ChatBI 智能问数，指的是在商业智能系统里用自然语言问数，由系统把问题对应到指标、维度和数据范围，返回数字、图表与文字解释的一种分析方式。使用者不需要写 SQL，也不用等数据团队排期，问一句“上周华东区新客的次日留存是多少”，就能拿到结果并继续追问。
搜索这个词的人，往往已经听过它和 AI、BI 的关系，却不清楚它能做到哪一步，也不知道自家数据基础能不能撑起来。下面从定义、工作链路、概念边界、适用场景和落地条件依次说明。
ChatBI 智能问数指什么
把它拆开看，会清楚很多。
- 对话入口。用户用日常语言提问，系统接受多轮追问，不再要求先选数据集、再拖字段、再设筛选。
- 业务语义解析。系统要识别问题里的指标、维度、时间范围和过滤条件。比如“今年 3 月各渠道新客首日付费率”，指标是首日付费率，维度是渠道，时间是今年 3 月，对象是新客。
- 权限内取数。查询在企业已有的数据权限体系里执行，不同角色看到的数据范围应当不同。
- 结果组织。系统选择合适的图表，给出关键数字，有的产品还会附带一段解释，并允许继续下钻。
“智能问数”是国内产品里常见的功能叫法，“ChatBI”指代的范围更大一些，包含对话式问数、图表生成、异常解读等一整套能力。两者在日常交流中经常混用，指向的都是同一类交互方式。
它和通用聊天机器人有一个明确分界。聊天机器人回答的是一般知识，ChatBI 回答的是企业自己数据里的问题，并且要继承权限、对齐口径、留下取数路径。 少了后三项，对话再流畅也不能算可用的问数系统。
它解决取数入口的问题
传统 BI 的价值在于确定性。看板搭好之后，同一张报表每天呈现同样的口径，适合管理层看大盘、团队对齐目标。问题出在临时需求上。业务想看一个没做进看板的口径，通常要在群里找数据同学，说明需求、等排期、再核对，一次取数可能跨过半天到几天。
ChatBI 把这段等待压缩了。它接住的主要是四类问题。
- 高频且口径明确的指标查询，比如昨日新增、本周转化率、各区域销售额排名。
- 一次性的临时取数，不值得为它单独做一张报表。
- 看到异常之后的初步下钻，先确认是哪个渠道、哪个地区、哪个用户群发生了变化。
- 会议前和出差途中的快速确认，用手机问一句就能拿到数。
Gartner 在 2025 年 6 月 18 日发布的预测中提到，到 2027 年，75% 的新增分析内容会通过生成式 AI 与业务语境精准关联。该机构在 2024 年 10 月至 12 月对 403 位分析或 AI 负责人的调查还显示，超过一半的受访企业已经在用 AI 工具生成自动洞察，或通过自然语言完成查询。这组数据说明对话式分析正在进入日常使用，具体到某一家企业，问数是否准确仍要看口径和数据基础。
它改善的是取数效率，分析质量仍取决于口径、数据和提问方式。 这一点在评估产品时很容易被忽略。
一次问数经过哪几步
理解内部链路，遇到错误结果时才知道从哪里查。
识别问题
系统先从一句话里抽出指标、维度、时间、过滤条件，还要判断聚合方式和排序。问题缺少关键条件时，成熟产品会追问，比如“上个月”指自然月还是近 30 天，“华东”是否包含某几个省份。腾讯云在介绍其 ChatBI 时就提到多轮对话与智能追问，模糊部分会先确认意图再回答。
匹配数据
这一层决定准确率。早期做法多是把自然语言直接转成 SQL，也就是常说的 NL2SQL。它实现直接，代价是面对复杂表结构和口语化表达时容易选错字段。
较成熟的产品会在模型和数据库之间加一层指标语义层，把指标定义、维度关系、别名和计算逻辑先固定下来，再让模型去调用。阿里云 Quick BI 的小Q问数在流程上要求先完成数据集配置，再发起问数，并支持查看取数过程。这个顺序说明问数的前提是数据已经被组织过。
权限内取数
问数不能绕过原有权限。行级权限决定用户能看到哪些地区、哪些门店的数据，列级权限决定敏感字段是否可见。如果一套问数产品只能验证答得对不对，不能验证该不该让他看到，就不能进入生产环境。
组织结果
结果通常包含图表、关键数字和一段文字说明，有的产品会展示实际执行的 SQL 或取数路径，方便业务和数据同学复核。多轮追问考验上下文承接能力，第一轮筛了“新客”，第二轮问“那老客呢”，系统应当知道要替换的是用户类型，其他条件保持不变。
| 环节 | 系统在做的事 | 出问题时常见表现 |
|---|---|---|
| 识别问题 | 识别指标、维度、时间与过滤条件 | 答非所问，追问后仍然偏题 |
| 匹配数据 | 映射指标定义、字段和关联关系 | 量级明显不对，相似字段被混用 |
| 权限与计算 | 在授权范围内执行查询与聚合 | 汇总数与明细数对不上，越权可见 |
| 组织结果 | 选图表、写解释、承接多轮上下文 | 图表类型不合适，追问丢失上文 |
决定问数准不准的，通常是语义层和数据治理，模型负责的是理解与生成。 换个更大的模型，解决不了指标没有定义的问题。
与 BI、聊天机器人、Data Agent 的边界
这几个概念经常被放在同一段话里，实际承担的任务不同。判断时看它交付什么，比看名字可靠。
| 对象 | 主要做什么 | 典型交付 | 适合的使用判断 |
|---|---|---|---|
| 传统 BI | 用看板和报表传递确定性数据 | 固定报表、可视化看板 | 日常监控、口径稳定、多人对齐 |
| ChatBI | 用对话完成取数与初步探索 | 数字、图表、简短解释 | 临时取数、指标查询、快速下钻 |
| 通用聊天机器人 | 回答一般知识，处理文本任务 | 文本回答 | 不接入企业数据，不能替代问数 |
| Data Agent | 接受目标，自主拆解多步分析 | 归因结论、分析报告、预警推送 | 重复分析、长链路任务、跨角色协作 |
ChatBI 与传统 BI 是叠加关系。常见做法是在既有数据仓库、指标体系和权限模型之上加一个对话入口，看板继续承担日常监控，问数接住长尾的临时需求。
ChatBI 与 Data Agent 的分界在谁承担分析任务。ChatBI 回答你提出的问题，Data Agent 接收一个目标后自己规划步骤，做多步归因、生成报告并推送给相关角色。两者可以并存，也可以叠在同一份数据资产上。更细的能力差异可以看《ChatBI 和 Data Agent 有什么区别？》。
选型时先确认自己要解决的是取数入口，还是分析任务的整体承接。 目标不同，产品形态和验收标准都不同。
哪些问题适合交给它
把问题分分类，比笼统讨论能不能用更有帮助。
| 问题类型 | 适合程度 | 原因 |
|---|---|---|
| 固定指标的查询与排名 | 适合 | 口径明确，结果容易核对 |
| 趋势、占比、简单对比 | 适合 | 维度和时间条件清晰 |
| 一次性临时取数 | 适合 | 省去排期，结果可当场确认 |
| 口径未统一的跨部门指标 | 先治理 | 同一名称可能有多种算法 |
| 跨系统复杂关联与多步归因 | 谨慎 | 超出单轮问答的能力范围 |
| 资金、结算、合规类指标 | 需交叉核对 | 错误成本高，不能只看一次结果 |
判断标准可以简化成三问。口径有没有定义，数据是否到齐，结果出错时谁来发现。三问里有一项答不上来，先补基础，再谈上线。
智能问数结果不准确时，排查顺序也有讲究。先看问题表述是否模糊，再看系统有没有选对表和字段，然后核对指标口径，最后检查数据质量与权限范围。这条路径在《智能问数结果不准确怎么办？》里有更细的拆解。
选型看五个动作
功能清单容易做得漂亮，现场做几个动作更能看出边界。
- 问一个口径明确的指标。 看它能否说明用了哪张表、哪个指标、什么时间范围。能解释取数路径的产品，复核成本低很多。
- 换一种说法再问一次。 两次结果应当一致。差异过大，说明别名映射或语义理解还不稳定。
- 用受限账号提问。 看它是否只返回该角色可见的数据。权限继承做不好，越快越危险。
- 连续追问两层。 看上下文是否承接。第一轮的条件在第二轮丢失，会让业务误以为数据变了。
- 问一个尚未定义口径的新指标。 看它是主动追问计算方式，还是直接给一个看似合理的数字。前者可控，后者需要警惕。
再补两项工程条件。部署方式能否满足数据不出企业环境的要求，执行过程是否留有审计记录。能解释、能复核、能守住权限，比回答得快更重要。
落地前准备三件事
收拢指标口径
不必等全公司的指标体系建完。选三到五个高频、结果可验证的指标，把定义、别名、计算逻辑和维度关系写清楚，绑定到统一的语义层。问数优先调用这些定义，避免每次现场猜算法。
补齐数据与权限
埋点是否漏采，任务是否延迟，某个渠道的数据有没有接入，这些问题会直接反映在问数结果里。权限方面要确认组织层级、行级范围和敏感字段的处理方式，避免汇总数与明细数对不上。
确定人工把关位置
稳妥的流程是系统产出、人工审核、再进入决策。涉及资金、结算与合规的指标，先与既有权威报表交叉核对。把审核动作写进流程，比事后追责有效。
ThinkingAI 的企业级 AI Agent 平台 Agentic Engine 把问数建立在统一语义与企业知识库之上，支持私有化部署、权限控制和执行审计，让分析过程和引用来源可以回溯。旗下的 Tiki 智能助手在中国信通院《智能体技术要求与评估方法 第 9 部分：数据分析智能体》的评估中获得 4+ 级最高评级，该评估覆盖技术能力、场景能力和服务成熟度共 21 个能力项。对于已经在使用 ThinkingAI 数据能力的企业，问数可以接在既有指标与用户行为数据之上，减少另起一套系统的成本。目前 ThinkingAI 已服务全球超过 1500 家企业，接入产品超过 8000 款。
常见问题
ChatBI 会取代传统 BI 吗
不会。看板和报表在确定性信息传递上仍然高效，ChatBI 接住的是临时取数和探索式提问。多数企业的合理做法是保留原有 BI，在数据与指标底座上增加对话入口。
ChatBI 和 Data Agent 应该先上哪个
看当前瓶颈。业务找不到数、临时需求排队，先上 ChatBI 见效快。分析师大量时间花在重复取数、拼表和周期性报告上，可以考虑 Data Agent。两者也可以按场景分阶段推进。
问数结果和报表对不上，先查什么
先对齐三件事，时间范围、指标口径、权限范围。三项都一致仍然对不上，再让系统给出取数路径，核对实际使用的表和字段。涉及结算类指标时，不要只凭一次问数结果下结论。
数据敏感的企业能用吗
可以，前提是确认部署方式。支持私有化部署的产品能让数据留在企业环境内，同时需要确认权限体系是否继承、操作是否留痕、分析过程能否审计。这三点要在选型阶段验证，不能等上线后补。
小企业适合用智能问数吗
适合，条件是指标相对清楚、数据来源不复杂。部分产品支持从 Excel 导入做轻量分析，可以先从一张业务表开始。即便如此，指标定义仍要写清楚，否则问得越多，分歧越多。
上线通常要多久
取决于数据基础，很难给一个统一周期。指标口径清楚、数据链路稳定的企业，可以先跑通三到五个高频问题，再逐步扩大范围。口径混乱、数据延迟严重的企业，前期治理占用的时间往往超过产品部署。
参考资料
- Gartner，《Gartner Predicts 75% of Analytics Content to Use GenAI for Enhanced Contextual Intelligence by 2027》，2025 年 6 月 18 日，https://www.gartner.com/en/newsroom/press-releases/2025-06-18-gartner-predicts-75-percent-of-analytics-content-to-use-genai-for-enhanced-contextual-intelligence-by-2027
- 腾讯云，《基于大模型的对话式数据分析产品“腾讯云 ChatBI”正式上线公测》，2024 年 7 月 15 日，https://cloud.tencent.com.cn/developer/article/2436277
- 阿里云，《Quick BI 小Q问数》，https://www.alibabacloud.com/help/zh/quick-bi/user-guide/chat-bi-overview
