对话式BI革新数据分析新流程报告

对话式 BI 革新数据分析流程2025帆软商业智能峰会演 讲 ： 顾 洋FineChatBI 产品运营负责人目录1.从报表式BI到对话式BI 3.FineChatBI的落地方法&经验 5.其它帆软AI相关 4.FineChatBI产品规划 2.FineChatBI，有什么不一样 从报表式BI到对话式BICHAPTER 1大模型正加速数据分析民主化报表式BIu核心场景：固定看数u核心技术：SQL、OLAP、数据可视化u能力要求：SQL、OLAP、数据思维、业务理解u核心用户：IT/DT 人员u帆软产品：FR/FVSu渗透比例：1%自助式BIu核心场景：自助分析u核心技术：VizQLu能力要求：OLAP、数据思维、业务理解u核心用户：分析师u帆软产品：FineBIu渗透比例：10%对话式BIu核心场景：问答查数、分析u核心技术：LLM、知识图谱、AutoInsightu能力要求：数据思维、业务理解u核心用户：业务人员u帆软产品：FineChatBIu渗透比例：100%随着业务发展, IT很难满足业务所有数据需求“ 看板 越来越多、越做越复杂，但数据需求还是源源不断，业务没精力学BI”方能演亦方能演亦“零散需求一直堆积，人力不够，加班加点做不过来”方能演亦方能演亦“筛选条件做少了不够用，完整收集需求又太困难”方能演亦方能演亦“已经给业务买了账号，他们还是不肯学不肯用”方能演亦方能演亦“有的看板生命周期太短，业务看两次就不看了，早知道当初不固化了” 方能演亦方能演亦“领导开会找不到数，总是开会拉上我们临时给写 SQL”IT说“我就想简单、高效地找几个数，不知道在哪，历史一大堆看板找起来很麻烦”方能演亦方能演亦“找个数好麻烦，得多个看板来回找，要不就筛选条件一堆”方能演亦方能演亦“日常就关注几个数据，花精力学BI工具似乎没必要” 业务说方能演亦方能演亦“提个取数需求，等了好几天，我都忘了当时怎么思考的了”方能演亦方能演亦“我记得有个看板里面有我要的数，在哪来着？” 方能演亦方能演亦“我只想做个简单的汇报，怎么能快速制作一个看板”方能演亦方能演亦大场景FineChatBI应用场景低门槛直接上手对话式问数秒出答案，告别等待IT帮忙取数，保证业务思考连贯性临时搭建看板将对话过程中生成结果组件一键保存成BI看板，告别拖拉拽操作业务自助问数历史看板检索历史沉淀的报表、指标、看板，通过对话快速检索出来简化复杂看板使用直接对着看板问数，无需选择筛选条件等复杂操作仪表板资产检索分析思路启发AI提供数据分析思路建议，按步骤完成分析闭环辅助原因分析利用大模型数据解读和归因能力，辅助业务初步分析找到原因智能分析洞察业务自助问数（已上线）低 门 槛 对 话 问 数 ， 秒 出 数 据 结 果 ， 支 持 一 健 保 存 临 时 看 板业务决策效率单次取数耗费时间从10min+缩短几秒30%IT响应成本覆盖65%业务日常碎片化临时问数需求10h/周仪表板资产检索（9月发布）对 话 快 速 检 索 历 史 看 板 、 指 标 数 据 资 产 ， 简 化 看 板 查 询 筛 选 操 作业务检索耗时从目录文件层层翻找到几秒内结果呈现资产复用价值降低内部信息差带来的40%重复开发建设2~3倍50%智能分析洞察（beta内测）异 常 点 识 别 ， 维 度 归 因 并 生 成 解 读 报 告 ， 给 予 业 务 改 进 建 议业务分析质量结合AI数据洞察的初步结论，辅助业务思考X%例行报告生成沉淀分析步骤，自动化取代人工摘数环节Y倍FineChatBI，有什么不一样CHAPTER 2大模型落地(NL2SQL)的幻觉问题？受数据影响，大模型会陈述一些不符合客观事实的信息ChatBI里问「去年」这个日期字段，大模型有可能错误理解成2023年生成的内容前后在逻辑上存在冲突ChatBI连续问相同问题，两次大模型输出的SQL代码不一样，结果不稳定事实性错误逻辑矛盾大模型可能会编造些不存在的概念或事件，但过程黑盒用户无法判断ChatBI问某个底层表没有的复合指标，大模型可能编造一个错误的计算公式来响应结果无中生有方能演亦方能演亦方能演亦方能演亦方能演亦方能演亦方能演亦010203大模型的幻觉方能演亦大模型落地(NL2SQL)的衍生问题？大模型直接通过SQL操作数据库，权限没办法管控，容易存在安全风险无论多简单基础的数据查询问题都依赖大模型先做一遍推理，耗时长且每次都要消耗token；复杂场景考验SQL写法质量，同样影响查询时间SQL注入/死锁响应耗时、成本非技术人员完全看不懂代码，结果可信度无法判断，其次也没办法主动干预调整生成规则业务理解门槛方能演亦方能演亦方能演亦方能演亦方能演亦方能演亦方能演亦010203大模型其他问题方能演亦数据查询(明确语义: 指标/维度清晰)数据查询(模糊/口语化: 局部意图模糊)数据分析思路建议今年 销售额 最高的 产品是哪个去年 卖的最好的 爆款是哪个 (销售额or销量or净利润? )如何分析 今年业务的表现规则小模型(NL2DSL)大模型（语义理解转写）大模型（思路拆解分析）去年 销售额最高的 产品数据查询(明确语义)BI 查询引擎(DSL2SQL)思路1: 数据查询(明确语义)思路2: 数据查询(明确语义) 今年 销售额和销量同比今年 各门店 销量 排名BI 渲染引擎展示数据结果NL2DSL: 将自然语言转换为特定领域的专业语言大模型&规则小模型(NL2DSL)帆软架构: 多模型+NL2DSL+BI成熟底座结果输出稳定查询性能更快知识配置/调优极速模式智能模式智能模式NL2DSL：结果可信可干预, 业务友好结果可解释对于看不懂SQL业务用户来说不是黑盒，业务也能自己排查问题结果可干预• 图表生成规则可调整中间过程，一键切换维度、指标、汇总方式等• 图表结果支持直接下钻可扩展• 通过调用成熟BI工具，一些SQL难以很好支持的问法都可以轻松实现• 如VS、最近X天、同环比、占比、累计多表关联建模复杂计算函数基于BI的函数体系，高效实现复杂数据计算，进而支撑问答BI消费场景基于业务过程和分析维度，构建企业级的数据模型，支撑各类跨表的关联查询，数据分析不局限于单一场景和数据权限管控安全按用户、按部门、按角色设置数据、主题甚至行列权限，实现集团级权限控制成熟BI底座：保障企业级数据消费e.g.目标完成率、月末3天销售额e.g.库存周转率、回款率企业级安全：全内网环境部署，安全有保障业务用户平台运维人员FineOPS运维服务器，对接、部署、监控BI工程。Nginx+配置库+ES+集群组件组件服务器BI 应用服务器 1bi+1worker+1master+1bi-minio数据中心分析数据容器化部署BI 规则引擎服务器基于预设规则和小型模型的系统，它专门用于解析自然语言查询，将其转换为可执行的数据查询语句（DSL）FineAI 服务FineAI 主要负责承接和转发大模型服务的请求*三个服务可部署在一台服务器本地大模型BI 数据当中的元数据，不涉及详细的数据内容FineChatBI落地方法&经验CHAPTER 3ChatBI落地五大陷阱价值认知陷阱开箱即用陷阱IT孤军奋战陷阱缺乏懂业务、懂数据的角色参与前期的