2小时AI搭完一个智能问数 Demo，我发现最难的根本不是 AI

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。