智能问数系统落地路径:从数据准备到Agent BI上线

零门槛、免安装!海量模板方案,点击即可,在线试用!

首页 > 知识库 > 智能问数系统落地路径:从数据准备到Agent BI上线

智能问数系统落地路径:从数据准备到Agent BI上线

2026-11-17 12:01:06   |  SmartBI知识库 12

    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。

    一、智能问数的准确定义:它解决的不是“查数”问题

    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:

    • 答得准:同一个指标,无论谁问、从哪个入口问,结果一致。这取决于口径在系统里是否有唯一定义,而不取决于大模型参数规模。
    • 答得稳:同一业务含义的不同说法能被稳定映射到同一个指标。例如“新单保费”“APE”“首年保费”在保险行业常被混用,系统需要能判断它们指向什么。
    • 答得明白:能展示用了哪个指标、哪个时间范围、哪些过滤条件,必要时给出计算过程,让业务人员可以复核。

    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。

    三类实现形态的差异

    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。

    二、为什么现在要建:三类现实矛盾与一个前置判断

    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:

    1. 取数难。非固化报表查询需要排队找 IT,周期从几天到一周不等,业务决策等不起。
    2. 口径乱。同一指标在不同机构、不同部门的统计口径不一致,问出来的数字彼此打架,比没有数据更危险。
    3. 落地难。算力资源有限,业务侧对 AI 的预期又往往过高,第一次试用没达到预期,项目就失去内部支持。

    先做一个前置判断:你的企业适合现在上吗

    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。

    一个容易被低估的结论

    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。

    三、落地路径:从数据准备到 Agent BI 上线的六个阶段

    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

    阶段 0:场景与指标盘点

    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。

    阶段 1:指标治理与原子指标拆解

    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。

    阶段 2:数据模型与语义层建设

    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”。

    阶段 3:知识库与问句语料建设

    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。

    阶段 4:智能体与工作流编排

    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。

    阶段 5:试点、评估与推广

    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:

    • 问答准确率:抽样测试集上的正确率,建议设置不低于 85% 的准入门槛;
    • 首次命中率:第一次提问即得到正确结果的比例,反映语义映射质量;
    • 平均追问轮次:轮次越少说明理解越准;
    • 活跃用户数:按周统计的真实使用人数,比注册数更有意义;
    • IT 取数需求变化:试点部门向 IT 提的临时取数需求是否下降。

    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。

    四、一个可参考的实践:保险行业的指标拆解路径

    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:

    1. 把 109 个复杂经营指标拆解为原子指标,统一口径与计算逻辑,让不同机构、不同场景下的分析结果可以对齐。
    2. 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,提升自然语言解析时的语义匹配能力。
    3. 分阶段落地:一期聚焦 53 个核心指标试点,二期扩展到 109 个指标在全公司推广,并建立“用户反馈到迭代升级”的闭环。

    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。

    五、选型清单与常见误区

    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

    六个常见误区

    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 在这条路径上的位置

    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」。

    • 一站式 ABI 平台:负责多源数据接入与建模、指标管理与指标治理、自助分析与仪表盘、企业级报表,以及权限、安全、审计等企业级能力,是智能分析的数据底座。
    • Smartbi AIChat 白泽:构建在 ABI 底座上的智能体分析平台,能力包括基于指标模型与数据模型的智能问数与可视化分析、多角色智能体与可视化工作流、基于知识库与业务规则的增强、对 MCP 与 A2A 协议的支持。

    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。

    总结

    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。

    常见问题

    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。

企业AI数据应用资料包

扫码添加「小麦」领取 >>>

企业AI数据应用资料包

扫码添加「小麦」领取 >>>

新一代商业智能BI工具

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

Copyright© 广州思迈特软件有限公司  粤ICP备11104361号-7 网站地图

电话咨询

售前咨询
400-878-3819 转1

售后咨询
400-878-3819 转2
服务时间:工作日9:00-18:00

微信咨询

添加企业微信 1V1专属服务