FineChatBI，帆软在AI方向的新阳谋

AI大模型让对话式BI真正落地。

作者｜栗子

“我们用AI大模型改造BI的出发点非常简单，就是希望降低数据分析门槛，让人人都能成为数据分析师。”帆软产品研发中心总经理陈敏对「甲子光年」表示。

随着AI大语言模型技术的快速发展，几乎各行业企业都在探索AI改造自身业务场景的可能性，“把业务用AI重做一遍”的论调早已成为共识。

在寻找AI落地场景的过程中，BI（商业智能）几乎是一个不需要讨论的确定性答案。

率先交卷的是微软。

去年6月，微软宣布将Copilot整合进自己的企业数字化工具“Power BI”，打响了“AI+BI”的第一枪。几乎同一时间， Tableau（2019年被Salesforce收购）、ThoughtSpot和Sisense等全球知名BI服务商都纷纷宣布在自身产品中注入AI大模型的计划。

趋势很快传入国内。从去年至今，陆续有不少中国BI厂商也都开始推出“ChatBI”、“BI Copilot”等类似功能。

大模型所催生的“对话式BI”之所以能够快速成为AI落地toB业务的最佳场景，背后的原因其实非常简单。因为在今天这个数据已成为关键生产要素的时代，对话式BI能够让用户通过日常对话轻松获取数据价值，大幅降低数据应用门槛，解决了数据使用中最核心的问题。

只是，AI与BI的结合过去早已有过尝试，却并未激起太大水花。这一次，AI大模型能否真的给BI带来价值？AI与BI的结合究竟应该用怎样的姿态？

在这些问题上，帆软给出了“领先版本”的思考。

1.ChatBI需要被重新定义

“可视化大屏”可能是绝大多数企业业务人员对“传统BI”的主要印象。

这并不难理解。因为传统 BI产品起源于上世纪八九十年代，那时候开始陆续出现并逐渐发展成熟的技术包括 SQL、OLAP、数据可视化等，使用门槛极高。所以对于不懂技术的业务人员来说，可视化大屏几乎是他们接触BI的唯一场景。

2016年，随着深度学习、神经网络等技术的逐步成熟，包括微软在内的一些公司开始尝试用AI来改造BI（Gartner定义为“增强BI”）。这种增强BI确实一定程度上降低了使用门槛，也催生了早期的检索式BI。

不过，这种改造并没有从本质上改变BI的产品形态，企业依然需要为业务部门配备具有技术能力的数据分析人员，才能够弥合业务与数据分析之间的鸿沟。

为了进一步降低使用门槛，让更多的业务人员使用BI，2019年前后，国内外BI厂商开始探索“问答式BI”的可行性。

据帆软FineChatBI产品负责人翁林君透露，当时帆软也成立了专项攻坚团队，并联合两家外部合作商共创，尝试推广问答式BI产品。

但问题在于，当时的问答式BI产品在技术上大都采用“规则解析”或“神经网络（小）语言模型加规则解析”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。

与此同时，利用端到端（Seq2Seq）方法训练出的模型泛化能力不足，在一个数据集上调好的模型，换到另一个数据集上就不行了。

翁林君告诉「甲子光年」，过去，阻碍用户使用问答式BI的一个典型例子，就是用户很难问出“正确的数据问题”。因为这种问题通常需要用户具备较强的数据思维，同时又具备专业的业务知识。

为了解决小模型的泛化问题，企业就需要针对特定场景不断增加语料，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。

也就是说，上一代的问答式BI，没有突破“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”的“不可能三角”，最终沦为了摆设。所以当时帆软也随之暂停了问答式BI的产品推广。

在帆软看来，上一代问答式BI本质上是一个“对话式/检索式”的取数工具，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。如果业务人员不具备数据分析思维，也没办法独立完成从数据到业务的分析闭环。

而与过去相比，今天的AI大模型已经成为了当下最大技术红利。在通用场景下，大模型展现出的跨任务、跨场景的泛化能力，让包括微软在内的厂商都看到了实现成熟、能落地的“对话式BI”产品的可能性。BI的产品形态也开始进入了一个新的阶段。

2.FineChatBI，从业务到数据闭环

经过近两年的技术投入，如今，帆软带着全新的“FineChatBI”重回对话式BI市场。

在帆软的定位中，FineChatBI是一款“对话式业务分析工具”，而非“数据分析工具”，二者的区别非常大。因为数据分析工具意味着它的最终用户依旧是企业小部分的数据分析人员，而业务分析工具则直接扩大到企业所有业务人员。

举例来说，业务人员可以直接提出业务问题，例如“今年部门业绩是否比去年好？”，FineChatBI会将该问题用数据视角拆解成几个问题，并以多轮对话的形式与业务人员进行进一步确认，再从数据库中调取所需数据，并以可视化的形式反馈给用户。

在这一过程中，FineChatBI也会对输出的结果进行数据异常分析，帮助用户找出可能存在异常的业务指标，并对其进行归因，让用户发现导致业务异常背后的原因。

此外，FineChatBI还能够对业务指标进行预测，并生成相应的数据报告。

之所以能够实现这样的用户画像跨越，AI大模型能力在其中功不可没。

相比于上一代问答式BI，今天FineChatBI的最大区别就是利用了大模型的泛化能力。它能够在通用场景下理解用户所提出的业务问题，并拆解成对应的数据问题，从而跨过了此前业务人员无法提出正确问题的门槛。

“比如同样都是销售额，不同公司有不同的叫法，而利用大模型的泛化能力，我们一次性帮你配100个叫法。另外，我们还可以连接你企业的知识库，只要你输入进去，产品就能理解你说的‘销售额’是什么意思。”陈敏在与「甲子光年」访谈时表示。

但用过大模型产品的用户都清楚，大模型虽然泛化能力强，但如果不能解决输出幻觉，就无法用于实际的业务数据分析场景。对此，帆软给出的解题思路是：Text2DSL。

简单来说，Text2DSL是一种AI技术，让用户能够用自然语言提问，由AI将问题转化成业务用户可理解、可干预的指令指导计算机行动（例如：查询指标A在维度B上的分组汇总，并用柱图展示结果），从而避免让大模型用自己的“黑盒子”直接自己生成业务用户无法理解的结果。

从FineChatBI的技术架构层面看，大模型处于“对话管理层”，用于支持对话引擎的意图分类、意图理解、思路拆解及上下文管理等能力。而FineChatBI的能力底座，依旧是数据连接、建模计算、搭建渲染、权限管理等BI需要具备的基础能力。

也就是说，帆软的FineChatBI只是利用了大模型的泛化能力来完成产品与用户的对话交互，而BI所必备的能力底座和配置管理等，依旧需要建立在已有的BI能力之上。而这正是帆软在过去18年里一直积累且最擅长的事。

事实上，即使AI大模型已经如此普及，能够真正做好一款对话式BI产品也并非易事。因为对话式BI并不是直接建立在大模型之上，它的底层需要极强的BI能力建设，这也正是ChatGPT等产品不能代替BI的根本原因。

以“可控生成、可信查数”为基础，帆软用FineChatBI完成了“思路拆解→数据查询→异常检测→归因分析→趋势预测→报告生成”的整个数据分析闭环。

3.更大的想象空间：业务决策入口

在「甲子光年」看来，FineChatBI在技术上利用Text2DSL把对话式查数这件事做到极致，技术上采用完全可控的方式取到可信的数据；同时利用大模型内嵌的hypothesis testing等统计学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。

FineChatBI第一次让帆软“人人都是数据分析师”这句口号成为了可能。

但帆软未来的想象空间并不止于此。

在智能化阶段都已经开始的今天，业务产生数据、数据指导业务的理念早已普及。而帆软FineChatBI的出现，让我们真正看到了“数据从业务中来，最终要回到业务”的可能性。

不难想象未来会出现这样一个场景：当业务人员问了一个业务问题，FineChatBI反馈数据之后，通过异常分析发现了数据指标问题。紧接着，FineChatBI直接为对应的系统（例如采购系统）生成一条指令，帮助业务人员在做出决策的同时，完成业务指令的下达。

从AI大模型所带来的智能体（AI agent）普及的角度来看，这种场景在未来一定会实现。

对于BI来说，这无疑将是一个巨大的业务变革。

过去，BI一直被看做是辅助决策系统。而如果上述场景一旦实现，就意味着FineChatBI从一个辅助工具直接变成了实现业务闭环的入口，一个让业务人员实现从提出业务问题，到完成业务决策的入口。

当然，这种可期待的未来并非帆软一家厂商就能完成，而是需要整个AI与BI生态的共同建设。

今天，帆软通过服务30000+客户，覆盖了国内最广泛、丰富的客户和场景。这些场景的积累为帆软建立了巨大的优势，让我们能够快速收敛场景、验证功能，也是今天FineChatBI能够得以问世的关键所在。

实际上，在AI大模型开始出现后，业内就开始流传BI即将被AI替代的论调。但基于30000+客户的实际服务经验，帆软认为，AI与BI的关系不是简单相加的关系，而是“AI for BI”。

在访谈中陈敏直言，AI技术并不能替代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。

“毕竟只有让越来越多的人都能更简单的使用BI，BI的生态才能更完善，帆软的使命才有可能实现。”陈敏说。

（封面图来源：帆软）