最近智能问数很火。很多人想象中的画面是老板问一句“这个月销售额怎么样”系统马上返回答案生成图表还能继续追问“哪个产品增长最快”“利润为什么下降”“回款风险集中在哪里”听起来很先进。但真正动手搭了一遍我发现一件事智能问数最难的不是让 AI 回答问题而是让它基于正确的数据、正确的口径、正确的分析路径回答问题。所以我没有一上来就做复杂系统。而是花了两个小时自己搭了一个智能问数 Demo。目标很简单让业务人员不用翻一堆报表也能通过提问快速看到指标、图表和分析结果。这次用到的Fine BI Next它可以先把企业数据接进来完成数据准备、字段关联、指标口径配置和可视化分析再基于这些已经整理好的数据资产让 AI 助理去理解问题、生成分析、解释结果并支持后续追问。也就是说智能问数不是让 AI 凭空猜答案而是让 AI 站在一个已经搭好的数据分析底座上回答问题。这才是企业级智能问数真正应该验证的东西。文章所用到的 AI 数据分析工具 Fine BI Next已经全部准备好https://s.fanruan.com/yb7mhttps://s.fanruan.com/zk65g复制到浏览器https://s.fanruan.com/yb7m一、我先没有碰 AI而是先整理数据很多人做智能问数第一步就想接大模型。但企业数据分析不是聊天。如果底层数据不清楚再强的模型也只能基于混乱数据生成答案。所以我第一步做的是整理数据。我准备了几类最常见的经营数据销售订单数据、客户数据、产品数据、区域数据、回款数据、费用数据、目标数据。这些数据看起来普通但已经足够支撑一个经营分析类智能问数 Demo。比如可以问本月销售额是多少销售目标完成率是多少哪个区域完成最好哪个产品贡献最高哪些客户回款风险较大费用率有没有上升这里有个很关键的点智能问数不是数据越多越好而是先要把核心业务问题需要的数据准备好。否则数据接了一堆真正问起来还是答不准。二、第二步用 FineBI Next 先搭出分析底座Demo 要跑起来不能只靠 Excel。我需要一个地方把数据接进来、整理好形成指标、图表和可追问的分析资产。所以我用FineBI Next先搭了一个简单的分析底座。整个过程大概分成四步。1、接入数据先把订单、客户、产品、区域、回款、费用、目标这些表接入 FineBI Next。这里的重点不是炫技而是先把分散的数据集中到一个分析环境里。否则后面问数时系统很难知道该从哪里取数。2、建立字段关系接着把订单表和客户表、产品表、区域表、回款表、目标表建立关联。比如订单关联客户。订单关联产品。客户关联区域。订单关联回款。区域关联销售目标。这一步相当于告诉系统这些数据之间是什么关系。没有关系后面就没法回答“哪个区域销售最好”“哪个客户回款风险最高”这类问题。3、固化指标计算然后把销售额、回款金额、回款率、目标完成率、费用率这些指标在 FineBI Next 里配置好。这样后面不管是做看板还是做智能问数都不用每次重新计算。这也是FineBI Next适合承接智能问数场景的原因。它不只是展示图表更重要的是可以沉淀数据连接、字段指标、语义口径、分析计算、可视化资产和权限体系。智能问数如果直接面对一堆原始表很容易答偏。但如果基于已经整理好的数据资产和指标口径来回答稳定性就会高很多。4、做一个基础经营看板最后我先搭了一个经营分析看板。包括销售额趋势。目标完成率。区域销售排名。产品销售结构。客户贡献排行。回款风险分布。费用率变化。为什么要先做看板因为智能问数不是完全替代看板。很多时候看板负责稳定展示核心指标问数负责快速追问和下钻分析。看板解决“常规问题怎么看”。问数解决“临时问题怎么问”。两者结合效率才高。三、第三步我把高频问题整理成问数清单很多人以为智能问数就是让用户随便问。但 Demo 阶段不能这么做。如果一开始就追求“什么都能问”最后很可能什么都答不好。我先整理了一批高频问题本月销售额是多少本月目标完成率是多少哪个区域销售额最高哪个区域目标差距最大哪个产品增长最快哪些客户贡献最高哪些客户回款逾期本月费用率相比上月有没有上升这些问题有一个共同特点业务常问指标明确数据能支撑。这样做的好处是Demo 不会停留在概念层面而是能真正跑通几个典型分析场景。智能问数落地最怕一开始就做成大而全。真正有效的做法是先从高频、清晰、可验证的问题开始。四、第四步把“问一句”变成“看结果、追原因”一个合格的智能问数 Demo不能只回答一个数字。比如用户问“本月销售额怎么样”如果系统只回答“本月销售额为 860 万。”这个价值其实有限。更好的回答应该是本月销售额为 860 万。目标完成率为 86%。环比下降 8%。下降主要集中在华东区域和 A 产品线。其中华东区域较上月减少 72 万A 产品线减少 45 万。建议继续查看区域销售明细和产品销售结构。这才接近业务真正需要的答案。所以我在 Demo 里设计了一个简单逻辑先回答结果再展示图表再提示可追问方向。比如问销售额返回销售趋势和目标完成情况。问区域表现返回区域排名和目标差距。问客户贡献返回客户销售额和回款情况。问回款风险返回逾期客户、逾期金额和账龄分布。问费用变化返回费用率趋势和费用结构。这一步让我明显感觉到智能问数不是查数工具而是分析入口。它真正有价值的地方不是把某个数查出来而是带着用户继续追原因。五、这个 Demo 跑通后我发现智能问数有三个前提搭完 Demo 之后我最大的感受是智能问数看起来轻但底层一点都不轻。它至少依赖三个前提。1、数据要可用数据必须能接进来、对得上、更新及时、质量稳定。如果订单表缺字段客户表不规范回款数据延迟目标数据没有维护问数结果一定不准。所以智能问数不是跳过数据建设。它反而更依赖数据建设。2、指标要统一智能问数最怕口径不清。销售额、利润、费用率、回款率、客户数、库存周转这些指标都必须提前定义。否则系统返回的数字越快争议也越快。过去大家是在会议上争口径。现在可能变成系统自动把争议放大。3、分析路径要沉淀业务人员问问题通常不是只要一个结果。他还想知道为什么变了是谁影响的哪个环节出了问题下一步看哪里这就要求系统不只会查数还要有分析路径。比如销售下降就要能从区域、产品、客户、渠道、订单、回款等维度继续拆。没有分析路径智能问数就只是一个更快的查询框。六、为什么 FineBI Next 更适合搭这类 Demo这次搭 Demo我没有从零开发一套系统。原因很简单从零开发太重了。要做数据接入、数据建模、指标计算、图表展示、权限控制、看板联动、结果下钻光底层能力就要花大量时间。而 FineBI Next 本身已经具备比较完整的企业级数据分析能力。它可以把数据连接、数据准备、分析处理、仪表板呈现和后续应用串在一起让数据从接入到分析再到应用形成完整链路。对智能问数 Demo 来说FineBI Next 的价值主要体现在三点。第一它能先把数据资产整理出来。数据不是散在 Excel 和业务系统里而是可以在一个分析环境中形成数据集、字段、指标、图表和分析路径。第二它能把核心指标和分析逻辑沉淀下来。销售额怎么算回款率怎么算目标完成率怎么算可以先在 BI 体系里固化。这样后续做智能问数就不是让系统临时猜口径而是基于已经沉淀好的指标资产回答。第三它能让 AI 生成的分析结果进入 BI 体系。FineBI Next 的 AI 助理能力不是让 AI 脱离 BI 单独回答问题而是基于企业已有数据资产辅助完成问题理解、分析路径拆解、分析表和图表生成、结果解释、连续追问和分析资产沉淀。这意味着智能问数生成的内容不只是停留在一次性的对话窗口里。它可以继续在 BI 中查看、编辑、发布和复用。这对企业级场景很关键。因为企业要的不是一个“会聊天的数据机器人”而是一个能继承数据资产、遵守指标口径、受控于权限体系并且支持后续复核和沉淀的分析助手。七、一个智能问数 Demo最少应该包含什么如果只是做一个可演示、可理解、可落地的 Demo我觉得至少要包含六个部分。1、一套样例数据不需要一上来接全量系统数据。可以先选一个业务场景比如销售、库存、财务费用、项目进度。数据能覆盖核心分析问题即可。2、一套指标口径至少要定义 5 到 10 个核心指标。比如销售场景里可以先定义销售额、目标完成率、回款率、客户贡献、产品增长率、区域差距等指标。3、一个基础看板看板负责展示核心结果。比如销售总览、趋势变化、区域排名、产品结构、客户贡献、回款风险。4、一组高频问题问数不是让用户乱问。Demo 阶段要先设计高频问题让系统稳定回答。5、一条追问链路比如从“销售额下降”追到“哪个区域下降”再追到“哪个产品下降”最后追到“哪些客户减少”。没有追问链路智能问数的价值会打折。6、一个可解释结果每个回答最好能说明用了什么指标。基于什么时间范围。按什么维度分析。结论来自哪里。下一步可以看什么。这才是企业级问数应该有的样子。八、最后总结两个小时搭完一个智能问数 Demo我最大的体会是智能问数不是把 AI 接到数据库上而是把 AI 接到企业已经整理好的数据资产上。所以企业想做智能问数不一定一开始就做大平台。更实际的做法是先选一个高频场景。整理一套核心数据。定义一组指标口径。用 FineBI Next 搭出基础分析底座。再围绕高频问题做问数和追问 Demo。这样做的好处是成本不高但很快能验证三件事数据能不能支撑。口径能不能统一。业务问题能不能被稳定回答。智能问数真正有价值的地方不是让系统显得很聪明。而是让业务人员少翻几张表少等几轮取数少开几次口径会。这才是企业做智能问数 Demo 最应该验证的东西。