观远数据智能问数ChatBI_大模型对话式BI数据分析工具

立即咨询

立即试用

商务合作

观远数据智能问数ChatBI

观远数据智能问数 ChatBI 作为大模型对话式 BI 数据分析工具，它以自然语言交互打破数据壁垒，让分析门槛骤降。同时，它还是智能可视化分析决策系统，能快速将复杂数据转化为直观图表，为企业精准洞察市场、制定策略提供有力支撑。

立即咨询

观远产品矩阵，推进数据分析范式升级 icon

现状及痛点

数据需求响应慢、工具学习难、沟通效率低导致决策效率提升受阻

已有报表解决了核心指标的看数问题，但大量临时需求得不到满足

数据分析工作需要长期、专业的训练，一定程度上依赖分析人员个人经验沉淀。

业务对数据表远不如指标熟悉，数据口径的确认与变更困难重重

分析知识与用户行为习惯埋没在冰山之下，难以挖掘并积累为企业知识。

解决思路

提供零门槛、自迭代的问数工具

即问即答，随时响应的数据助手，主动从对话过程中摘取关键信息转化分析

自然语言互动免去学习成本，由系统学习用户行为，提供个性化问答体验

多源数据整合、多平台知识库接入，自动完成图表绘制与数据分析洞察

企业知识库自动检查、提醒更新，持续优化知识库内容

Chat BI产品架构：从能力底座到前台问数的三层架构 icon

Chat BI启用三步走：准备--> 建模--> 问数 icon

数据管理员

1. 数据准备

1.1 数据对接/数据采集
1.2 数据加工处理（关联/合并/清洗/汇总）
1.3 数据权限配置。

模型训练师

2. 建立模型（问数主题）
2.1 建立模型
2.2 模型测试
2.3 错题集批改
2.4 知识库维护
2.5 模型权限管理。

最终用户

3. 前台问数
3.1支持连续对话
3.2 支持模糊提问（自动识别纠正错字错词）
3.3 支持多表关联查询
3.4 支持复杂问题
3.5 支持问数过程中动态
计算。

1.1 数据准备：数据对接/采集 icon

湖仓数据：支持40+数据库对接，也支持自助式对接的云厂商/国产化等外部数据库
文件数据：支持远程数据湖文件如 ADLS Gen2,
支持本地和FTP文件
API 数据：Web Service灵活接入外部数据
业务数据：融合企业多样业务系统数据
OA 账户数据：OA与BI 账户数据无缝对接
填报数据：灵活填报格式和固定格式填报，支持不同数据收集和上报场景
其他：飞书表格，存储过程，卡片数据集、视图数据集、等更多数据源类型支持

1.2 数据准备：数据关联/合并/清洗/汇总 icon

场景

总公司营业指标下来了，怎么把总公司和本地的分公司数据做融合分析？
IT 需求排到下个月，又不会写SQL。怎么办？

功能特色

智能 ETL （SmartETL）是观远数据提供的全拖拽式的自助式数据准备。
多路输入，异源数据融合；
多点输出，计算灵活复用；
实时预览，数据及时纠错；
规模计算，上亿行数据量；

价值

提升数据处理效率，降低开发成本
数据处理流程自动化，节省人工成本

1.3 数据准备：权限配置（确保问数时返回的数据范围受控） icon

精细管控与灵活管理兼得，完整血缘链路提供全局管理视角。

2. 模型建立和训练 icon

知识库冷启动

问数范围：接入已有数据源，自动学习数据知识。
业务知识：一键导入已有取数模板、知识内容，快速搭建企业级场景知识库雏形。
主题测试：根据知识库内容与用户常见问题，快速批量生成问答结果，人工审核回答准确性。

知识库自迭代

知识更新：从对话中提炼新知识、一键加入训练集，不断完成企业知识库。
知识检查：持续进行知识自检、知识更新，对错误知识进行提示，避免产生知识污染。
个性学习：根据用户的个人习惯、分析思路，逐渐打造个人AI数字助理。

用户使用

问答结果：自然语言多轮对话获取数据结果，由系统自动完成可视化图表选择、引导追问。
持续运营：通过强互动式的前台界面设计，达成新用户促活、老用户留存的运营闭环。
主题丰富：随着用户使用深度加深，对已有主题进行进一步扩展或接入新问数主题。

训练追踪

数据埋点：
通过用户行为数据统计，了解用户活跃情况、问答准确率信息，进行针对性优化与运营。
训练模型：
根据用户反馈进行知识提炼与完善，打造企业级知识库雏形。

2.1 & 2.2 建立模型&测试模型 icon

2.1 建立模型：知识库冷启动

2.2 测试模型：建议准确率>90%才启用开放给最终用户

导入已有数据表、取数模板或其他文档类知识，快速完成首个主题知识库搭建。
主题投入使用前，根据已有知识批量生成回答并审核回答准确性，准确率到达90%即可投入应用

2.3 &2.4 训练追踪、错题批改、知识库维护 icon

强互动、可追踪

用户通过自然语言与系统多轮会话获取数据结果，由系统自动完成可视化图表选择。
后台的数据埋点信息满足主题运营诉求，分析师有针对性地优化问答结果，逐步搭建企业级知识库雏形

2.3 用户使用

2.3 训练追踪

2.4 知识库维护

3. 用户前台问数

客户案例：需求响应从小时级加速到分钟级 icon

观远数据Chat BI，三阶段建设助力企业实现数智经营 icon

ChatBI三阶段建设路径 icon

L1：取数阶段，打破传统提数瓶颈，赋能业务高效决策 icon

是什么

观远ChatBI是一款基于大语言模型（LLM）打造的智能数据问答产品，提供意图识别、知识召回、问题理解、数据查询、可视化生成等能力，帮助企业更敏捷地进行数据分析决策

带来什么价值么

引导式低门槛问答
企业个性化知识库
知识运营支撑引擎

L2：归因阶段，智能数据归因 icon

波动性不确定性复杂性模糊性

信息化越来越完善，沉淀数据越来越多维度、指标指数级增长，复杂性提高
完全依赖分析师团队，无法满足快速洞悉、快速决策的组织敏捷性要求
人员流动，分析师团队建设进行中，缺乏科学、体系化的归因思路与方法，口径不统一，结论的可解释性不足
确定性解释之外，还需要探索可能性因素，才有机会发现冰山之下的问题

ChatBI智能归因，快速精准洞悉数据深处 icon

带来什么价值

加速经营异常分析、定位
增强企业数据分析能力一提升智能化
保证分析结论一致性，准确性
透视冰山之下的问题

门槛低

点选配置，门槛低
复用内部专家经验-简化配置步骤
查看关联分析报告-经验互惠共享位

能力强

四大核心算法能力，智能化加持
单一/交叉维度归因、指标归因、关联挖掘

体验好

章节式报告
下钻、透视，灵活度高

ChatBI智能报表解读，自定义规范生成洞察报告 icon

带来什么价值？

自动化报告解读，提高数据分析效率
自定义解读样式，满足个性化需求

示例：智能归因

场景描述：

用户在PC上查看DRP Dashboard，系统自动触发结论报告，从维度层面给到归纳总结，如DRP整体Cost减少（环比下降20%），但CPT增加（环比增加8%），核心原因在于Volume减少（环比下降25%），说明从维度层面，是整体销售量出现问题;此时，进一步发现，成都DC的CPT显著高于其他DC，于是可以定位从Volume来看，是成都DC产生了问题:想进一步看到底是什么对成都DC造成了影响；
用户点击AI智能问答，开始询问成都DC更详细的情况；
系统自动进行查询及分析，随即生成一段结论:从Volume角度，成都DC CPT较高，主要由于Deo品类整体CPT较高达1413，说明Deo整体销量减少的情况下，仍然在产生较高的物流费用，从承运Deo品类的线路数量看，只减少了4趟，这部分仍然对Deo品类CPT产生较大影响;从Value角度，虽然成都Cost在降低，但仍然可以发现，合肥DC1-成都DC线路Cost的大幅增长（上涨约66%），也影响了成都DC的CPT;接下来，系统自动给到行动建议，如优化Deo品类的运输计划，根据预测，若对比当前，运输次数减少6条，整体CPT将下降30%；最后，系统自动给出相关负责人，并给予本次分析数据及结论，生成相关订阅消息，并以邮件形式自动发送给相关人员；

L3: 策略阶段，闭环数据行动 icon

传统模式下的核心痛点

传统流程：
分析报告生产周期长，沟通链路复杂
结论形成后，行动策略传达缓慢
无法追踪行动效果，难以优化策略。
核心痛点：
效率低：从洞察到行动，耗时1-2周，影响业务响应速度。
执行难：行动策略传达不到位，执行层理解偏差大。
无闭环：缺乏效果追踪，无法形成“洞察-行动-复盘”的闭环查

ChatBI带来的改善价值

效率提升：从洞察到行动的时间从数周缩短至实时，大幅提升业务响应速度。
执行落地：系统自动生成可执行的策略建议，确保行动快速落地。
效果追踪：持续监控行动效果，形成“洞察-行动-复盘”的闭环管理。
·持续优化：通过数据驱动的方式，不断优化策略，提升业务效果能

示例：自动任务编排与数据追踪，实现任务闭环 icon

场景描述：

用户通过自然语言描述任务需求，如：“我需要自动化地从供应商数据库中提取交货数据，并在交货延迟时自动发送预警邮件给采购部门。
系统解析描述，识别关键任务元素:“提取交货数据”、“交货延迟”和“发送预警邮件”。
系统设计数据结构，确保能够高效地从供应商数据库中提取所需数据。
系统编写自动化脚本，实现数据提取、延迟检测和邮件发送的自动化流程。
系统设置事件触发器，当检测到交货延迟时，自动执预警邮件发送任务。
系统通过API或消息队列与下游业务系统(如邮件系统或采购管理系统)集成，确保数据和通知的准确传递。