2025年智能BI价值进阶：AI为问答式BI的产品落地带来创新驱动力

随着2025年数字化转型的浪潮席卷全球，企业对数据分析的需求日益增加，传统的BI（商业智能）系统已逐渐无法满足快速变化的商业环境。如今，AI和BI的深度融合正推动企业决策进入一个全新阶段。AI for BI，作为这一变革的核心，利用AI的智能算法与BI系统结合，带来更精准的分析、更高效的决策过程，并为企业打开了更广阔的数据应用场景。

AI for BI不仅仅是将先进的人工智能技术简单地嵌入现有的BI工具中，更是在深度融合的过程中，推动数据的智能化处理、非结构化数据的高效利用以及业务决策的全面优化。尤其是在市场营销、金融风控、客户服务等领域，AI和BI的结合展现了巨大的应用潜力，为企业提供了更加精准和个性化的决策支持。

在这一篇文章中，我们将探讨如何通过AI for BI的模式，推动BI产品的创新和发展，进一步解锁数据驱动决策的价值。以帆软FineBI为例，我们将深入分析该产品如何利用AI和BI的融合，为企业带来智能化、自动化的决策体验，帮助企业实现数据的最大化利用，全面提升效率。

一、 2025年AI和BI融合核心价值：AI for BI定义及其对企业的深远影响

1. What：如何理解AI和BI的融合？

AI+BI模式=AI与BI相结合。

从概念和理论上来说，AI+BI模式是有价值有前景的。AI与BI的区别在于BI负责梳理生产关系，AI是先进新质生产力。那么AI+BI模式通过将AI嵌入BI，构建基于AI的BI平台，利用AI的智能让BI系统能够解决更复杂的业务场景，产出更精准的分析结果，从而使决策更为科学和准确。

从具体场景上来说，AI+BI的模式能让部分BI场景更深入，产出更有价值的知识。

• 对于结构化的数据，BI系统可以应用一些准确度更高的机器学习算法，得到更精确的分析结果。例如市场营销，采用AI+BI模式就可以在用户分群的基础上，得到更精细的针对每个用户的分析结果，从而给出更精准的个性化营销方案。还有金融领域的风险监测，AI+BI的模式可以分析出金融风险和其他指标、行为之间的内在联系，预测更为准确。
• 对于非结构化的数据，BI可以应用图像处理、语音识别和文本分析等AI技术，智能化地处理BI系统的复杂业务场景。例如AI+BI模式能够通过语音识别技术录入数据，控制驾驶舱和数据大屏的制作等。还有智能客服系统，不需要手动收集客户问题再分配人员解答，通过语义理解和自然语言处理等技术分析客户问题，实现实时、自动回复客户。

2. Why：为何融合更多是AI和BI？

AI和BI存在本质区别，BI拥有自己的发展路线，而AI目前并不是BI的核心功能。

• AI与BI存在本质上的区别，BI的目的是将数据转化为知识来辅助决策，AI则追求以更智能的算法得到更精确的结果。BI的发展路线是以数据为基础的，主要是数据的管理和分析。虽然AI技术的范围非常广，但当前BI系统中真正能用上的主要是一些处理文本、图像等非结构化数据的AI技术。但是除了一些特定行业，大部分的企业很少会有文本处理和图像处理的需求，绝大多数BI系统需要处理的仍然是结构化的数据。
• AI与BI的交叉只在于机器学习和数据挖掘，而且这种交叉也极小。AI的机器学习强调算法，BI的数据挖掘还包括对数据的管理，算法选择上也较为简单，没有神经网络和深度学习等复杂AI算法。

因此，AI并不是BI的核心功能，AI+BI的模式难成为BI市场的主流，更多的是AI For BI：

不是要用AI代替BI， 而是尽可能借助AI的相关能力， 提升BI工具在各环节的效率、 降低BI工具的上手和使用门槛， 让更多领导和业务人员把BI用起来， 帮助客户最大化地用好BI工具的价值。

3. When：中国何时会迈入AI for BI时代？

目前在中国，预计2025年左右，BI将开始迈入智能化阶段；到2030年，BI的智能化也将进一步扩大。随着AI技术和BI系统的不断成熟，AI在BI中的应用将会越来越多，二者重合的部分也越来越多，但是因为它们存在本质上的区别，因此不会完全重合，而是以AI for BI的方式存在。

图：AI+BI的发展现状和趋势

4. How：目前AI for BI产品如何发展？

目前是采用“对话”的方式来提问，主要发展方向是 降低消费门槛+提升制作效率

具体到「AI For BI」的落地场景，大体可以分成两大类：

• 对话式分析：直接以对话为核心入口，能够实现即时性问数查数，AI辅助人工分析数据、数据资产检索等，系统性地降低用户的使用门槛；
• 对话搭建：嵌入到原有产品流程中，去提升搭建制作的效率，实现快速生成组件/仪表板生成制作，做出分析报告等。

AI For BI的核心价值是降低用户的使用门槛，让离业务最近、离技术最远的一线业务人员也能在数据驱动下做更好、更快的决策。然而，近年来国内外各 BI 厂商陆续推出的一系列「问答 BI」产品在实际落地过程中都会发现，真正能够让用户用起来的场景少之又少。大致有两方面原因导致大多数「问答 BI」产品沦为一个个“玩具”。一方面，是由于业务人员不具备数据思维，问不出有价值的数据分析问题。另一方面，是产品确实还不够成熟。这两方面挑战造成目前大多数AI For BI产品并不成熟：

1）结果缺乏可解释性。人们需要基于可信的数据做业务决策，由于整个意图解析和数据生成过程是一个黑盒，人们无法确定返回的数据就是他想问的数据。

2）召回和精度方面的问题。也就是用户问了10个问题，其中有多少个系统能够给出正确的回答。之前的「问答BI」产品在技术上大都采用规则解析或规则解析+预训练（小）模型的方法来实现文本到 SQL 的转化，技术上的限制导致问答的召回和精度不够理想。进一步的，由于预训练（小）模型的跨场景泛化能力不足，就需要针对特定场景不断的增加语料，并重新训练模型来提高精度和召回，从而导致实施成本变得难以接受。

近年来，随着市面上各种「数据分析」类的课程的推广和普及，越来越多的业务人员逐渐具备了数据思维，能够从数据的角度去分析业务问题。而大模型作为当下最大技术红利，其跨任务、跨场景的泛化能力为我们实现一个成熟的「AI For BI」产品带来了新的机会。

二、AI For BI 的技术与产品发展路径

AI For BI，一个核心落地场景是「对话式BI」，其核心技术是 Text2SQL，就是要把自然语言转化成具体的数据查询语句。

该技术从2000年左右在学术圈就要有人开始研究，当时主要是从事数据库的人员在做，很多论文都是发在类似 VLDB 这样的数据库领域的会议上。那时候该技术并不是太强，主要是基于传统的机器学习，先把用户的查询抽象成几个分类，定义出一些模板，然后用有监督学习去做一个分类模型，再去填模板。

由于这种技术本身的局限性，产品呈现出来的精度一直很低，远远没有达到产品化落地的要求。直到2016年左右，正值互联网发展成熟，随之带来了一些新的技术，包括：检索、推荐、深度学习等。此时，美国有工程师尝试做了产品创新，把数据的查询变成一个在有限空间内的数据检索问题，然后用检索技术来解决 Text2SQL。同时他也做出了一些当时让人很惊艳的产品，在BI领域引起了不小的关注。但是当时的技术路径本质上还是检索，这种技术路径的主要问题是没法真正去理解自然语言，而是把一个句子分成一个个的词去做匹配，并没有去真正理解一句话中的主谓宾、定状补。

但是这种产品形态引起了一些有很强学术能力的公司的关注，比如 MicroSoft，他们开始用基于神经语言模型的 NLP 技术来实现「对话式 BI」。当时虽然已经开始用神经语言模型去理解语义，但模型的尺寸和后续出现的预训练模型以及当下的大语言模型相比有巨大的差距。模型的能力也有局限性，所以当时的产品现状是精度低、配置成本高，意图理解的能力也很弱，处于“人工智障”的一个状态。直到大语言模型的出现，算法的改进和模型尺寸的提升带来了大语言模型的上下文学习、思维链等一系列新的能力，让我们有机会去解决一些原来老的技术很难解决的问题。

三、 2025年帆软产品演进：AI和BI融合推动产品落地，赋能企业决策升级

1. 帆软近年来对智能BI的探索和思考

帆软近些年在对外并没有过多宣传AI+BI，但是内部一直都在紧密的跟踪 AI 相关的技术。尤其在2019年前后，当看到国内外厂商纷纷推出了「问答式 BI」功能后，帆软也开始探索「问答式 BI」的可行性，成立专项攻坚团队，推出 FineAI 进行小范围验证。从来自内部用户的反馈来看当时的模型精度暂时达不到产品化落地的要求，同时来自市场的反馈也印证了这个结论。

帆软也走访调研了一圈国内外的客户，「问答式 BI」当时的现状是“理想很丰满，现实很骨感”。当时的「问答式 BI」在技术上大都采用规则解析或规则解析+预训练（小）模型的方法来实现文本到 SQL 的转化，技术上的限制导致问答的召回和精度不够理想。进一步的，由于预训练（小）模型的跨场景泛化能力不足，就需要针对特定场景不断的增加语料，并重新训练模型来提高精度和召回，从而导致实施成本变得难以接受。这就导致「问答式 BI」会面临意图识别、查询结果的精度和基于场景定制化开发、部署的成本之间不可调和的矛盾，并最终沦为一个摆设，实际用起来的少之又少。所以暂时终止了「问答式 BI」产品的市场推广，并持续跟踪和研究这方面的技术和产品。

在千模大战和开源大模型成为趋势的背景下，大模型本身并不是优势，在一个场景里面用好大模型才能建立优势。大模型的核心能力是基于内嵌知识的生成能力，而“可控性差”在BI的应用场景下是一个致命弱点。当下用好大模型的三个关键要素是：

• 清晰的场景设计；
• 丰富的数据准备；
• 可靠的基座模型。

回到 BI 场景，帆软通过服务36000+客户，覆盖了国内最广泛、最丰富的客户和场景，这些场景的积累为我们建立了巨大的优势，让我们能够快速收敛场景、验证功能。

从数据层面，有句话叫 “garbage in，garbage out”，在目标任务上精调大模型的数据准备在精不在多，关于模型的选择，目前的状态是国内没有一个模型能在所有任务上绝对碾压其他模型。而关键是客户需要针对基于场景定义的目标任务要去评测和挑选最合适的模型，并把效果做到最好。

当新的技术能够让模型精度在通用场景下，达到产品化落地标准的时候，帆软将利用这方面能力进一步降低用户「自助式分析」的门槛。大模型作为当下最大技术红利，其跨任务、跨场景的泛化能力，让大家看到了实现一个成熟、能落地的「问答式 BI」产品的可行性。这是帆软坚决投入「AI For BI」研发的核心逻辑。

近些年来，帆软对客户进行严谨调研和小范围实践，结合「AI For BI」的两大落地场景-降低消费门槛&提升制作效率，2023年在这两大类场景上都做了探索：

• 在降低消费门槛方面，帆软孵化了现在的「对话式 BI」产品FineChatBI。
• 在提升制作效率方面，帆软研发了「AI 小助手」，具体包括公式生成、组件制作、数据编辑、看板美化和分析报告五个功能。

2. 产品落地：定位是对话式业务分析工具

2024年开始，帆软重点投入 FineChatBI，目标是让更多的能够直接发挥数据生产力价值的业务用户用起来。

BI产品终极目标是“让人人都是数据分析师”，奔着这个目标 BI 产品持续演进，并发展出不同的产品形态，以满足不同场景的数据需求，具体包括：

1. 报表式 BI，以复杂报表为核心能力，满足企业管理层固定看数的需求；
2. 自助式 BI，以数据编辑和拖拉拽搭建为核心能力，满足业务分析师自助分析的需求；
3. 对话式 BI，以语义理解与对话式交互为核心能力，满足普通业务人员的即时查数与分析需求。

Why：为何定位是对话式业务分析？

（1）对话式：以对话为主要交互形式。

（2）业务分析：做数据分析不是为了分析数据本身，而是为了分析业务。「让人人都是数据分析师」这句口号的背后的真实目的是「人人都是合格的业务分析师」，也就是每个业务人员都是合格的 BA（Bussiness Analyst）。而业务分析的基本套路是从业务视角出发，结合自己的经验和认知形成一些定性的判断（假设），然后通过实验及实验产生的数据（定量）去验证假设（检验）。这个过程叫 hypothesis testing，包括回顾性分析、前瞻性分析等方法。

所以，业务人员要想做科学的、高质量的业务分析需要两个前提：

• 掌握上面这套方法，能够基于自己的业务经验，产生合理的假设并形成分析思路；
• 手上有容易取到的数据来验证这些假设。前一代的「对话式 BI」本质上是一个对话式/检索式取数工具，它的价值仅仅是让业务人员更容易的取到数据。但是光能取到数据还远远不够，如果业务人员没有掌握上面提到的这套方法，也只能“忘数兴叹”，还是不会做业务分析，这是「自助分析」和老一代「对话式 BI」没有在国内大范围用起来的根本原因。

我们做新一代「对话式 BI」就是要同时解决以上两个问题：

1. 利用 Text2DSL 技术把取数这件事做到极致，技术上采用完全可控的方式取到可信的数据；
2. 利用大模型 hypothesis testing 知识和分析思路生成能力补齐业务人员认知和能力上的差距。实现对话式的业务分析，让业务人员能够真正用起来。

How：如何进行FineChatBI的落地？

从产品能力上，需要以可信查数为基础能力，构建「思路拆解 → 数据查询 → 异常检测 → 归因分析 → 趋势预测 → 报告生成」整个分析闭环。同时把用户场景进一步细分成对话式数据查询、对话是数据分析和对话式资产检索三大场景。对话式数据查询能够让业务人员在日常工作中、业务经营会和出差途中快速查找某个业务指标。对话式数据分析能够让不具备数据思维的业务人员方便的从数据中得到业务结论。对话式资产检索能够让业务人员方便的找到 BI 系统中已经存在看板、指标和组件。

目的是真的想让业务用户零门槛做数据分析：

• 对话式资产检索：数据中心+问答BI
• 对话式数据查询：主题模型+问答BI
• 对话式数据分析：思路拆解→数据查询→异常检测→波动归因→趋势预测→报告生成

What：如何理解FineChatBI的功能？

——生成可控、结果可信、分析闭环、交互友好。

1）基于 FineBI 能力底座的企业级 BI 能力

• 数据准备更简单
• 多表分析更高效
• 计算逻辑更智能
• 权限配置更省心

图：FineChatBI-基于 FineBI 能力底座的企业级 BI 能力

2）输入联想与模糊匹配

高质量的问答配置：

• 规则模型预读问题
• 模糊字段触发联想
• 二次确认命中精准

图：FineChatBI可以实现输入联想与模糊匹配

3）意图解析与调整

• 一键切换图表类型
• 开放图表生成规则
• 自由切换指标口径
• 调整过程结果更准

图：FineChatBI可以实现意图解析与调整

4）思路拆解与推荐问题

• 分析思路全透明
• 模糊语义好对齐
• 自动返回最优解
• 推荐问问次优解

图：FineChatBI可以实现思路拆解与推荐问题

5）多轮问答

• 记录上文连贯提问
• 替换维度问得出来
• 新增指标也能有数

图：FineChatBI可以实现多轮问答

6）归因分析与报告

• 异常发现又准又快
• 智能解释问题所在
• 自定义维度也支持
• 大模型帮你写报告

图：FineChatBI可以实现归因分析以及撰写报告

7）生成仪表板

• 一键生成仪表板
• 二次分析可编辑
• 团队共享与协作
• 业务分析能闭环

图：FineChatBI可以实现生成仪表板

对话之间，数据不再高冷 ，“人人都是数据分析师”不再是一个空洞的口号

BI产品终极目标是“让人人都是数据分析师”，奔着这个目标 BI 产品持续演进，并发展出不同的产品形态，以满足不同场景的数据需求，有报表式 BI满足企业管理层固定看数的需求；自助式 BI满足业务分析师自助分析的需求；对话式 BI满足普通业务人员的即时查数与分析需求。

帆软基于数据分析能力和分析复杂度将用户场景分成四个象限：1）低水平，简单分析；2）低水平，复杂分析；3）高水平，简单分析；4）高水平，复杂分析。「对话式 BI」会先满足数据分析能力比较低的业务人员的简单分析场景，然后随着产品能力的提升，逐步渗透到更加复杂的分析场景，并满足更高数据分析能力的业务人员的分析需求。

同时，帆软一直以来认为AI要用得起来，未必只靠大模型，对客户有价值才是最重要的，大模型技术在BI的实践已经被过度神话，实际还有很长的路要走。帆软的使命是“让数据成为生产力”，「对话式 BI」会让更多的业务人员能够从大数据中受益，真正把数据转变成生产力去驱动业务。同时，帆软也欢迎各位客户一起参加共创！

三、结语：2025AI时代的关键法宝：BI与AI联合推动企业智能化转型

总而言之，在信息技术飞速发展的今天，FineChatBI产品通过AI驱动的对话式交互，打破了传统BI工具的使用壁垒。它能够使业务人员，即便不具备深厚的数据背景，也能轻松地通过简单的对话，查询和分析数据。这种无缝的数据查询和报告生成功能，极大地降低了企业员工使用BI的门槛，同时提升了决策效率。FineChatBI以其强大的自助分析和智能化的功能，帮助企业的每一位员工都能成为数据驱动决策的参与者，实现真正的“人人都是数据分析师”。

通过FineBI和FineChatBI，企业不仅能够在数据分析的复杂性上获得支持，还能够提高日常业务分析的效率。它们在提升决策质量的同时，也推动了企业管理的智能化升级。如果你希望深入了解如何通过这些先进的BI工具助力企业的数字化转型，并获取更多有关商业智能技术的实践案例，欢迎点击下方链接，试用FineChatBI，探索更多信息。

本文节选于： 帆软商业智能应用白皮书 5.0