ChatBI企业级问数 - 系统搭建全指南

原文首发于人人都是产品经理，作者：李嘻嘻 原文链接：点击查看

企业级ChatBI项目为何频频卡在试点阶段？本文从分析师、数仓工程师、管理者三重视角，拆解问数项目的真实困境与破局路径。

问问大家：你的问数项目还推得动吗？

案例A：推了半年卡在试点。两个死结——无法评估效果（NL2SQL准确率没有客观标尺），数据撑不住（字段命名歧义让查询跑偏）。项目停在PPT里。

案例B：只做财务现金库问数，3个月上线稳定运行。15个核心指标，意图识别准确率95%+，响应时间<3秒，紧急查数从1小时降到实时。

区别不是技术能力，是有没有想清楚为什么做、给谁做、怎么做。

第一：找到明确场景

四个特征：有真实需求、有清晰边界、能客观验收、高频且固定。

案例B为什么选财务现金库？

1. 数字化基础不够做不了大宽表
2. 追求实时性数仓做不了 → 直接对接API
3. 准确性要求极高NL2SQL风险大 → 用NL to API

第二：分析场景特征，制定技术方案

方案一：Agent + RAG 五层架构（理想形态）

意图理解→知识检索→SQL生成→执行→结果解释

• 优势：灵活性最高
• 致命劣势：五层链路每层都可能出错，准确率最难保证
• 推荐度：⭐⭐（低）

方案二：指标平台 + NL2API（推荐）

意图识别→调用预定义API→返回结果

• 优势：准确率最高（API逻辑人工验证过），可控性强
• 劣势：灵活性较差，需要先有API接口
• 推荐度：⭐⭐⭐⭐⭐（高）

方案三：预置宽表 + NL2SQL（入门选择）

意图识别→SQL生成→执行查询

• 优势：实现门槛最低
• 劣势：宽表维护成本被严重低估，仍有SQL生成错误可能
• 推荐度：⭐⭐⭐（中等）

决策树

有成熟API？→ 用方案二（推荐） 能建大宽表？→ 用方案三（可以试） 都没有？→ 先补数据基建

第三：确认节奏和验收边界

验收指标：意图识别准确率95%+、响应时间<3秒、用户满意度>4/5

实施节奏：

• 第1月：验证可行性（3个最高频指标POC）
• 第2月：扩展到10个指标，小范围试用
• 第3月：扩展到15个指标，正式上线

第四：问数只是工具，分析师的价值在于脑子

问数解决"脏活"——重复性查数。分析师真正值钱的是：

异常洞察 → AI辅助诊断 → 分析师判断 → AI给出建议 → 分析师决策 → 智能归因

AI能做：快速拉数、模式识别、初步建议 AI不能做：理解复杂业务上下文、做最终决策、承担责任

问数是工具，你的脑子才是核心竞争力。

总结：问数成功的四个前提

1. 找到明确场景 — 不要追求"通用问数"
2. 选对技术方案 — 根据场景特征选方案
3. 定好验收标准 — 提前确定准确率、响应时间等指标
4. 一步步来 — 从2-3个指标做起，验证可行性再扩展

延伸阅读：评测方法看四象限法则；意图识别看翻车与破局；企业AI战略看9年老兵建议。

---

关于作者

李嘻嘻，9年产品经理 + 3年AI实践者，专注于AI产品落地和工具开发。

• 个人站：https://yourhelper.me
• 项目：FormAI、TargetLink、XixiType等6个AI工具