雷峰網(wǎng)(公眾號(hào)：雷峰網(wǎng))訊 用自然語言直接向BI軟件提問，查詢數(shù)據(jù)，甚至指揮它進(jìn)行數(shù)據(jù)分析，是BI行業(yè)的愿景，但過去十余年來未見成功者。直到大模型的出現(xiàn)降低了自然語言查詢數(shù)據(jù)的技術(shù)門檻，這一目標(biāo)終于具有可行性。以智能化的數(shù)據(jù)分析服務(wù)Chat BI為切口，BI行業(yè)找到了AI技術(shù)落地的具體場(chǎng)景。

作為BI＋AI理念下的融合產(chǎn)品，Chat BI支持用戶在業(yè)務(wù)應(yīng)用中的任何時(shí)刻喚起一個(gè)聊天助手，用自然語言詢問各種經(jīng)營數(shù)據(jù)，并即時(shí)得到回答。運(yùn)營方在查看靜態(tài)報(bào)表的同時(shí)，也可以就數(shù)據(jù)變化向AI助手提問，拆解現(xiàn)象背后的原因。從BI到Chat BI，企業(yè)在數(shù)據(jù)運(yùn)營方面的緊迫性需求、探索性想法將被更好地回應(yīng)。

在AI科技評(píng)論與衡石科技創(chuàng)始人兼CEO劉誠忠的訪談中，他向我們介紹了Chat BI的應(yīng)用場(chǎng)景與技術(shù)路徑。2022年大模型浪潮興起以來，BI行業(yè)對(duì)于Chat BI落地的技術(shù)路徑存在NL2SQL和NL2DSL兩種思路。前者在數(shù)據(jù)庫表的基礎(chǔ)上直接對(duì)接大模型進(jìn)行問答，后者將用戶的問題調(diào)用BI結(jié)構(gòu)化的查詢接口，由BI下發(fā)相應(yīng)查詢。

受訪者供圖

作為新一代BI公司，衡石在產(chǎn)品構(gòu)建階段對(duì)已有的BI產(chǎn)品進(jìn)行了調(diào)研，從微軟Power BI和Looker的經(jīng)驗(yàn)中發(fā)現(xiàn)語義層是BI產(chǎn)品數(shù)據(jù)分析能力的基礎(chǔ)，決定將工程團(tuán)隊(duì)的精力集中在加強(qiáng)語義層能力上。而語義層通過定義業(yè)務(wù)友好的術(shù)語和概念，為DSL的構(gòu)建提供簡(jiǎn)化的數(shù)據(jù)視圖，DSL可以基于該視圖來設(shè)計(jì)更貼近業(yè)務(wù)的語法和語義。

AI時(shí)代到來后，BI側(cè)的語義層能力和AI側(cè)的大模型完成了雙向奔赴。大模型不需要把自然語言翻譯成SQL層次的底層語言，在問數(shù)場(chǎng)景中，只需要與中間的語義層進(jìn)行交互。衡石基于自身語義層的優(yōu)勢(shì)，降低對(duì)大模型提出的要求，走通了NL2DSL的技術(shù)路徑。

隨著模型分析能力的提升，未來Chat BI還將幫助用戶生成分析報(bào)告，針對(duì)數(shù)據(jù)的走勢(shì)、關(guān)聯(lián)關(guān)系以及數(shù)字背后隱藏的洞察，提供更清晰的解讀。劉誠忠判斷，大模型對(duì)數(shù)據(jù)趨勢(shì)進(jìn)行預(yù)測(cè)和解讀的能力，可能在今年晚一些時(shí)候或明年被大幅增強(qiáng)。

以下是AI科技評(píng)論與劉誠忠的對(duì)話全文，為方便閱讀，進(jìn)行了不改變?cè)獾奈淖终{(diào)整。

 

為什么選擇做BI

AI科技評(píng)論：為什么選擇做BI產(chǎn)品？這個(gè)賽道有哪些選手？

劉誠忠：BI更有成為標(biāo)準(zhǔn)化產(chǎn)品的潛力。BI 本質(zhì)上是一個(gè)用于統(tǒng)計(jì)分析的大數(shù)據(jù)產(chǎn)品，而且對(duì)分析數(shù)據(jù)的種類并不限制。企業(yè)的數(shù)據(jù)分為幾個(gè)板塊，財(cái)務(wù)、ERP、marketing、sales和HR，每個(gè)業(yè)務(wù)都可以用。在BI賽道，主流廠商包括微軟、Tableau、帆軟、永洪科技、思邁特軟件、觀遠(yuǎn)數(shù)據(jù)、衡石科技等等公司。

 

AI科技評(píng)論：衡石的BI有什么不同？

劉誠忠：我們產(chǎn)品的核心特點(diǎn)是開放架構(gòu)，比較像一個(gè)BI引擎，可以服務(wù)直客，但更多地作為嵌入式產(chǎn)品面向應(yīng)用軟件廠商。這種以嵌入集成為主的產(chǎn)品形態(tài)和合作方向，使衡石在BI賽道具有一定的差異化定位，因此在國內(nèi)幾乎沒有競(jìng)爭(zhēng)對(duì)手?？蛻魞A向于將衡石定義成BI Engine或 BI PaaS，本質(zhì)上都是在形容衡石的定位。

 

AI科技評(píng)論：除了衡石，國內(nèi)SaaS廠商在嵌入式BI產(chǎn)品方面還有什么選擇？

劉誠忠：除了衡石，國內(nèi)SaaS廠商的選擇通常是自研。軟件廠商的工程師們對(duì)于BI功能往往忍不住會(huì)自研，但數(shù)據(jù)分析和 BI 的自研成本其實(shí)非常高，因此許多客戶都在都是自研上吃了大虧后找到我們。

自研的必然結(jié)果，就是雖然可以做出來，但它會(huì)是一個(gè)非常輕量的東西。通常自研 BI 需要的團(tuán)隊(duì)規(guī)模為5~10 人，周期1~2年。BI的基礎(chǔ)工程較為容易，可以在這個(gè)條件下完成，但后續(xù)建模分析、數(shù)倉對(duì)接權(quán)限控制等精細(xì)、復(fù)雜工程所需的進(jìn)一步投入會(huì)給研發(fā)投入造成巨大壓力。很多公司會(huì)發(fā)現(xiàn)做到這兒的時(shí)候，開發(fā)投入已經(jīng)跟自己主業(yè)需要的水平差不太多了，那就顯得不合理。一個(gè)做 ERP 的公司，投一堆人做BI，但事實(shí)上 BI 這樣的數(shù)據(jù)類基礎(chǔ)工具軟件的投入就是未必低于 ERP。

 

AI科技評(píng)論：有企業(yè)自研 BI 成功的案例嗎？

劉誠忠：全球范圍看也是幾乎沒有的，就算軟件巨頭如谷歌、Salesforce需要這部分能力也不會(huì)自研，會(huì)直接發(fā)起并購。國內(nèi)看到阿里自研BI產(chǎn)品比較成功。他們的產(chǎn)品可以在阿里云上服務(wù)自己的電商群體，這部分群體同時(shí)也在滋養(yǎng)產(chǎn)品，所以阿里對(duì)產(chǎn)品的打磨可以得到市場(chǎng)反饋。產(chǎn)品是靠市場(chǎng)反饋推著走的，如果一家企業(yè)BI產(chǎn)品的反饋來自于自身業(yè)務(wù)部門，不能代表市場(chǎng)的反饋，也就無法形成市場(chǎng)競(jìng)爭(zhēng)力。

 

Chat BI：BI＋AI融合之旅

AI科技評(píng)論：大模型的發(fā)展會(huì)擠壓BI廠商的生存空間嗎？

劉誠忠：基本上從2022年底開始，所有的BI廠商都在第一時(shí)間關(guān)注大模型。因?yàn)槿绻竽Ｐ鸵怀霈F(xiàn)就把toSQL的問題解決得很好，那BI廠商就很危險(xiǎn)，大家擔(dān)心要被折疊了。差不多24年大家才發(fā)現(xiàn)，基于BI去做AI在數(shù)據(jù)分析上的落地是更務(wù)實(shí)的，BI這一層應(yīng)該沒有辦法被替代，BI＋AI這種合作慢慢地才多起來。25年開始，合作的線索和機(jī)會(huì)開始成數(shù)倍的增加。

對(duì)BI廠商來說，23年是觀察的一年，24年是共識(shí)形成的一年，25年應(yīng)該就是快速成長兌現(xiàn)共識(shí)的一年。

 

受訪者供圖

AI科技評(píng)論：BI產(chǎn)品怎么和AI技術(shù)結(jié)合？有哪些應(yīng)用場(chǎng)景？

劉誠忠：做智能化的問數(shù)助手，給企業(yè)提供智能化的數(shù)據(jù)分析服務(wù)。衡石從為SaaS軟件市場(chǎng)提供BI，升級(jí)為提供 Chat BI。后者支持用戶在業(yè)務(wù)應(yīng)用中的任何時(shí)候喚起一個(gè)聊天助手，用自然語言詢問各種經(jīng)營數(shù)據(jù)，并即時(shí)得到回答。在數(shù)據(jù)運(yùn)營方面，這種隨時(shí)可以問到某一個(gè)數(shù)據(jù)的服務(wù)是之前不存在的。用戶需要詢問分析師，分析師制作報(bào)表，再進(jìn)行調(diào)整，這是一個(gè)很低效的過程?，F(xiàn)在可以用Chat BI解決一些緊迫的隨需而變的探索問題，這種ad-hoc的需求是很旺盛的。

另外用 BI 工具做出靜態(tài)報(bào)表給運(yùn)營方看的時(shí)候，Chat BI會(huì)有一個(gè)AI助手。運(yùn)營方可以在看報(bào)表的同時(shí)，隨時(shí)提一些探索性的想法。比如他看到報(bào)表的某個(gè)數(shù)據(jù)上升了，就會(huì)問是哪個(gè)維度上增加了什么東西導(dǎo)致的。這個(gè)現(xiàn)象分解出來，原因具體在哪里，這些探索可以馬上進(jìn)行，實(shí)時(shí)的反饋。

 

AI科技評(píng)論：不同的大模型對(duì)Chat BI有區(qū)別嗎？

劉誠忠：區(qū)別很大，問數(shù)的核心就是大模型能不能準(zhǔn)確理解問題，有的大模型更準(zhǔn)，有的就不準(zhǔn)。GPT-4o效果很好，DeepSeek和千問也不錯(cuò)。但對(duì)接大模型的過程相對(duì)來說是標(biāo)準(zhǔn)化的，因?yàn)榇竽Ｐ蛯?duì)外暴露的接口就是prompt。不管這個(gè)模型是不是開源的，Chat BI把query給它，它以語義層的語法返回，由BI平臺(tái)再翻譯成SQL，完成對(duì)數(shù)據(jù)的查詢，把聚合的結(jié)果反饋給客戶。

 

AI科技評(píng)論：未來Chat BI的產(chǎn)品形態(tài)會(huì)是Agent嗎？

劉誠忠：衡石現(xiàn)在的Chat BI還是面向真人，比如通過報(bào)表旁邊的聊天窗口，或者向飛書里的bot提問。但未來有很多情況下會(huì)是一個(gè)Agent或者AI來和衡石對(duì)話，所以我們對(duì)外要提供for Agent的一層，使它可以被別的Agent所識(shí)別、辨認(rèn)和調(diào)用。

我們以后對(duì)外就是一個(gè)企業(yè)級(jí)的 BI Agent。衡石已經(jīng)和Dify集成，用戶可以在Dify里完成一個(gè)復(fù)雜的任務(wù)，它分解后其中一步是查詢數(shù)據(jù)，這一步是衡石在支撐服務(wù)。Agent查詢，Chat BI進(jìn)行響應(yīng)，然后Agent再回到工作流里。我們作為支持性的企業(yè)級(jí)Agent進(jìn)入一個(gè)復(fù)雜的任務(wù)編排里，承擔(dān)其中智能問數(shù)的環(huán)節(jié)。

 

NL2DSL：語義層和大模型的雙向奔赴

受訪者供圖

AI科技評(píng)論：為什么采用NL2DSL的技術(shù)路線？

劉誠忠：自然語言對(duì)數(shù)據(jù)靈活提問的功能是BI行業(yè)十多年來的想法和嘗試，也是 BI 行業(yè)的技術(shù)趨勢(shì)。Tableau還專門收購過一家做NLP的公司，效果也不是很成功。原因在于，大語言模型出現(xiàn)之前這項(xiàng)技術(shù)非常不成熟，它出現(xiàn)之后通過自然語言查詢數(shù)據(jù)才具有可行性。

創(chuàng)業(yè)做產(chǎn)品構(gòu)建的時(shí)候，我們就決定將工程團(tuán)隊(duì)的精力集中在加強(qiáng)語義層能力上，但當(dāng)時(shí)的考慮和AI無關(guān)。語義層是 BI 做數(shù)據(jù)分析的基礎(chǔ)能力，power BI在這方面做得很好，所以分析能力就強(qiáng)過別的 BI 工具。衡石是2016年創(chuàng)立的，算新一代BI公司，當(dāng)時(shí)把這些產(chǎn)品都研究過，我們發(fā)現(xiàn)了語義層在整個(gè)產(chǎn)品演進(jìn)過程中至關(guān)重要的作用。2019年，衡石在語義層上就做得不錯(cuò)了。

（注：衡石采用NL2DSL的方式，將自然語言的詢問翻譯為指標(biāo)描述語言，由BI層進(jìn)一步翻譯為SQL進(jìn)行下推查詢。）

 

AI科技評(píng)論：語義層上的技術(shù)優(yōu)勢(shì)在AI時(shí)代有什么意義？

劉誠忠：語義層在BI上的優(yōu)勢(shì)，在 AI 上也是優(yōu)勢(shì)。大模型出來之后，可以說語義層能力更有用武之地，不需要大模型把自然語言翻譯成SQL那么底層的語言，只需要翻譯成中間語義層的語言即可，這對(duì)大模型提出的要求更低了。其實(shí)也只有降低對(duì)大模型的要求，Chat BI才更有可行性。因?yàn)閺募夹g(shù)路線的角度，大模型不擅長精準(zhǔn)的數(shù)據(jù)分析場(chǎng)景，這也不是大部分模型廠商要發(fā)力的領(lǐng)域。長期來看，BI行業(yè)的落地應(yīng)用門檻下降了，數(shù)據(jù)分析和數(shù)據(jù)智能應(yīng)用更加普及，AI是所有BI廠商的紅利。

 

AI科技評(píng)論：AI還給BI行業(yè)帶來了什么影響？

劉誠忠：除了直接的問數(shù)，對(duì)分析報(bào)告生成也會(huì)有幫助，但這種幫助很大程度上依賴于垂直領(lǐng)域知識(shí)，這是 AI 目前跟數(shù)據(jù)結(jié)合還不太成熟的方面。AI數(shù)據(jù)分析現(xiàn)在是第一階段，用戶對(duì)很多指標(biāo)的提問可以馬上被準(zhǔn)確識(shí)別。第二階段是對(duì)于數(shù)據(jù)的走勢(shì)、關(guān)聯(lián)關(guān)系以及數(shù)據(jù)背后隱藏的洞察，可以給人更清楚的解讀。我們判斷，大模型對(duì)數(shù)據(jù)趨勢(shì)進(jìn)行預(yù)測(cè)和解讀的能力，可能在今年晚一些時(shí)候或明年會(huì)被比較大幅地增強(qiáng)。但這個(gè)我們判斷取決于垂直領(lǐng)域模型的進(jìn)展，才能真正落地。

 

AI科技評(píng)論：這是否對(duì)大模型的分析能力提出了更高的要求？

劉誠忠：這需要它有非常強(qiáng)的分析能力。大模型技術(shù)的基礎(chǔ)趨勢(shì)會(huì)讓它的分析能力越來越好，但目前的推理模型還不太實(shí)用，所以我們主流使用的大模型還是DeepSeek-V3。我們也在觀察DeepSeek-R1，但是在問數(shù)、解讀報(bào)告生成的場(chǎng)景中它并沒有特別的優(yōu)勢(shì)。同時(shí)，關(guān)鍵還在于垂直領(lǐng)域的行業(yè)性數(shù)據(jù)作為關(guān)鍵語料對(duì)垂直模型的幫助，不只是大模型單方面的瓶頸。

 

AI科技評(píng)論：你評(píng)價(jià)模型性能更關(guān)注它在具體行業(yè)場(chǎng)景中的實(shí)用性嗎？

劉誠忠：大家真正關(guān)注的是零售、制造、醫(yī)療這些具體行業(yè)，一項(xiàng)技術(shù)如果很先進(jìn)，最重要的是能拿來使用。比如BI，我們關(guān)注的是能不能落地到數(shù)據(jù)分析、分析報(bào)表可視化的具體場(chǎng)景里，因此會(huì)從一個(gè)很實(shí)用的角度來考察 AI 的能力。每個(gè)行業(yè)自己的需求都很現(xiàn)實(shí)，行不行拿過來試一下。

 

AI科技評(píng)論：To B服務(wù)中沒有用戶敢相信大模型隨機(jī)輸出的內(nèi)容，但AI的本質(zhì)就是尋求概率，所以大模型使用效果會(huì)不會(huì)不穩(wěn)定？

劉誠忠：對(duì)，所以大模型在To B落地很困難。To B就是要精準(zhǔn)，現(xiàn)在模型的能力在嚴(yán)肅數(shù)據(jù)的場(chǎng)景中太稚嫩，我們沒有看到太多的檢驗(yàn)和落地的實(shí)在效果。我們的價(jià)值也是在大模型能力不夠高的現(xiàn)狀下努力提升他的精準(zhǔn)性。企業(yè)用大模型直接問數(shù)的準(zhǔn)確率可能只有30％，我們BI能幫它提高到80％、90％以上，基本達(dá)到可落地的程度。

（雷峰網(wǎng)文章）

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。