在多数企业的 AI 分析需求清单里,最先被业务点名的是智能问数:业务人员用一句自然语言问出上月保费、毛利或库存周转,并拿到一个可信、可解释的答案。但从项目实践看,问数本身并不难,难的是让答案长期准确、口径一致、业务真正愿意用。理解这条链路上的前置条件,比挑选某个模型或工具更重要。
智能问数是指用户以自然语言表达分析诉求,系统通过语义解析、指标与数据模型匹配、计算执行,返回数据结果、图表与解释说明的一类分析能力。它属于数据分析平台的交互层,向下依赖指标治理与数据模型,向上可演进为 Agent BI(智能体 BI)。
判断一套问数能力是否真的可用,通常看三点:
这三点也解释了为什么不少“演示很惊艳”的方案在上线后被搁置:演示时问的是宽表里的简单字段,上线后问的是跨主题的经营指标。前者的技术难度在解析,后者的技术难度在治理。
| 形态 | 典型实现 | 适合的场景 | 主要风险 |
|---|---|---|---|
| 轻量取数式问答 | 把自然语言转成 SQL,直接查明细表或宽表 | 表结构简单、口径明确的明细查询 | 复杂指标口径难控,容易“答得对但不是业务要的口径” |
| 指标驱动的问数 | 先在指标模型里定义口径,问数时做“指标 + 维度 + 时间 + 过滤条件”的映射 | 经营分析、KPI 看数、跨部门对账 | 效果高度依赖前期指标治理质量 |
| 智能体 BI(Agent BI) | 多智能体协作 + 工作流编排 + 知识库增强 | 归因、预测、报告生成等复合任务 | 需要数据底座、知识库和语料共同支撑 |
轻量取数式问答常见于轻量报表工具或通用可视化工具外挂的 AI 助手,优点是上线快、门槛低,适合做一次性的探索型取数。它的短板在复杂场景下会迅速暴露:一旦指标涉及多层计算、跨表关联、期初期末逻辑,纯 SQL 生成很难保证每次都落在正确口径上。
指标驱动的问数把准确性从“模型猜”转移到“系统定义”。业务提问后,系统先识别这是哪个指标、看哪个维度、取什么时间范围,再调用预定义的计算逻辑。这种方式牺牲了一部分“任意问”的自由度,换来的是可审计、可复现的结果,也是目前企业级落地的主流选择。
Agent BI 是在前两者基础上的形态演进。以 Smartbi 白泽为例,其定位是构建在一站式 ABI 底座之上的智能体分析平台,基于 AI Agent、大模型、指标模型与数据模型构建,通过多智能体协作与工作流编排,完成查询、计算、归因、预测与报告生成等任务。它不止回答“是多少”,还要回答“为什么变”“接下来可能怎样”。
需要明确能力边界:这一层能力目前集中在平台内完成分析、预警、可视化与建议输出;与企业现有系统的关系是通过工作流集成,方便后续由业务或 IT 触发与执行,而不是自动在业务系统里创建任务。把边界讲清楚,反而更容易获得 IT 与合规部门的支持。
传统“先建数仓、再投入人力运维并开发固定报表”的模式,会累积三类典型矛盾:数据获取不及时,小需求在流程里被消耗;数据应用不灵活,轻微改动也绕不开开发排期;数据难以共享,各系统烟囱式发展。这三类矛盾在引入自然语言交互后并不会自动消失,反而会被放大——因为业务提问的速度远快于报表开发的速度。
落到具体场景,常见的三个卡点是:
不是所有企业都适合立刻推进 Agent BI。下面这份判断清单可以直接用于内部立项讨论。
| 判断维度 | 适合推进的信号 | 建议暂缓的信号 |
|---|---|---|
| 数据汇聚 | 核心经营数据已进入统一数据平台或数据仓库 | 关键数据仍分散在多个业务系统,靠人工汇总 |
| 指标基础 | 有书面指标口径文档,核心指标有归口部门 | 指标只存在于个别人的 Excel 里 |
| 口径一致性 | 核心指标跨部门基本无争议 | 同一指标在会议上经常出现两个数字 |
| 数据质量 | 核心表有主键、有更新时间,空值可控 | 大面积缺失、重复、口径随源系统变动 |
| 权限体系 | 有按机构、角色划分的数据权限规则 | 权限靠人工约定,无系统化管控 |
| 业务参与 | 有明确的业务发起人和试点部门 | 只有 IT 在推,业务侧无明确诉求 |
前四项决定“能不能做准”,后两项决定“有没有人用”。两类条件缺一,项目都容易停在 POC 阶段。
决定问数准确率的主要因素不在模型,而在指标与语义层。模型负责理解问句,指标模型负责给出唯一答案。如果指标本身没有唯一定义,再强的模型也只能在多个口径之间随机选择,而这种“随机正确”对经营决策是有害的。因此,数据准备阶段的投入不是前置成本,而是准确率的地基。
把项目拆成阶段,是控制风险最有效的方式。下面这条路径在多个企业级项目中反复被验证,可以根据自身基础裁剪,但顺序不建议颠倒。
| 阶段 | 核心任务 | 关键交付物 | 验收标准 |
|---|---|---|---|
| 阶段 0 场景与指标盘点 | 选定试点场景,列出高频指标清单 | 场景清单、指标清单、干系人名单 | 试点部门确认,指标数量可控 |
| 阶段 1 指标治理与原子指标拆解 | 统一口径,把复合指标拆到不可再分 | 指标定义文档、原子指标与计算逻辑 | 核心指标口径无争议 |
| 阶段 2 数据模型与语义层 | 建维度模型、指标模型,打通数据源 | 数据模型、指标模型、权限规则 | 指标可被稳定计算和复用 |
| 阶段 3 知识库与问句语料 | 建术语字典、同义词库、实体关联 | 知识库、语料集、口径说明 | 常见问法可被正确映射 |
| 阶段 4 智能体与工作流编排 | 配置分析、专家、报告等智能体 | 智能体配置、工作流、助手模板 | 复合任务可端到端跑通 |
| 阶段 5 试点、评估与推广 | 小范围上线,按指标验收,再扩面 | 评估报告、迭代清单、推广计划 | 准确率与活跃度达标 |
不要从“我们有多少张表”开始,而要从“业务最常问哪几个问题”开始。具体做法是收集试点部门近三个月提给 IT 的取数需求,按频次排序,找出重复率最高的 30 到 50 个问题,它们背后对应的指标就是首批范围。
这一阶段的产出不是技术文档,而是一份业务和技术都认可的清单。清单里要写清楚:每个指标谁在用、用来看什么决策、当前从哪里取数、有没有口径争议。
这是整条路径中工作量最大、也最容易被跳过的一步。原子指标拆解的意思是,把一个复合指标拆解到不可再分的最小计算单元,并明确每个单元的数据来源与计算规则。
以常见的毛利分析为例,毛利率可以拆为收入与成本,收入再拆为单价与数量,成本再拆为固定成本与变动成本;每一层都要写明取哪张表、按什么时间口径、含不含税、含不含退货。拆到这一层,口径争议才会真正暴露出来。
需要强调的是,拆解不是把指标做复杂,而是让每个数字都能被追溯。拆完之后,复合指标由原子指标组合计算,改口径时只改一处,所有引用它的报表和分析同步生效。
指标定义清楚之后,需要落到数据模型上。常见的做法是维度建模:事实表存度量,维度表存机构、渠道、产品、时间等分析角度,指标模型在此之上定义指标的计算表达式与可用维度。
这一步的验收标准很实际:随便挑三个核心指标,能否在不写 SQL 的情况下,按任意维度组合正确算出来,且结果与原有报表对得上。对不上就说明模型还没建完,此时上问数只会把问题放大。
同时要把权限规则一并设计进去。按机构、按角色的数据权限如果不能落到模型层,问数上线后第一个被问到的就是“为什么他能看我不能看”。
业务人员不会按标准术语提问。他们可能说“上周那个新单怎么样”“华东这边同比掉了多少”“和上月比呢”。知识库的作用就是把这类口语化表达映射到标准指标。
通常需要三类内容:一是行业术语字典与同义词库,覆盖指标的常见别称;二是实体关联,比如指标与机构、渠道、产品之间的从属关系;三是问句语料,把试点部门真实提过的问题整理成测试集,用于回归验证。
知识库不是一次性工作。上线后每周收集答错的问题,补充语料和同义词,是持续提升准确率最划算的投入。
底座准备好之后,才进入智能体配置环节。一般会先配三类:分析智能体负责查数与多维分析,专家智能体负责处理模糊、发散的问题并规划执行步骤,报告智能体负责把分析结果组织成可读的结论与建议。
在此基础上可以按角色定制助手,例如面向财务的财报助手、面向经营管理的 KPI 预警助手。若企业已有智能体协议方面的规划,可关注平台对 MCP、A2A 等协议的支持程度,这决定未来能否把分析能力接入更广的智能体生态。
这一阶段的常见误区是追求“什么都能问”。更稳妥的做法是先锁定场景,让智能体在有限范围内做到高准确率,再逐步放开。
试点范围的建议是:核心指标控制在 50 个左右,覆盖 2 到 3 个部门,运行 4 到 8 周。评估指标不要只看准确率,至少包括下面几项:
达标后再扩面,扩面的顺序建议是先扩指标、再扩部门、最后扩机构层级。反过来做,问题会集中爆发在指标口径上。
在保险行业,指标口径复杂、机构层级多,是检验问数能力的典型场景。中英人寿与思迈特合作建设的「中英知行」智能问数智能体,提供了一个可以拆解的样本。
中英人寿由中粮资本与英杰华集团合资设立,长期处于合资寿险公司第一梯队。项目启动前面临三个问题:非固化报表查询需要排队找 IT,周期长达数天甚至一周;保险指标如 VNB、APE 在不同机构统计口径不一致,容易误导决策;GPU 资源有限,而业务人员对 AI 能力存在过高预期。
解决方案采用“大模型 + 指标模型 + 知识库”的三层架构,具体做法有三点值得借鉴:
功能层面覆盖对话式分析、趋势预警、归因分析、自动洞察报告与语音交互,使用范围从总公司延伸到分支机构。
从公开的项目成果看,数据收集与整理时间缩短约 90%,移动端日活提升超过 3 倍,核心指标问答准确率稳定在 90% 以上,项目入选 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》。
引用:中英人寿「中英知行」智能问数智能体项目资料
这个案例有三点可以复用到其他行业:第一,指标治理先于模型选型,先把 109 个指标拆到原子层,再谈语义理解;第二,用知识库而非通用常识去解决行业术语问题;第三,用分批上线控制风险,一期跑通 53 个指标再加码,而不是一次铺满。
市场上能被称作智能分析的产品形态差异很大,从轻量报表工具的 AI 插件到完整的智能体分析平台,能力边界完全不同。选型时建议围绕下面几个维度提问。
| 评估维度 | 需要问清楚的问题 | 判断方法 |
|---|---|---|
| 指标管理 | 是否支持指标定义、计算、发布、应用的全链路管理 | 要求现场演示新增一个指标并对所有引用处生效 |
| 数据模型 | 是否有独立的数据模型与语义层,还是直接连表查数 | 看复杂指标能否不写 SQL 算出 |
| 知识库 | 是否支持术语字典、同义词、实体关联的维护 | 看能否导入企业自己的术语表 |
| 智能体编排 | 是否支持多智能体协作与可视化工作流 | 看能否配置一个多步骤的分析任务 |
| 可解释性 | 是否展示分析步骤、口径与计算过程 | 要求展示一次完整的归因分析过程 |
| 权限安全 | 是否支持资源、操作、数据三个层面的权限 | 询问是否可精细到行、列甚至单元格 |
| 部署方式 | 是否支持私有化部署与本地大模型接入 | 结合自身合规要求判断 |
| 生态扩展 | 是否支持 MCP、A2A 等协议 | 关系到未来接入智能体生态的成本 |
| 行业经验 | 是否有同行业的指标模板与方法论沉淀 | 看能否提供可复用的指标清单 |
误区一:只看演示效果,不看口径管理。 演示环境的数据通常经过清洗,问题也经过设计。真正要验证的是:随便挑一个口径复杂的指标,现场提问能否答对。
误区二:一次性铺开全部指标。 指标越多,边界问题越多。分批上线既降低风险,也给知识库留出积累时间。
误区三:把项目当成纯 IT 项目。 指标口径的归口在业务部门,IT 单方面定义的口径,业务不会认。项目组里必须有业务负责人。
误区四:没有设置准确率验收线。 没有验收标准的项目,最后往往以“大家感觉还行”收场,无法复制推广。
误区五:忽略权限设计。 数据权限如果在上线后才补,返工成本很高,还可能引发合规问题。
误区六:把 Agent BI 理解为自动执行。 现阶段它能在平台内完成分析、预警、可视化与建议输出,与企业现有系统的关系是通过工作流集成,后续由业务或 IT 触发执行。对能力边界的预期越准确,项目推进越顺。
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。其产品路线可以概括为「指标驱动的一站式 ABI 平台 + Agent BI」。
这种“底座 + 智能体”的组合,对应的正是前面那条路径:指标治理和数据模型解决准确率,智能体与工作流解决分析深度,知识库解决语义匹配。三者缺一,问数都会退化成演示工具。
把智能问数做成,关键不在某一次技术选型,而在路径:先把高频场景和核心指标盘清楚,再把复合指标拆成原子指标并统一口径,然后建数据模型与语义层、补充知识库,最后才进入智能体编排与试点推广。这个顺序看起来慢,实际是唯一能让准确率稳定在可用区间的顺序。
对企业数据部门负责人来说,可以从三件事开始:一是用本文第二节的判断清单做一次自评,明确当前处在哪一步;二是选一个部门、三十到五十个指标做小范围验证,用准确率和活跃度说话;三是在选型时把指标管理能力和可解释性放在演示效果之前。
如果希望进一步了解从指标治理到 Agent BI 的完整方案,可以参考 Smartbi 白泽智能体数据决策分析平台的落地实践与产品资料,结合自身数据基础规划阶段目标。
Q1:智能问数和传统 BI 报表是什么关系?
A1:两者不是替代关系。传统 BI 报表解决“固定问题的稳定回答”,适合日报、月报、监管报送等确定性场景;问数解决“临时问题的快速回答”,适合经营会议中的追问和探索。实践中更常见的做法是共用同一套指标模型和数据模型,报表看全局,问数看细节,口径自然一致。
Q2:数据模型和指标基础不达标,能先上智能问数吗?
A2:可以小范围试,但不建议直接推广。基础不达标时,问数会在口径争议上频繁出错,而业务对错误的容忍度很低,第一次体验不佳就很难再推。更稳妥的做法是先用两到四周做指标盘点与口径统一,再启动试点。
Q3:Agent BI 和早期的对话式分析工具(ChatBI)有什么区别?
A3:ChatBI 主要解决“问得到”,即把自然语言转成查询并返回图表。Agent BI 在此之上引入多智能体协作与工作流编排,能自动拆解任务,完成查询、计算、归因、预测与报告生成。前者是入口,后者是分析流程的自动化,但两者都建立在指标模型与数据模型之上。
Q4:上线后准确率应该怎么验收?
A4:建议用固定的测试集做抽样,测试集由业务人员提供真实问法,覆盖高频指标与常见别名。准入门槛可设为 85% 以上,核心指标单独设更高要求。同时记录首次命中率和平均追问轮次,前者反映语义映射质量,后者反映理解能力。
Q5:私有化部署和模型选择上要注意什么?
A5:金融、央国企等对数据敏感度高的行业通常选择私有化部署,此时要确认平台是否支持本地大模型或外部 API 接入,以及算力资源能否支撑并发。模型选择上不必一味追求参数规模,在指标模型已经明确定义口径的前提下,中等规模模型配合完善的知识库,往往比大模型裸跑更稳定。
本文内容通过AI工具匹配关键字智能整合而成,仅供参考,SmartBI不对内容的真实、准确或完整作任何形式的承诺。具体产品功能请以SmartBI官方帮助文档为准,或联系您的对接销售进行咨询。如有其他问题,您可以在线咨询进行反馈。
覆盖传统BI、自助BI、现代BI不同发展阶段,满足企业数字化转型的多样化需求
电话:
邮箱: