智能化3.0时代，对话式分析如何保障高准确率

正文

请到「今天看啥」查看全文

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

请到「今天看啥」查看全文