力会受到一定限制。
• NL2SQL泛化能力更强，能更好地适配复杂对话场景，但结果的可靠性可能面临挑战。

不过，无论选择哪条技术路径，都可以通过完善数据分析资产、持续迭代业务知识库（包括SQL样例），逐步提升整体准确度。

说到底，用户感受到的“准确度”是一个复合概念——它涉及统计口径（是否包含拒绝回答的问题）、问题集的广度和深度，以及用户对非标准问题回答正确与否的主观判断。企业在进行ChatBI选型时，必须结合自身的实际业务场景，合理评估对“准确度”的具体诉求。

举个例子，我们有一个做供应链的客户，底层数据表关联非常复杂，初期整体查询准确率只有60%到70%。后来通过宽表优化、意图识别优化、SQL生成优化、多链路交叉校验、业务知识库持续迭代等一系列措施，硬是把业务问题的整体解决率拉升到了92%。

业务用户该如何正确使用ChatBI？

与其纠结“业务用户该怎么正确使用ChatBI”，不如多思考“企业该怎么正确落地ChatBI”，从而让ChatBI更好地服务于业务用户。为什么不强调业务用户怎么用？因为如果ChatBI对用户的提问技巧和数据理解水平要求太高，那就与它的初心背道而驰了，产品的可用性无从谈起。

那么，企业到底该如何正确落地ChatBI？关键在于将技术与实际业务场景深度结合，深入挖掘业务需求，找准真正的痛点。现阶段，如果简单地把ChatBI定位成一个无边界的通用问数工具，一方面技术成熟度尚未充分验证，另一方面企业也难以看到明确的价值产出。

建议的做法是：现阶段落地ChatBI，要收敛到基于业务JTBD（Jobs to be done）的闭环场景价值上。在确定的场景内，通过业务知识或自动化的BI数据采集，获取充分的上下文信息，大模型就能更精准地回答用户问题，甚至帮助用户完成从洞察到行动的闭环。当然，ChatBI一开始可能无法给出完美答案，这时系统需要提供反馈机制，持续强化模型，让它能够适应不断变化的业务知识和数据体系。最终实现数据分析的自动化和智能化，提升业务决策的效率和质量。

ChatBI会为数据安全与隐私带来哪些挑战，该如何避免？

企业在建设ChatBI时，数据安全和敏感数据处理确实是一个绕不开的课题。特别是在使用云端公共大模型服务时，数据安全更是硬仗。当前主流的做法是，不会把所有数据都发送给大模型，只暴露部分非敏感的维度数据和宽表的“元数据”。这种方式虽然限制了大模型在自然语言总结、查询等方面的能力，但能有效降低敏感数据暴露的风险，保障数据安全，同时确保业务流程顺畅。如果企业采用本地化部署的私有大模型，数据安全方面的顾虑会小很多，ChatBI也能与大模型进行更多的业务数据交换。

未来，随着大模型云服务逐渐普及，数据安全合规相关的技术支撑会更加完善，法律法规也会持续健全。大模型厂商也会采取必要的技术和管理措施，保护用户数据不被滥用或泄露。到那时，相信会有越来越多的企业客户逐步接受大模型接口化服务。

ChatBI为企业带来最直观的变化是哪些？应用效果如何？

ChatBI给企业带来的最直观变化，一是数据分析效率的显著提升，二是业务沟通方式的深刻革新。在训练好的特定业务场景下，它能够利用自然语言处理技术，让业务人员无需复杂操作就能快速获取数据洞察，大幅降低数据分析的门槛和成本。同时，智能化的对话界面也增强了企业内部协作与沟通，提升了工作效率，还能推动企业深化数字化转型，最大化数据资源的利用价值。

举个例子，我们与自然堂集团合作的ChatBI解决方案，核心依靠即问即答、逻辑预设和图表生成三大能力，来应对业务中的临时、重复和个性化需求。即时学习功能通过自然语言交互，能够快速理解并响应临时的指标和维度查询，实现即问即答，无需走传统的开发流程；逻辑预设则通过决策树模型覆盖大部分常规的重复性分析需求；图表生成能力基于对话理解自动创建个性化的可视化图表，帮助业务用户快速构建专属的分析体系。

市面上ChatBI产品很多，衡量一个ChatBI产品的标准有哪些？

市面上ChatBI产品确实琳琅满目，但衡量标准可以围绕四个关键词展开：业务价值、企业级能力、成本、安全。

首先得看业务价值。目标用户的JTBD是什么？ChatBI到底有没有解决他们的核心痛点？坦白说，目前大多数ChatBI产品都还处于价值验证阶段。谁能率先在高价值的业务场景中做深做透，谁才能真正在市场上树立起ChatBI的标杆。

其次，企业级能力。ChatBI首先是一款BI产品，企业级能力的积累是项目落地的关键。这包括数据源支持、可视化能力等基础BI功能，以及对接企业现有系统的能力。

再者，成本。ChatBI建设期间所需的冷启动成本，以及后续的持续维护成本，都是需要重点关注的因素。

最后，安全。尤其是在处理敏感数据时，必须确保符合隐私保护法规和数据安全标准。这一点不容忽视。

大模型与BI的融合前景如何？未来可能还会有哪些发展？

大模型与BI的融合预示着智能BI的未来方向，这一趋势很有可能彻底改变数据分析的方式和应用边界。随着大模型技术日趋成熟，生成式AI的应用可能会让数据分析变得更高效、更直观。目前ChatBI仍处于探索阶段，商业化落地确实面临挑战，但前景非常广阔。

未来，企业会更加注重构建和更新自己的知识库，充分释放AI的能力。而人则专注于目标设定、过程监督和反馈等关键任务，实现人机协同的最大化效果。

就像OpenAI把AI分为五个阶段：L1聊天机器人，L2推理者，L3智能体，L4创新者，L5组织者。大模型与BI的融合大体上也遵循这一路线。目前我们已经走在L1的务实落地和L2的路径探索上。具体发展路径有两条：一是确保ChatBI在基础“问数”场景中能够高可用、可批量复制；二是在高阶“问知”类场景中，把领域知识和工作流进行封装重组，实现对复杂任务的理解、拆解和动态编排。另外，从交互方式来看，大模型与BI融合未必一定局限于聊天机器人的形态。联想、推荐，甚至我们尚未想到的更好方式，都有可能成为未来的模样。

ChatBI产品诞生之后，对数据分析师的影响如何？

ChatBI对数据分析师的影响是双重的。一方面，它不会取代数据分析师的核心价值，但确实抬高了行业的入门门槛。基础的、重复性的统计分析工作将越来越多地被AI自动化，数据分析师需要掌握更高级的技能，比如深度理解特定行业或业务，并将这种理解转化为数据分析策略。另一方面，ChatBI降低了数据分析师与业务之间的沟通成本，让他们能够将更多精力投入到高价值的数据分析和洞察上，成长空间和职业发展的可能性都更大。

而且，ChatBI要在高阶业务场景中产出分析结果，本质上依赖于数据分析师基于平台产品能力进行配置，通过AI+BI高效生成。这并非完全“无中生有”，只是大量的基础分析工作可能会被AI替代。那些真正高价值、能够支撑管理者战略决策的数据，仍然需要数据分析师的深度参与。

在ChatBI背景下，业内“人人都是数据分析师”的说法是否会有变化？

我不太认同“人人都是数据分析师”这个说法。更准确的理解应该是“人人都可以基于数据决策”——这其实也是观远数据主张“让业务用起来”的底层逻辑。做了十几年BI，我们观察到的情况是，大多数企业中能够用BI工具主动进行数据分析的员工比例连1%都不到（国外工具文化好一些，大约5%）。我们的目标是通过更低门槛、更好用的数据分析产品，把这个比例提升到5%、10%，再撬动成倍的数据消费者，让他们能够基于可信的数据分析结果来做决策。能做到这一步，就达到了目的。

ChatBI诞生之后，“人人都可以基于数据决策”这件事变得更容易触手可及。在业务场景中，通过简单的对话式交互，每个人都能直接向ChatBI提问，迅速获取基于数据的洞察和建议。数据驱动的决策变得更普及、更便捷，数据的力量真正渗透到企业的每一个角落。但这背后，实际上需要数据分析师通过BI+AI的产品或技术能力，去构建领域数据分析体系。专业数据分析师在深度分析、业务洞察、数据治理等方面的价值，依然不可替代。

因此，企业管理者仍然应当充分尊重数据分析师的岗位价值，不要被“人人都是数据分析师”的糖衣炮弹所迷惑，忽视了对数据分析人才的培养。

观远目前在ChatBI方面有哪些尝试以及成果？

正如前面所说的大模型与BI的融合路线，观远数据目前正走在L1基础“问数”场景的务实落地和L2高阶“问知”类场景的路径探索上，并且已经发布了观远ChatBI产品。

观远ChatBI是基于大语言模型打造的智能数据问答产品，具备意图识别、知识召回、问题理解、数据查询、可视化生成等能力。用户通过自然语言提问，就能直接在观远ChatBI上获取数据分析结果，快速解决临时性、一次性和高重复性的业务数据需求。

观远ChatBI已经通过了信通院“大模型驱动的智能数据分析工具专项测试”，与客户合作的实践案例也荣获了“IDC PeerScape: 中国生成式BI场景化落地先驱案例”等多个奖项，得到了客户和行业的广泛认可。

来源：互联网