十问十答解析ChatBI：企业选择与应用指南
如果说一个工具能让数据分析的门槛降下来，你会感兴趣吗？这就是ChatBI。前段时间，我们和观远数据产品负责人严林刚聊了聊，围绕ChatBI的核心优势、准确性、安全性，以及它到底会怎么改变商业智能的未来，整理了一份「十问十答」，希望能给大家提供点实用参考。
以下是访谈实录的精华部分。
ChatBI相较传统BI的应用优势是什么？
目前阶段，ChatBI的应用优势主要体现在三个层面：提升数据分析效率、降低数据消费的门槛、对个性化需求更灵活地响应。它比传统BI更能适应企业业务的多样性和变化。
传统BI的模式是这样的——IT或数据分析师先搭好指标、建好看板，业务人员想用数据，只能在这些预制好的“数据资产”里翻来翻去。到了敏捷BI时代，业务人员自己能用拖拉拽的方式做一些自助分析，这已经是一个进步。而ChatBI则更进一步——它不需要企业事先搭建一套完整的数据分析资产，大模型只需要学习已有的资产，就能对类似的问题给出解决方案。业务人员用自然语言对话，随问随答，不用再在好几个报表之间来回跳转，也不用自己手动在Excel里拼数据了。
当然，ChatBI的能力远不止于此。未来，让大模型学习企业的业务知识，它就能处理更模糊、更复杂的问题——自己拆解任务、编排步骤，通过任务自动化把整件事分析清楚。这已经不是空想，技术上已经看到了明显突破。估计未来一两年，在一些局部闭环的场景里就能落地了。这种能力，传统BI是想都不敢想的。
当下ChatBI的准确度如何？如何确保高准确度？
“准确度”这三个字，确实是企业在数据应用场景中最关心的问题。数据不准，怎么支持决策？但话说回来，很多时候我们自己对“准确度”的定义其实也是模糊的。
不妨从ChatBI回答一个数据问题的完整流程，来系统看看用户感知的“准确度”到底由什么决定。
目前普遍的实现步骤大致是：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。这里面，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。
3. 问题改写。
4. 查询生成。
- NL2DSL因为有明确可查的数据分析资产支撑，可信度更高，但问题泛化能力会受一些限制。
- NL2SQL泛化能力更强，能更好地适应复杂对话场景，但结果的可靠性可能面临挑战。
不过，无论走哪条路，都可以通过完善数据分析资产、迭代业务知识库（包括SQL样例），持续提升整体准确度。
说到底，用户感受到的“准确度”是一个复合问题——它牵涉到统计口径（包不包含拒绝回答的问题）、问题集的宽度和深度，以及用户自己对非标准问题回答是否正确的主观判断。企业在做ChatBI选型时，得根据自己的实际场景，合理评估对“准确度”的诉求。
举个例子，我们有一个做供应链的客户，底层数据表关联特别复杂，刚开始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手段，硬是把业务问题的整体解决率提升到了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”，不如多想想“企业该怎么正确落地ChatBI”，让ChatBI更好地服务业务用户。为什么不强调业务用户怎么用？因为如果ChatBI对用户的问数技巧和数据了解程度要求太高，那就跟它的初心背道而驰了，产品的可用性也就无从谈起。
那么企业到底该怎么正确落地ChatBI？关键是把技术和实际业务场景紧密结合，深入挖掘业务需求，找到真正的痛点。现阶段，如果把ChatBI定位成一个没有边界的通用问数工具，一方面技术成熟度还没得到充分验证，另一方面企业也看不到明确的价值产出。
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）的闭环场景价值上来。在一个确定的场景里，通过业务知识或自动化的BI数据采集，获得充分的上下文信息，大模型就能更准确地回答用户问题，甚至帮用户完成从洞察到行动的闭环。当然，ChatBI一开始可能没法给出完美的答案，这时候系统需要提供反馈机制，不断强化模型，让它能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的处理确实是个绕不开的问题。尤其是使用云端公共大模型服务，数据安全更是硬仗。当前主流的方案是，不会把所有数据都发给大模型，只暴露部分不敏感的维值数据和宽表的“元数据”。这种做法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。如果企业用的是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也能跟大模型做更多的业务数据交换。
未来，随着大模型云服务普及，数据安全合规相关的技术支撑会更完善，法律法规也会越来越健全。大模型厂商也会采取必要的技术和管理措施来保护用户数据不被滥用或泄露。到那个时候，相信会有越来越多的企业客户逐渐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提升，二是业务沟通方式的革新。在训练好的特定业务场景下，它能通过自然语言处理技术让业务人员不用复杂操作就能快速获得数据洞察，把数据分析的门槛和成本都降了下来。同时，智能化的对话界面也增强了企业内部的协作和沟通，工作效率上去了，还能推动企业深化数字化转型，让数据资源的利用价值最大化。
举个例子，我们和自然堂集团合作的ChatBI解决方案，靠的是即问即答、逻辑预设和图表生成三大核心能力，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，能快速理解并响应临时的指标和维度查询，实现即问即答，不用走传统的开发流程；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，帮业务用户快速搭建专属的分析体系。
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产品确实多，但衡量标准可以围绕四个关键词去看：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产品都还在价值验证的阶段。谁能率先在高价值的业务场景里做深做透，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、可视化能力这些基础BI功能，还有对接企业现有系统的能力。
再者，成本。ChatBI建设期间需要的冷启动成本，以及后续的持续维护成本，都是要重点关注的。
最后，安全。尤其处理敏感数据的时候，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，这个趋势很有可能会彻底改变数据分析的方式和应用边界。随着大模型技术越来越成熟，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还在探索阶段，商业化落地确实有挑战，但前景非常广阔。
未来，企业会更注重构建和更新自己的知识库，把AI的能力充分发挥出来。人嘛，就专注于目标设定、过程监督和反馈这些关键任务，实现人机协同的最大化效果。
就像OpenAI把AI分成五个阶段：L1聊天机器人，L2推理者，L3智能体，L4创新者，L5组织者。大模型和BI的融合大体也是这个路线。目前我们已经走在L1的务实落地和L2的路径探索上了。具体发展路径有两条：一是确保ChatBI在基础“问数”场景里能高可用、可批量复制；二是在高阶“问知”类场景里，把领域知识和工作流封装重组，实现对复杂任务的理解、拆解和动态编排。另外，从交互方式看，大模型和BI融合也未必非得是聊天机器人的形态。联想、推荐，甚至我们还没想到的更好的方式，都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面的。一方面，它不会取代数据分析师的核心价值，但确实把行业的入门门槛抬高了。基础的、重复性的统计分析工作会越来越多地被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，并把这种理解转化成数据分析策略。另一方面，ChatBI降低了数据分析师和业务之间的沟通成本，让他们能把更多精力放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了。
而且，ChatBI要在高阶业务场景里产出分析结果，本质上是靠数据分析师基于平台产品能力去配置、通过AI+BI高效生成的。不是完全“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、能支撑管理者战略决策的数据，还是需要数据分析师深度参与。
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？
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，看到的情况是，大多数企业能用BI工具主动做数据分析的员工比例连1%都不到（国外工具文化好一些，大概5%）。我们的目标是通过更低门槛、更好用的数据分析产品，把这个比例提到5%、10%，再撬动成倍的数据消费者，让他们能基于可信的数据分析结果来决策。能做到这一步，就达到目的了。
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。在业务场景里，简单的对话式交互，每个人都能直接向ChatBI提问，迅速拿到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，其实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。
所以，企业管理者还是应该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”的糖衣炮弹迷惑了，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上拿到数据分析结果，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”，和客户合作的实践案例也获得了“IDC PeerScape: 中国生成式BI场景化落地先驱案例”等多个奖项，客户和行业都给了不少肯定。
