在数字化时代，如何更高效地挖掘数据是诸多企业关注的问题。ChatBI让数据分析摆脱复杂操作，以对话形式轻松实现。而DeepSeek的出现是否能进一步提升ChatBI的准确率、响应速度与结构化输出，使其成为会思考的智能分析师。两者的融合又是否会成为行业变革新引擎，这仍需要探索和实践。

本文将结合思迈特软件的实践，探讨ChatBI对话式分析如何保障高准确率，为企业数字化转型寻找突破口。

01

ChatBI应用场景及价值

ChatBI一词去年开始出现，此前该领域统称商业智能，即BI，其已有二十多年发展历史。在传统BI领域，主要通过报表交付或大屏交互，供业务人员、分析师进行分析与决策。这类场景多服务于中高层管理人员，辅助其依据各类经营指标进行决策。传统开发一张大屏或报表，通常需数月时间，在某些金融领域周期更长。随着AIGC领域的发展，各类应用均向AI靠拢，许多产品面临重塑，由此进入智能化3.0的BI时代。

智能化3.0时代以大模型为主导，区别于以往以IT或业务为主导的2.0时代。通过大模型自动生成分析见解与报告。对于多数金融客户，数据获取是一大难题。在AIChat场景下，借助大模型交互，可快速获取所需数据，摆脱对IT的依赖，这对传统方式产生了颠覆性影响。此外面对复杂问题，传统方式往往是业务人员借助Excel反复加工，有时甚至需要专业的数据分析人员使用Python进行处理，多次加工后才能得到真正的数据分析结果。如今随着大模型出现，可直接利用大模型自动进行数据加工，从而很好地解决各类复杂问题。

自智能化3.0时代到来，业务人员和管理人员可通过零门槛的方式自由获取数据，甚至对所有复杂场景进行深入分析。这对传统方式形成了颠覆，数据响应时间达到秒级或分钟级，所有人都能快速获取数据。当前智能BI领域能带来一下具体价值：

• 首先是单指标查询，通过对话方式能获取任何想要的单指标数据。传统方式下开发了大量报表，在经营领域，客户报表数量常常多达上千张。对业务人员而言，找到特定报表获取所需数据难度极大，且找到的数据也未必符合需求。因此，我们提出AIChat的第一个功能——智能问数，以此实现指标查询。在指标查询中，还会运用大模型的泛化性思维。例如问句为“查询去年每个月的销量情况”，这是一个泛化类指标并非明确指标，因为与销量相关的指标众多。大模型会结合用户历史查询记录或其泛化性思维，给出相关指标供用户参考，用户也可通过多轮交互获取所需数据。

• 第二是多指标查询，包含同比及排序等方式。业务人员拿到数据后需进行分析，常用分析方案有同比、环比等。在传统方式中，这些通常由IT人员提前加工处理，例如在金融领域中，月均、日均这类指标都由IT人员提前计算。但这种提前计算会消耗大量IT人力。如今通过大模型，可采用任意指标加工方式自动进行加工，不再依赖IT人员计算，简化了IT处理数据的过程。

• 第三是嵌套查询多轮对话。在数据分析领域，很多情况并非简单查数。例如，用户询问“23年销量前三的车型以及其销量”，这是典型的多轮和嵌套方式。结合大模型思路，它会自动拆分用户问句，编写嵌套SQL语句来生成所需数据，这属于较为复杂的查询方式。

• 第四，业务人员获取数据后通常以图形方式呈现。传统方式是先提取数据，再导入BI工具，在BI工具中查找设置项来设计精美的图形。业务人员需熟知众多BI属性设置项，例如图例、字体大小等数百个BI设置项。如今，借助大模型，可通过对话生成并修改图形。例如客户提出“生成一个销量分析的驾驶舱”，大模型会基于此段对话自动拆解。它会从时间维度、产品维度、区域维度等各种维度进行自动分析，分析完成后结合驾驶舱生成一段解析内容，助力用户理解数据。

ChatBI的应用场景：

场景一、智能问数

与传统方式相比，智能问数有显著改善，传统方式存在诸多问题：

1. 查找特定指标时，需找到对应的报表，这一过程往往令人困扰；

2. 获取的数据可能需要二次加工，需先导出数据，再借助Excel进行处理。若对数据需求紧急，加工过程会显得繁琐；面对复杂需求，加工处理时间会更长。

而智能问数可通过统一管理口径避免歧义，其产品自带大模型，具备上下文理解能力。借助大模型，用户能通过对话自动、及时地获取所需数据。同时，产品内置DSL方案，如同比和环比等，由提前预置好的算法直接无缝调用，确保不出错。产品还内置Python二次计算功能。在产品应用中，常使用SQL提取简单数据，对于复杂关联场景，则运用Python进行二次加工。Python在数据分析方面具有强大优势，从而使产品功能更为强大。这是智能问数中最常用的四个场景，包括指标查询、同环比计算、子查询、图形生成以及驾驶舱相关内容。

场景二、归因分析

目前市面上同类的ChatBI产品大多具备归因分析功能，该功能通常适用于以下场景：业务分析员常面临领导的关键提问，例如“上个月业绩为何下降？”“某产品销量为何不达标？” 接到此类指令后，业务分析员需查找对应数据，探寻导致效率下降的原因。传统方式是，业务分析员要制作各类维度的报表，如基于月度、不同销售区域、产品类型等分别制作报表，之后将这些维度的数据进行手工统计，把所有报表整合起来，形成报告向领导汇报。

如今基于大模型的ChatBI产品，用户可通过对话获取想要的结果。比如用户询问“上个月销量为何下降？”，产品会自动查找与销量相关的所有指标，包括行业、区域、人员等各个维度，进而找出影响最大的因素。数据导出后会进行排序、总结，生成图表报告以供参考。

在业务分析领域，常发现一个指标会受其他指标影响。例如，毛利与合同个数、合同金额、人均单价等有关。传统维度归因仅能从地区等维度分析，而因果归因可自动寻找与毛利相关的指标并形成具体报告。举例来说，若合同贡献毛利下降，因果归因能列出受影响的指标，如商机个数，且不仅明确受影响的指标，还能指出商机个数与哪些成员相关，即与哪些维度相关，比如哪个地区商机不足、哪个地区人均单价下降等都会列出。从数据角度看，大模型分析更加全面，能依据用户问句生成报告。

场景三、深度智能报告

这是一种专家模式，去年12月份结合某客户测试HR场景开发，从而发布的新功能。以下是当时所做的HR部门的例子，该部门有10万员工，需要经常进行分析，如离职率这类简单场景，还有诸如加班对离职率是否有影响、薪酬提升比例对其是否有影响等问题。这类问题并非常规分析问题，所以当时为其打造了专家模式分析。例如，面对“企业为员工做了什么努力”这样一个泛化性问题，系统会自动生成带有图表和数据的分析报告及结论，供业务人员参考。

这是去年的成果，今年与客户交流发现此功能深受客户喜爱。原因在于，DeepSeek具备深度思考能力，在深度思考过程中会自动找出所有相关数据并整合，通过CoT思维链总结后输出，专家模式与之类似。

具体案例：某销售型企业，销售人员每月都要撰写总结性报告，且每次报告命题不同。用户提出需要写一篇销量总结报告，整理和分析去年销售的情况，同时找出优缺点。这是一个泛化类问题，常规的ChatBI数据分析产品难以达成。该产品会类似DeepSeek进行总结性思考，思考销量情况涉及哪些指标并寻找相关数据。例如，对于销售相关数据，它会扩展出省份、城市、车系等不同类别，以及销量规模、车均价等大模型认为与销量有关的内容。

首先找出这些维度和指标，将相关数据呈现出来，所有相关数据明细都会列出，便于分析人员确认数据可信度，而传统BI在分析过程中不展示数据。接着，用户提出“找出去年做得比较好和比较差的品牌的情况”，大模型自动展开分析。对于汽车销售企业，最直观的分析角度是销量，于是大模型直接找出销量排名前十和后十的品牌，整个过程由大模型自动进行泛化和总结。在交互过程中，用户可随机中断并补充额外知识。最终，产品会生成总结内容，例如，从车型维度、SUV市场、经济型车型等方面提供总结报告。

但用户可能发现分析结果不够彻底，因为提问是关于去年的情况，而报告似乎遗漏了时间维度。此时，用户可进行多轮交互，要求产品加上季度和月度的数据对比。添加该需求后，产品会自动引入季度和月度数据，并在明细中列出相关数据，使分析方案更具可信度。完成上述操作后，查看分析总结，能看到已加入季度和月度数据对比，明确了哪个月销量好、哪个月销量差，从季度层面也进行了分析。然而，用户可能仍觉得总结不够全面，维度和指标不足，此时可继续对话，要求产品总结得更加详细，如此循环，分析报告将不断完善。

这是去年所采用的专家模式方案。未来产品将进一步迭代，后续可能会深入结合DeepSeek推理模型，将企业内所有数据纳入，以挖掘更多分析思维，减少人工干预。目前的场景仍需不断交互，最终将报告导出，提交给领导。

场景四、报表助手

在大模型场景中提到的ChatBI产品，其本身是结合BI开发的。前面的场景可能适用于新用户，那么针对BI老用户，有哪些功能扩展？为此推出了报表助手。报表助手适用于以下场景：若用户此前制作了大量报表，如何充分利用这些报表？现在新增报表助手功能，在报表上添加一个小按钮，点击后可进行对话，如“分析这张报表并作出总结”，系统会自动将报表数据传输给大模型进行深入总结。用户还能持续对话，使总结更加完善。若原本是表格形式的报表，还可通过不同类别添加图形。

第二类是驾驶舱助手。传统驾驶舱的指标维度固定，管理人员若想从更多维度分析，以往需让开发人员新增指标。现在无需如此，驾驶舱隐藏了助手功能，点击后可通过对话获取驾驶舱以外的指标，还能对驾驶舱进行深入分析。

02

ChatBI技术原理解析

首先来看技术框架，从底层而言，产品是结合BI底座实现的。在平台层，更多体现BI特性。例如在传统BI中，可对接企业的各类宽表、实时表，构建信息模型、雪花模型，对于通过API提供数据的企业，也能实现接入。接入完成后，利用BI常规功能进行数据建模关联，这是必要步骤，旨在让大模型知晓其中的表、维度及其关联方式。配置数据模型后，新增企业相关知识，由于每个企业对指标定义不同，因此涉及企业私有化知识的导入。经训练后，业务人员可在上层通过对话式分析进行问数、问图、问表，开展跟进分析与预警预测。

结合BI功能具有以下优点：

• 权限无缝继承。此前为企业制定大量数据处理方案，并进行精细权限管控，使用该产品后，权限得以延续，就像传统模式下只能看到个人数据报表一样，对话模式下权限也受同样限制。

• BI中常用的分析报表与思维可无缝继承到新平台。后续平台会分析业务人员操作习惯，了解其常分析的报表并进行自动推荐。

这是数据建模的标准化流程，在此过程中，通过建立数据关系图谱，将产品表和销售表进行维度相关的关联配置。关联完成后构建AI图谱，构建时将所有产品名称、产品编码以及相关联的表和信息，全部嵌入向量库进行学习，这是RAG过程，是提升准确性的首要步骤。训练完成后，需添加企业自身的一些额外知识，包括复杂分析示例，即特定问句返回特定结果。通过QA类方式为企业提供这些示例的配置方案，企业完成配置后可快速获得精准结果。这是构建AI图谱的过程，也是保证精准性的第一步。

构建完成后，需从技术路线上确保其准确性。第一种是直接将大模型转换为SQL方案，目前在企业中的应用领域较少。原因在于，在全球评测排行榜中，BERT生成SQL的准确性仅有60%多，准确性较低。并且若提供全量表，无法进行权限管控，在处理多表时，大模型也难以确定与指标相关的表，所以该方案很少被采用。在此基础上发展出第二版，即新增类似数据模型关联的视图，针对主题进行提问。封装完主题后，需定义自己的DSL（领域特定语言），将其封装成一种语言供大模型学习，如SQL、JSON或MDX等。因为要封装权限等内容，所以需要对大模型进行微调。当前，所有ChatBI厂商基本都会封装自己的DSL。

但这种方式存在一定局限性，必须进行训练，且训练周期较长，后续若增加新类型问题，还需再次训练，过程较为繁琐。目前市面上的产品大多采用第三种技术路线，新增一个向量库，将指标、表关联关系等内容存入其中。最初提问时，先通过向量进行匹配，匹配完成后让大模型生成SQL或DSL，这种方式使准确性大幅提升，基本达到80%以上，且无需对大模型进行微调。

随着Agent框架的推出，分析场景中存在更多复杂情况，不只是简单查数，还可能需要进行深入归因、撰写PPT或报告等。此类场景出现后，单一的技术路线无法满足需求。基于此，推出了Agent框架。在Agent框架概念中，用户提问后，它会先思考问题的目的，进行意图识别判断，判断该问题是用于归因、数据查询还是报表制作等。若判断为复杂的数据分析问题，它会依据规划器原理将任务拆分，可能拆分成多个数据查询任务，甚至包括跨表关联或跨数据关联模式，形成多个子任务并进行合并与关联。完成后，再结合分析性插件整合数据。这是整个Agent框架，它能处理各类复杂的数据分析相关内容，通过这种方式大幅提高了业务分析的准确性。

完成上述操作后，探讨在问句提问后如何精确查找指标，这涉及字段精确召回流程。业务人员先进行提问，提问完成后，利用分词小模型拆分问句，进行实体识别，之后以向量形式进行向量匹配。同时，对问句进行意图识别，判断该问题属于查数据、知识问答、预测性分析还是归因分析等类型。将问句拆分并完成向量匹配后，生成多个前述的SQL，再对SQL进行融合。

案例分析：客户提问“有一位现金大于1万的客户，查询他的资产负债以及健康状况”。这是一个复杂问句，客户信息、资产信息、负债信息记录在不同的多表中。收到该问句后，对其进行实体识别与拆分，将日期单独拆分出来，把现金也拆分出来，然后将这些字段分别在项目中检索以找到对应的字段。系统会识别出具体的日期字段，问句中涉及客户编码，现金属于资产名称中的一类并将其纳入。

由于向量是通过模糊匹配形式返回结果，不够精准，所以将这些字段输入大模型，结合问句和场景进行二次精排与选择，更明确地确定涉及的表和字段，再将字段输入大模型生成自定义DSL，此时可以看到DSL的内容。生成的DSL相当于两段SQL。对于生成的两段SQL如何合并的问题，传统方式可能使用SQL进行合并，而在本产品中采用Python进行合并。Python在跨表关联、复杂分析场景以及计算方面具有优势，例如取前三可直接使用精确的head函数。因此，将生成的SQL简化为多个简单SQL，再用Python进行二次加工，可大幅提高复杂问句处理的准确性。最终合并完成后，通过Python加工将结果返回给用户。

DeepSeek推出的推理模型对数据分析有一定提升。从数据分析智能体流程来看，推理模型擅长以下方面：

• 一是意图识别，以思维链方式进行思考，在最初问题分析时加入DeepSeek的意图识别功能可增强效果；

• 二是当出现复杂问句时，能通过其方式进行复杂任务的拆分与推理，实现适应与增强；

• 三是结合企业数据形成智能洞察结果，其语义理解和推理能力更强。基于此，结合专家模式，让推理模型R1进行深入思考，以形成更完善的总结。

通过对非结构化数据的识别，结合DeepSeek的推理过程，自动寻找对应的数据分类分析工具，从而形成分析结果。

03

案例分享

案例一：某上市证券公司，每年需采购价值上百万的人力服务来开发大量报表和驾驶舱。随着大模型出现该客户尝试突破，不再依赖大量报表开发，期望业务人员能随时获取数据。

实施方案：调研业务领导常用的数据分析方案，梳理涉及的指标和具体场景。例如，作为证券公司，涉及基金客户、CRM相关客户信息、财富管理委员会的需求以及源数据需求等明确业务场景。收集这些场景并调研相关指标后，搭建指标知识库，构建相关数据模型，对涉及的表进行关联。关联完成后，业务人员和领导可随时进行问询。整个项目上线周期约两个月。最终，管理人员通过对话方式，可随时获取这几个场景相关的数据问答。

对于该证券公司而言，以往每年需采购价值上百万的人力服务用于制作报表，如今所有取数需求都通过对话式分析实现，复杂报表也不再依赖开发人员编写SQL。从增效方面来看，由于该客户属证券行业，存在数据安全隐患。传统方式下，需业务人员进行审核后才能提取数据，而现在通过设置精细化的权限管控，实现了秒级响应。

案例二：某制造业企业产品上万种，销售人员每次报价时，首先要查询产品报价，这一过程相对简单。但当面对一些大客户采购多批量不同品种的产品时，由于公司有一定的毛利需求，例如有成本价要求，假设客户要采购一批产品，公司要求这批产品最终达到15%的毛利率。传统方式是将所有批次产品的成本价、销售价等信息提取出来，导入Excel，经过复杂加工后形成报价策略。

而现在通过大模型则更加便捷，将相关数据输入大模型后直接提问，大模型会自动生成报价策略，并且还可以通过多轮对话得出优选方案。例如A产品价格比平时高，要求下调10%，大模型会自动对其他产品价格进行相应计算。通过这种方式，为企业销售人员带来极大便捷，他们可随时随地获取最优报价方案。由于大模型具备智能记忆功能，会自动记录报价策略，下次报价时，可结合上次报价方案作为参考。

点击图片，领取完整版视频实录和课件

思迈特AI售前总监朱海，深耕商业智能领域十余年，为南方电网、湖北电网、中国石化、三一重工、长江存储、长沙银行等50+央国企及行业头部客户提供数字化转型解决方案，擅长将企业级BI技术与业务场景深度融合，聚焦AI智能决策技术创新，推动企业从"数据可视化"向"决策自动化"的范式跃迁。