什么是智能问数？企业为什么需要ChatBI能力

业务部门提一个取数需求，常要等 IT 排期两三天；数据终于拿到了，又发现统计口径和上次不一致。这样的场景在企业里反复出现。智能问数（ChatBI）正是为改变这种流程而出现的能力：业务人员用自然语言提问，系统自动完成取数、计算、分析甚至结果解读。它把过去依赖开发排期的“取数流程”变成实时对话交互，也因此成为企业数据分析平台的重要演进方向。

一、什么是智能问数：从报表查询到对话式分析的范式变化

要理解智能问数，可以先从三个层次看它的能力边界。

第一层是“查得准”。针对“某产品本月销售额是多少”这类问题，系统能准确返回数值，不需要用户知道数据存在哪张表。

第二层是“算得对”。系统能处理“按渠道拆分，看同比环比”“对比华东区和华南区本月完成率”等带计算逻辑的查询，而不是只做简单汇总。

第三层是“读得懂”。系统基于查询结果给出业务解释，比如数据下降可能受哪些因素影响、哪个环节出现了异常、下一步建议关注什么。多数企业需要的是从第一层到第三层的完整能力，而不仅是把 SQL 翻译成自然语言。

从行业演进看，数据分析经历了固定报表、自助 BI、对话式 ChatBI，再到 Agent BI 几个阶段。固定报表和自助 BI 需要用户理解数据结构和报表工具；ChatBI 改变了交互方式，用户只需提问。但纯 ChatBI 路线也存在明显局限：准确率不稳定、复杂分析支持不足。于是 Agent BI 成为新方向：它在 ChatBI 基础上引入多智能体协作与工作流，系统先拆解问题，再调度分析智能体、报告智能体等完成多步任务，最后输出经过推理的分析结论。

三种形态的差异可以用下表说明：

这个对比说明，智能问数并不是把传统查询界面换成对话框那么简单。它对底层数据组织方式提出了更高要求：数据要按业务语义建模，指标口径要统一，系统要有支撑多步推理的分析框架。这也是下文讨论“企业为什么需要”以及“如何落地”的基础。

二、企业为什么需要 ChatBI 能力：从“人找数”到“数找人”

业务部门的数据需求正在快速增长，但企业实际用数效率跟不上。常见情况有三种。

第一个痛点是取数依赖 IT、响应慢。非固化报表查询要排队，周期往往以天计算，业务决策等不起。

第二个痛点是口径不统一。同一个指标在不同部门、不同系统里定义不同，经常出现“数据出来了，但对不上”的情况。

第三个痛点是分析深度不足。即使拿到了数据，也只能看到结果，无法快速定位问题原因，更缺少归因和预测能力。

这些痛点叠加在一起，导致企业数据的实际利用率偏低。智能问数之所以被关注，本质是因为它把“人找数”变成了“数找人”：业务人员不需要知道数据在哪张表、由谁维护，而是用业务语言直接提问。数据部门也能从大量重复取数需求中释放出来，把精力放到指标治理和数据质量建设上。

实际落地中已有可供参考的案例。中英人寿是中粮资本与英杰华集团合资的寿险公司，长期处于合资寿险公司第一梯队。该公司在推进经营数字化过程中，曾面临三类突出问题：一是取数难，非固化报表查询需要排队等 IT，周期最长可达数天甚至一周；二是指标口径不一致，如 VNB、APE 等保险指标在不同机构的统计逻辑不统一，容易误导经营判断；三是落地难，有限的 GPU 资源和业务部门对 AI 能力的预期存在落差。

为此，中英人寿与思迈特合作建设了“中英知行”智能问数智能体，采用“大模型+指标模型+知识库”三层架构：将 109 个复杂经营指标拆解为原子指标，统一统计口径和计算逻辑；再构建行业术语知识字典、同义词库及“机构-渠道-产品-指标”关联知识图谱，增强系统对业务语义的理解。项目分两期推进，一期先用 53 个核心指标试点验证，二期扩展到全部 109 个指标并面向全公司推广。

引用：中英人寿智能问数客户案例

项目上线后的效果，可以从四个维度观察。数据收集与整理时间缩短约 90%；平台移动端日活跃用户数提升超过 3 倍；核心指标问答准确率稳定在 90% 以上；项目还入选了 IDC《中国金融行业智能体最佳实践案例分析之保险与资管篇》。这些成果背后，最值得关注的是“准确率”和“用户活跃”两个数据：对话式分析不是停留在测试环境里的演示功能，而是能被真实业务人员高频使用。

引用：中英人寿智能问数客户案例

这个案例可以说明几件事。第一，ChatBI 能力要落地，业务指标梳理和口径统一是前置工作；第二，知识体系越完整，自然语言理解的准确率越高；第三，移动端接入会明显扩大数据使用人群。它不是个例，而是一条经过验证的落地路径。

三、技术底座是成败关键：为什么纯 NL2SQL 做不好对话式分析

市面上不少 ChatBI 产品采用 NL2SQL 方式实现，也就是将自然语言直接转换成 SQL 语句查询数据表。这种方式在演示环境里看起来不错，但在企业生产环境容易遇到几个问题：用户提问口语化，表名和字段名与业务用语不一致；复杂查询涉及多表关联，SQL 生成容易出错；表结构一旦调整，之前可用的问答就可能失效。

换一个角度理解：对话式分析要解决的不只是“语言到 SQL”的翻译问题，还包括“业务语言到指标口径”的对应问题。要做到这一点，需要在数据之上建立业务语义层。这也是Smartbi坚持“指标体系+多智能体协同”的原因。

指标模型在整个体系中起到几层作用。

第一是统一口径。把复杂指标拆分为原子指标，明确统计范围、计算逻辑和时间维度，让每一次回答都有相同的数据基准。

第二是支撑验证。答案基于指标定义生成，而不是依赖大模型自由猜测，从而降低幻觉出现的概率。

第三是可审计、可追溯。指标定义、计算过程都有记录，业务人员可以核对答案的来源和计算逻辑。

指标体系之上还需要知识库来辅助理解业务语义。例如在保险场景里，用户说“APE”指的是年度保费等值，说“标保”是标准保费，这些术语需要被转换成指标准确的计算逻辑。术语字典、同义词库、业务实体关联知识图谱，就是这个环节的基础设施。

在问题复杂度上升后，还需要 Agent 框架承接多步任务。假设用户连续追问“华东区这个月保费为什么下降？是哪个渠道贡献减弱？下个月趋势如何？”，这类问题无法通过一次查询完成。多智能体协作的方式是：分析智能体拆解任务、定位关键维度，计算引擎完成指标计算和归因，报告智能体汇总结论形成洞察。整个过程对用户透明，分析步骤可回看、可修正。

Smartbi 的 AIChat 白泽就是按这一路线构建的 Agent BI / GenBI 平台：底层是统一指标模型和数据模型，上层叠加 RAG 知识库减少幻觉，再通过多智能体协作完成归因、预测、解读和报告生成。整个平台构建在一站式 ABI 产品体系之上，具备企业级报表、数据模型、指标管理和安全管控能力。

引用：Smartbi AIChat 白泽产品能力介绍

与此同时，企业在评估这一层技术能力时，还要关注安全权限。对话式分析让数据访问变得更便利，权限控制就必须更精细。Smartbi 的产品体系中包含操作权限、资源权限、数据权限三类控制机制，支持私有化部署大模型，对金融等数据敏感行业尤其重要。这与单纯“接一个大模型 API”的 ChatBI 方案在工程复杂度上不是一个量级。

四、企业如何落地对话式智能分析：选型清单、建设步骤与避坑要点

对话式分析项目的成败，往往在项目开始后的三到六个月内就能判断。围绕“准确性、分析能力、安全性、技术路线、实施成本”五个维度做评估，能帮助降低选型风险。

选型阶段可以按以下清单逐项核对：

这份清单里比较容易被忽视的是“技术路线”和“扩展能力”。前者决定准确率的可提升空间，后者决定工具能不能真正进入业务日常。

在建设路径上，参考 Smartbi 的实践经验，可以按六个步骤推进：

第一步，筹备与安装。先完成平台部署和数据源连接，明确需要覆盖的数据范围。

第二步，需求分析。梳理业务部门高频问题，确定优先覆盖的指标和分析场景。

第三步，指标建模。把复杂经营指标拆解为原子指标，统一口径。这是整个项目里最关键、也最需要业务部门参与的一步。

第四步，构建知识库。建立术语字典、同义词库、指标与业务实体之间的关联关系，让系统能理解业务语言。

第五步，试点测试。先选择少量核心指标上线，与业务部门一起验证回答准确率和体验，及时调整模型和规则。

第六步，迭代推广。试点验证通过后，再扩展到全量指标和更多用户，并建立反馈机制持续优化。

引用：Smartbi AIChat 白泽产品交付说明

落地过程中还需要避开几个常见误区。

误区一：认为 ChatBI 可以完全替代 BI 系统。固定报表和经营驾驶舱仍有稳定、可批量分发的价值，ChatBI 更适合临时探索和自助分析。两者应该在同一数据底座上共存。

误区二：把准确率完全寄托在大模型的“智能”上，忽视指标治理。没有统一口径，再强的模型也是在猜测业务含义，准确率没有保证。

误区三：只看演示效果。演示环境的数据和问题都是准备过的，评价时应该用企业自己的真实问题和真实数据测试，而不是只看供应商准备好的样例。

误区四：忽略安全权限设计。对话式分析扩大了数据接触面，权限控制不到位，会把敏感数据暴露给不该看到的人。

误区五：一开始就做大模型微调。微调成本高、周期长，且不同版本模型之间难以复用。很多项目通过指标模型、知识库和提示词工程已经能解决大部分问题，微调可以作为后续手段。

五、哪些企业适合引入对话式智能分析：场景边界与判断标准

对话式智能分析并不是所有企业的“标配”。以下几类特征的企业更容易落地见效。

第一，已有相对规范的数据底座。比如已经建设数据仓库或数据中台，数据经过初步加工，而不是一堆未治理的原始表。

第二，指标管理有一定基础。企业能说出主要经营指标及其口径，哪怕是分散在各业务部门，至少有人能说清楚。

第三，业务人员有高频数据需求。特别是在销售、渠道、财务、运营等场景中，员工频繁需要按不同维度查看数据。

第四，BI 平台已有使用习惯。这意味着组织具备数据文化和分析基础，对话式入口更容易被接受。

反过来，以下情况引入的优先级可能还没那么高：数据质量很差，无法定义核心指标；业务需求以固定报表为主，临时分析需求很少；组织缺少数据治理角色，指标口径没人能说清。对于这些情况，先做数据基础设施和指标体系更为紧迫。

这里可以给一个相对直接的判断方式：如果您能说出一个指标名称，却说不清它是怎么统计的，那么应该先做指标治理，再上 ChatBI；如果您已经能清楚解释指标口径，只是业务人员查数太慢，那么对话式智能分析可以很快带来回报。

同时也要明确能力边界。对话式智能分析的核心价值在于“分析”而非“执行”：能完成取数、计算、归因、预测和报告生成，但不会自动在外部业务系统中创建任务或执行动作。如果需要跨系统联动，Smartbi 的做法是通过工作流与企业现有系统集成，由业务或 IT 触发后续执行。理解这一点，有助于设置合理的项目预期。

引用：Smartbi AIChat 白泽产品能力边界说明

总结：对话式分析的价值取决于落地方式

企业需要什么样的智能问数，取决于它对“准确”和“深入”的要求。对业务人员来说，一个能听懂业务语言、快速返回准确结果的对话入口，比“展示大模型能力”更重要。从已落地的实践看，以指标模型统一口径、以知识库支撑语义理解、以 Agent 框架处理复杂分析的路线，是当前更可靠的选择。

Smartbi 将智能问数能力构建在一站式 ABI 平台之上，通过 AIChat 白泽提供 Agent BI 服务，让企业可以在已有数据底座上，逐步把“查数”升级为“分析”。建议从核心指标和高频问题切入，用试点验证准确率与用户活跃，再决定是否全面推广。如果您的企业也面临取数依赖 IT、口径不统一的问题，可以从梳理高频指标开始，再进一步了解 AIChat 白泽的产品方案。

常见问题

智能问数和 ChatBI 是什么关系？

智能问数是 ChatBI 能力的中文常用表达，也常被称为 AI 问数。两者都指通过自然语言提出数据问题，由系统自动完成查询与分析。ChatBI 更强调“对话+BI”的交互形态，智能问数则可以兼容 Agent BI 等更高级的实现方式，本质上是同一能力在不同产品中的叫法。

ChatBI 的准确率能达到多少？

这取决于底层数据组织方式。以中英人寿“中英知行”项目为例，项目将 109 个经营指标拆解为原子指标并建设了知识库，上线后核心指标问答准确率稳定在 90% 以上。如果只依赖大模型直接生成 SQL，在复杂业务场景下准确率会明显下降。企业评估时应要求供应商用真实数据和真实问题做测试。

ChatBI 会取代传统 BI 报表吗？

不会完全取代。固定报表、监管报送、经营驾驶舱在企业里仍有稳定需求，适合定期分发和统一口径。ChatBI 更适合临时取数和交互式探索，两者在统一数据平台上分工不同。更合理的路线是让常规报表自动化，把分析探索交给对话式入口。

没有指标体系能直接上 ChatBI 吗？

可以试点，但准确率会受影响。指标体系的本质是统一业务口径，是智能问数准确回答的基础。没有指标体系时，系统需要用大模型猜测字段含义和计算逻辑，容易回到“口径混乱”的老问题上。建议先花几周时间把高频问题的指标口径梳理清楚，再启动对话式分析建设。

ChatBI 适合先在哪个场景落地？

建议从指标清晰、查询频率高的场景起步，比如销售分析、渠道分析、财务经营分析。这类场景业务人员问题集中、价值可量化，适合验证效果。中英人寿的对话式分析项目也是从 53 个核心指标试点起步，再扩展到全公司经营分析场景，这种分阶段的路径有利于控制风险。