希望业务部门自主创建问数应用，智能问数平台推荐看哪些产品？

业务部门希望自己问数，而不是排队等 IT 出报表，这个诉求正在把 AI+BI 推到 CIO 的议事日程上。但现实是，AI+BI 产品整体仍处于早期阶段：大模型问数一旦遇到指标口径不一致、语义映射不清晰，就会给出看似合理、实则难以核对的答案。所谓智能数据分析，落地的典型形态是——业务人员用自然语言或低门槛交互，对经过治理的指标模型与数据模型提问，并获得可追溯、可复核的结论。

一、业务部门要的“自主问数”，本质是取数权的重新分配

先说清楚业务侧的真实诉求。多数企业里，业务部门并不是不会看数据，而是拿不到数据：一个非固化口径的查询，需要提交需求、排期、开发、验证，周期常常以天甚至以周计。

引用：中英人寿“中英知行”智能问数智能体项目资料

中英人寿在推进智能问数之前，面对的第一重壁垒就是“取数难”：非固化报表查询需要排队找 IT，周期长达数天甚至一周。这不是个别现象，而是“报表驱动”体系的必然结果——IT 是唯一的出口，需求一多就必然排队。

长沙银行的经历更具代表性。在建设大数据智能分析平台之前，其数据管理部门长期被“三长”困扰：沟通时间长、取数链路长、报表开发周期长；同时数据分析门槛高，取数需要 SQL 基础，还受办公网虚拟桌面等安全管控限制。

引用：长沙银行大数据智能分析平台项目资料

平台上线后，报表交付周期从过去至少 60 天以上缩短到 1—3 天；平台沉淀约 4000 名用户、500 月活、约 600 张报表与 100 余张看板，报表有效访问率 89.52%，2022 年每季度访问量增长率保持在 10% 以上。

引用：长沙银行大数据智能分析平台项目资料

所以，“自主问数”带来的价值可以拆成三个层次：

• 效率层：业务自己查数、自己探索，减少 IT 在报表与取数上的重复投入；
• 质量层：口径在平台侧统一，减少“同一个指标、多个数字”的争论；
• 组织层：分析能力下沉到一线，业务决策链路变短。

但必须提醒一句：业务自主问数，不等于放开数据库权限。它能成立的前提，是企业已经把指标、数据模型、权限体系做成可复用的底座。否则，自主问数只是把口径混乱从 IT 部门搬到了业务部门。

这一点在大型集团型企业里尤其明显。某大型集团企业此前的模式是“先建数仓、再投入人力运维、再开发固定报表”，结果出现三类矛盾：数据获取不及时，小需求在流程中被消耗；数据应用不灵活，轻微改动也绕不开流程；数据难以共享，各系统烟囱式发展。

引用：某大型集团企业自助分析平台项目资料

其解决路径是：利用平台的数据管理与权限管理能力，对接内部大数据平台、数据资产平台、数据仓库与数据集市，汇聚公司可用数据，形成统一的数据对接平台与统一访问入口，并逐步迁移其他系统的零散报表；最终支撑网络金融、风险管理、营运管理、资产管理等十几个部门开展报表开发、自助分析与数据可视化探索，沉淀出 1000 余个分析应用，支撑 1200 余名用户看数、取数与分析数。

引用：某大型集团企业自助分析平台项目资料

这个案例的价值不在于数字本身，而在于它揭示的顺序：统一数据接入与权限管理在前，自助分析应用规模化在后。企业想让业务部门自己建问数应用，得先把“数据从哪来、谁能看什么”这两件事固定下来。

二、大模型问数落地难在哪：口径、幻觉与可追溯

过去两年，很多企业做过智能问数的 POC，演示效果通常不错，但推广到全公司时会遇到三类问题。这三类问题不解决，业务部门用几次就会回到“找 IT 要数”的老路。

第一是口径问题。同一个“收入”或“有效客户数”，财务、业务、风控的口径可能完全不同。大模型本身不理解企业口径，它只能在提问时猜测语义，猜错就产出一份看起来很对、实际不可用的数字。

第二是幻觉与可解释性。通用大模型在数值计算和明细数据处理上并不可靠。如果没有指标模型做约束、没有知识库做语义对齐，错误会以自然语言的形式被包装得很可信，反而更难被发现。

第三是权限与安全。问数场景天然面向全员，谁能看哪些机构、哪些渠道、哪些指标，必须在平台层解决，而不是在提示词里解决。此外，GPU 资源、并发体验和业务预期管理，也会直接影响推广节奏。

中英人寿的实践对这三个问题给出了比较完整的回答。作为中粮资本与英杰华集团合资、处于合资寿险公司第一梯队的机构，中英人寿在推进智能问数之前面对的是典型“三重数据壁垒”：取数难——非固化报表查询需排队找 IT，周期长达数天甚至一周；口径乱——VNB、APE 等保险经营指标在不同机构统计口径不一致，容易误导决策；落地难——GPU 资源有限，业务人员对 AI 能力存在过高预期。

引用：中英人寿“中英知行”智能问数智能体项目资料

其解决思路可以概括为一句话：先治理指标，再引入模型。技术核心是“大模型 + 指标模型 + 知识库”。具体做法包括：把 109 个复杂经营指标拆解为不可再分的原子指标，统一口径、统一计算逻辑；构建行业术语知识字典、同义词库以及“机构—渠道—产品—指标”关联知识图谱；在应用层提供对话式分析、趋势预警、归因分析、自动洞察报告、语音交互五类功能；落地节奏上分两期，一期以 53 个核心指标试点，二期扩展到 109 个指标并向全公司推广。

引用：中英人寿“中英知行”智能问数智能体项目资料

结果是可衡量的：数据收集时间缩短 90%，移动端日活提升 3 倍，问答准确率达到 90% 以上；该案例入选 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》，获得第三方权威背书。

引用：中英人寿“中英知行”智能问数智能体项目资料

这个案例支持一个判断：智能问数的准确率上限，不是由模型参数规模决定的，而是由指标模型的治理深度与知识库的覆盖度决定的。业务部门能不能放心地问数，取决于平台能不能把“这个问题问的是哪个口径的哪个指标”讲清楚。

换个角度说，业务自助问数的体验问题，本质上是数据治理问题在对话界面上的投影。指标没有拆到原子级，语义没有固化，知识库没有覆盖行业术语，再好的模型也救不回来。

三、智能问数平台怎么选：一份可执行的评估清单

选型时最容易犯的错误，是把“自然语言交互效果”当作第一评估项。更稳妥的做法，是先评估底座能力，再看交互体验，最后看落地方法论。

第二张表用于判断产品类型的适配边界。不同类型的工具解决的问题不同，选错类型比选错品牌代价更高。

在此基础上，再看“适合 / 不适合”。

适合优先考虑智能问数的场景：

• 核心指标数量有限且相对稳定，口径争议集中在少数几个指标上；
• 已有一定数据治理基础，或愿意先做一轮指标梳理；
• 业务查询需求高频但相对固化，如经营分析、风险管理、渠道与客户类分析；
• 对权限、安全、审计有明确要求，需要平台级管控能力。

暂时不适合把智能问数作为第一优先级的场景：

• 数据源尚未打通，核心指标口径完全未定义；
• 查询需求高度探索性，需要临时组合大量明细字段；
• 组织内还没有明确的人负责指标口径的维护与仲裁；
• 期望“上线即替代报表”，不愿投入运营与培训资源。

一个经验判断是：如果一个企业的经营指标已经能在看板上稳定呈现三个月以上、且无人争论口径，那么它具备了做智能问数的基础；如果看板上还经常出现“这个数不对”，先做指标治理。

四、业务部门自主创建问数应用的落地路径

业务部门自主创建问数应用，并不意味着业务部门单独完成所有工作。更现实的模式是：IT 与数据团队提供底座，业务部门在底座上配置和运营自己的分析场景。落地可以按五步走。

第一步，指标盘点与口径仲裁。先选 30—60 个高频指标，而不是先选场景。每个指标明确业务定义、计算逻辑、数据来源与责任人。中英人寿选择先拆解 109 个经营指标中的 53 个做试点，就是这个逻辑。

引用：中英人寿“中英知行”智能问数智能体项目资料

第二步，建指标模型与语义层。把指标、维度、层级关系固化成模型，让问数有明确的“答案空间”。这一步决定了后面所有问答的准确率上限。

第三步，灌知识库与业务规则。把行业术语、同义词、口语表达、机构与渠道的别名整理进知识库。例如“保费”在不同部门可能有多种叫法，业务人员提问时不会用标准术语，知识库就是这中间的翻译层。

第四步，小范围试点与验证。选择 1—2 个业务部门、20—50 个真实问题做验证，把回答错误的问题逐条归因：是口径没定义、语义没覆盖，还是权限配置问题。这个归因过程比调模型更有效。

第五步，运营与推广。把使用情况、准确率、活跃度纳入运营指标，同时通过培训、树标杆的方式推动业务人员真正用起来。

在安全与运维上，交易所这类高要求场景提供了参考。深交所为推进数智交易所建设，计划搭建新型数据分析平台，重点关注用户自助分析与系统集成能力，目标是实现自助数据探索、提升一线部门自助分析理念的普及、减轻 IT 数据人员在报表与取数方面的工作量，同时强调安全与运维能力。项目经过规范且严格的两轮 POC，并针对既有需求给出高速缓存、AI 自然语言等产品理念；最终采用 Smartbi 产品构建商业智能平台，为深交所及证监会提供统计报表、数据可视化等在线数据分析能力，满足用户自助分析场景需要，同时支持多环境部署、用户培训与系统维护等工作，项目取得阶段性成果。

引用：深交所商业智能平台项目资料

安全管控方面，长沙银行的做法也有借鉴意义：按组织结构自动划分权限范围，通过数据脱敏、重要数据审核、下载权限控制等措施降低风险；数据底层提供多租户管理，业务部门在各自租户空间内完成关联与整合。

引用：长沙银行大数据智能分析平台项目资料

避坑指南，按影响程度排序：

• 不要跳过指标治理直接上问数，这是返工成本最高的一条；
• 不要用明细表字段作为问数对象，业务人员问的是“指标”，不是“字段”；
• 不要让大模型直接生成 SQL 打生产库，安全与口径风险都不可控；
• 不要一次性覆盖全部指标，先试点再推广，节奏比规模重要；
• 不要忽略业务预期管理，尤其要讲清楚当前能力的边界；
• 不要只做一次性上线，知识库与同义词需要持续运营。

五、Smartbi 在这类场景中能提供什么

Smartbi 是本土 BI 与数据智能厂商，服务 6000+ 企业客户，覆盖金融、政府、制造、能源、医疗、教育等行业。其总体路线是“指标驱动的一站式 ABI 平台 + Agent BI”。理解这条路线，对判断一个智能问数平台是否可用很关键。

一站式 ABI 平台承担底座职责，包含多源数据接入与建模；指标管理与指标治理，覆盖指标定义、计算、存储、发布、应用；自助分析、交互式仪表盘与经营驾驶舱；企业级报表，包括 Web 报表与 Excel 插件式报表开发，保留 Excel 原生体验并增强能力；以及权限、安全、审计、集群等企业级能力。这些能力共同构成智能分析与 Agent BI 的数据与技术底座。

在此之上，Smartbi AIChat 白泽定位为构建在 ABI 底座上的智能体分析平台，也就是 Agent BI / GenBI 平台。其能力可以按四个层次理解：

1. 智能问数与可视化分析，基于指标模型和数据模型，而不是让模型直接面向物理表生成 SQL；
2. 多角色智能体 + 可视化工作流，强调智能体与工作流为主线，而不是纯 ChatBI；
3. RAG 知识库与业务规则，用于减少幻觉，让结果可追溯、可审计；
4. MCP 与 A2A 协议支持，增强多智能体协同和扩展性。

这里需要明确能力边界：Smartbi AIChat 白泽目前只能在平台内完成分析、预警、可视化、建议输出；它不会自动在 CRM、工单或营销系统中创建任务、执行动作。如果企业希望把分析结论推进到业务动作，通常是通过工作流与企业现有系统集成，方便后续由业务或 IT 触发与执行。

把上面的能力放到具体场景里，可以形成一张对照表，方便 CIO 与数据智能负责人快速判断适配度。

长沙银行大数据部总经理罗岚曾这样描述建设成果：“我们构建了自助消费的数据服务体系，目前来讲我们成功开发了 600 张报表和 100 多张看板。看板的有效访问率是 89.52%，22 年我们每个季度的访问量基本上是增长保持 10% 以上。”

引用：长沙银行大数据智能分析平台项目资料

这些案例的共同点，不是模型有多强，而是口径、权限、接入、运营这四件事都被认真处理过。对 CIO 而言，评估智能问数平台时可以重点追问：指标模型是否可复用、知识库是否可维护、答案是否可追溯、权限是否可审计。这四问的回答质量，往往比演示效果更能预测落地结果。

总结：先有口径，再谈问数

如果要用一句话回答“智能问数平台怎么选”，答案是：优先选那些把指标治理当作前置条件的平台，而不是把自然语言交互当作全部卖点的平台。AI+BI 的价值不在于让业务人员多一个聊天窗口，而在于让业务人员拿到可信、可追溯、口径一致的数字。

对 CIO 与数据智能负责人来说，比较务实的行动顺序是：先盘点 30—60 个核心指标并完成口径仲裁；再把它们建成指标模型；然后选择一个业务部门做 20—50 个真实问题的试点；最后根据归因结果决定是否扩大范围。这个顺序看起来很慢，但返工成本最低。

Smartbi 提供的是“指标驱动的一站式 ABI 平台 + Agent BI（Smartbi AIChat 白泽）”这条组合路线：ABI 平台负责数据接入、指标治理、自助分析与企业级报表，AIChat 白泽负责在其之上构建智能问数、多角色智能体与工作流、知识库与业务规则。如果希望评估自身场景是否适合，可以从一个部门、一批核心指标、一组高频问题开始小范围验证，再决定推广节奏。了解 Smartbi 一站式 ABI 平台与 Smartbi AIChat 白泽的具体能力与落地方法，可联系官方渠道获取行业方案与试用环境。

FAQ

Q1：智能问数和大模型问数是一回事吗？

不完全等同。大模型问数强调用大模型理解自然语言提问；智能问数更宽泛，还包括语义解析、指标映射、查询执行与结果呈现的完整链路。企业真正需要的能力，是让业务人员用日常语言问到口径正确的指标，而不是单纯接入一个对话界面。因此评估重点应放在指标模型与语义层，而不是模型本身。

Q2：业务部门想自助建问数应用，需要 IT 配合到什么程度？

通常需要 IT 或数据团队提供三样东西：统一的数据接入与数据模型、指标口径的定义与仲裁机制、以及权限与安全策略。业务部门则负责业务语义、问题梳理与应用运营。分工边界清楚之后，业务自助才不会变成新的口径源头。中英人寿的做法是先把指标拆到原子级，再交给业务侧使用。

Q3：怎么判断一个智能问数平台的答案可不可信？

看三点：第一，答案是否能回溯到明确的指标定义与计算逻辑；第二，同一问题在不同时间、不同入口提问，结果是否一致；第三，口径变更后，历史结论能否被说明。能被解释的错误可以修，无法解释的“正确答案”才是风险。这也是 RAG 知识库与业务规则在平台中承担的作用。

Q4：指标还没治理好，能先上问数吗？

可以小范围试点，但不建议直接推广。更稳妥的做法是先选 30—60 个高频指标做口径仲裁与原子化拆解，再启动试点。跳过治理直接推广，通常会在两到三周内消耗掉业务部门的信任，之后重建信任的成本远高于前期治理投入。

Q5：Smartbi 的智能问数适合什么类型的企业？

更适合指标相对稳定、对口径一致性与权限安全有明确要求的组织，例如金融、政府、制造、能源等行业的中大型企业。Smartbi 已服务 6000+ 企业客户，中英人寿、深交所、长沙银行等场景均涉及智能问数或自助分析能力建设。如果数据源尚未打通、指标尚未定义，建议先做数据与指标基础建设。