试想这样一个场景：你完全不懂技术，甚至连Excel的数据透视表都用不利索，但只要对着电脑说一句“帮我看看这个月销量为什么下滑”，就能立刻得到一份专业的数据分析报告——这听起来是不是像科幻片？但如今，大模型加持下的对话式BI正在把这个幻想变成现实。

最近，帆软推出了FineChatBI，一款基于大模型的对话式业务分析工具。它的核心理念很简单：让自然语言成为数据分析的入口，让业务人员无需学习任何数据分析技巧，只需要知道自己要分析什么业务问题，就能完成从查数到诊断的全流程。本文将结合与帆软FineChatBI研发总经理翁林君的深度对话，拆解这款产品背后的思考、技术路径以及行业趋势。

BI持续演进，无限逼近“人人都是数据分析师”这个愿景

BI产品的终极目标，是让“人人都是数据分析师”。为了这个目标，BI经历了几个阶段的演进：

报表式BI（20世纪80年代起）：以SQL、OLAP和数据可视化为核心。用户得自己写SQL、懂数据建模，还要有深厚的业务理解能力。说白了，这是给IT/DT专业人员用的，渗透率不到1%。这个阶段的BI门槛高得吓人——你得同时具备DBA的硬核技术和MBA的业务洞察力。

自助式BI（2000年代起）：VizQL技术让大家可以通过拖拽、点击来操作，不用写SQL了。技术门槛降低了，但数据分析能力的要求还在——你得知道怎么问问题、怎么理解数据，还得有数据思维。用户群体扩大到数据分析师，渗透率提升到约10%。随后，增强BI（AI加持）又进一步把门槛降了一点，渗透率到了15%，但依然没突破数据思维的瓶颈。

对话式BI（当前）：这是最碘伏的一步——直接把数据思维这个门槛拆掉。因为不是每个人都懂数据分析，但每个人都会用自然语言描述自己的业务诉求。对话式BI让用户通过聊天一样的方式查询和分析数据，不要求懂技术，甚至不要求懂数据分析，只需要知道自己想分析什么业务问题。这样一来，用户渗透率理论上可以逼近100%。

需要强调的是，这三种形态不是替代关系，而是面向不同场景和用户群体的互补方案。报表式BI满足固定报表需求，自助式BI给分析师灵活分析，对话式BI则让普通业务人员也能即兴问数。

不赶时髦的帆软，为什么这么看重大模型？

在AI概念满天飞的那几年，帆软显得格外“冷静”。但这不是因为不重视——恰恰相反，他们一直在默默探索。早在2019年，帆软就成立了专项团队，推出过一款名为FineAI的问答式BI原型，并找了客户内测。结果很残酷：早期的问答式BI技术存在严重缺陷——模型精度不足、跨场景泛化能力差，导致查准率远达不到产品化要求。当时主流的技术路线是规则解析加上小模型（比如神经网络语言模型），但在自然语言转SQL时表现很不稳定，而且需要针对每个客户的特定场景单独训练模型，实施成本极高。

于是帆软果断暂停了市场推广，转而持续跟踪相关技术。直到大语言模型（LLM）出现，他们才看到了真正的突破口。大模型有两个关键能力让对话式BI变得可行：

第一，强大的自然语言理解和跨场景泛化能力。大模型在很多NLP任务上表现优异，而且不需要为每个场景单独训练，这就解决了小模型泛化能力不足的问题。研发成本和落地效率都大幅改善。

第二，内嵌了数据分析和业务知识。传统BI工具总要求用户具备数据思维和业务理解，而大模型本身已经学习了很多分析方法和行业常识。借助RAG、知识图谱等技术，还可以把企业内部特有的业务规则（比如库存的补货周期、安全库存水平）集成进来，让系统在回答“库存水平怎么样”时，不只是报数字，还能结合规则给出优化建议。更进一步，大模型甚至能把分析结果自动转化为业务系统中的任务，真正做到数据从业务中来，再到业务中去。

正是这些技术进步，让帆软决心在“AI For BI”上大举投入。

帆软的FineChatBI，有什么不一样？

考虑清楚之后，帆软的行动非常坚决。FineChatBI在产品设计上体现了几大差异化优势：

1. 企业级BI能力底座，让产品从一开始就有扎实根基。帆软把企业级BI的核心能力（数据源连接、数据建模与计算引擎、可视化渲染、权限管理）抽象成公共组件。FineChatBI只需专注在对话引擎和上层应用上，就能快速打造出满足企业要求的成熟产品。

2. 可控生成确保结果可信。大模型有“幻觉”问题，生成结果可能不准确。FineChatBI的解法很巧妙：采用Text2DSL技术，先把自然语言转成用户能看懂的标准化查询结构（DSL），而不是直接生成SQL。用户看到这个中间结构就能判断系统是否理解正确，并可以手动干预调整。之后再通过底层引擎把DSL转成SQL去执行。此外，他们采用自研规则模型与LLM结合的方式——简单明确的问题由规则模型以完全可控的方式处理，保证精度和速度；复杂模糊的问题才交给大模型。这样既解决了性能问题，又实现了生成过程可干预、结果可信任。

3. 不止于查数，打造完整分析闭环。FineChatBI不只是回答“上个月销售额是多少”这种简单问题。用户提出一个业务问题后，系统会自动拆解分析思路、推荐相关的数据问题。用户点击后，系统自动进行异常检测、归因分析，并生成分析报告和行动建议。整个过程引导用户从描述性分析（发生了什么）到诊断性分析（为什么发生），再到处方性分析（该怎么办），完成一个完整的分析闭环。

4. 持续优化交互体验，让对话分析更丝滑。比如输入联想与模糊匹配，用户输入时自动推荐相关问题；开放图表生成规则，用户可以切换指标聚合方式、删减维度、一键换图表类型；支持多轮问答维持上下文。在性能上也做了大量优化，大部分查询秒级响应。

基于这些思考，帆软将FineChatBI定位为对话式业务分析工具，而非单纯的对话式数据分析工具。这两者的区别在于：数据分析工具主要关注数据获取，服务于分析师；而业务分析工具更关注数据对业务决策的意义，整合了业务逻辑，帮助用户理解数据如何驱动业务发展。这个定位让FineChatBI在市场上有了独特的竞争力。

让“人人都是数据分析师”不再是一句空话

可以预见，像FineChatBI这样的对话式BI一旦普及，会对整个行业带来深远影响。

对BI服务供给侧而言，对话式BI打开的是一个10倍级的新市场。传统敏捷BI覆盖了大约10%的用户（技术人员+数据分析师），而对话式BI能让所有业务人员都能做分析，市场空间从10%扩大到100%。这不是在存量市场里卷价格战，而是创造一个全新的蓝海，让厂商实现良性增长。

对数据消费侧（企业和个人）而言，对话式BI是数据普惠的催化剂。以前大多数人很少做数据分析，主要靠经验做决策——不是因为分析不重要，而是门槛太高。未来，也许我们做任何决定前都会下意识先看看数据。而且，随着经济从粗放增长转向存量竞争，企业必须靠精耕细作的科学决策来取代经验决策。对话式BI让数据驱动的精细化管理成为现实，这不仅是工具升级，更是生产力和运营模式的变革。

当每个人的数据素养都提升，整个社会的数据价值释放就会加速——这对于数字经济和“新质生产力”的建设，都具有重要的战略意义。