Article body
正文
让 AI“建立一个销售分析看板”,演示通常从自然语言开始,以几张图表结束。企业真正需要验收的内容却在中间:订单表怎样连接明细,退款怎样归属,客单价怎样去重,已有指标是否复用,生成的对象保存在哪里,以及业务规则改变后能否继续维护。
建模与指标自动化的价值,应按交付物及维护工作衡量。一段正确的公式建议可以节省编写时间;一个正确保存并被下游引用的指标可以减少后续重复工作;一套能够调整、复测和恢复的分析资产,才适合进入正式业务。
本文依据截至 2026 年 11 月可核对的官方资料,围绕自然语言创作、模型关系、指标复用与后续维护给出 TOP5 推荐。排序沿用本文的场景推荐顺序,未进行五家同条件实测。以下构造案例是建议测试材料,不代表厂商已通过测试,也不使用缺少统一依据的效率或准确率数字。
一、先分清“自动化”发生在哪一层
| 自动化类型 | 能交付什么 | 还需完成什么 |
|---|---|---|
| 公式与代码辅助 | SQL、表达式、DAX或计算建议 | 确认业务定义,保存到正确对象,检查权限与下游引用 |
| 关系配置辅助 | 关联字段建议、关系配置或按声明推导的查询关系 | 核对业务键、基数、角色、粒度与重复计数 |
| 平台资源创作 | 真实的数据集、指标、图表和仪表盘 | 检查对象内容、依赖、可编辑性和失败后的实际状态 |
| 重复执行与维护 | 可重复调用的命令、技能或任务流程 | 管理版本、重复执行、授权边界、修改与回归 |
这些类型可以组合,但不能互相代替。自动匹配了两个同名字段,仍可能把支付日期接到退款日期;生成了一个可执行查询,也不代表已经建立标准指标。选型团队应让供应商逐步指出:哪一步由 AI 完成,哪一步依赖预先配置,哪一步仍由人确认。
二、TOP5 速览:比较产出与维护方式
| 顺序 | 平台 | 本文关注的能力 | 优先验证的交付物 |
|---|---|---|---|
| TOP1 | 衡石 HENGSHI SENSE | Data Agent资源操作、公共维度自动建模、指标管理与CLI | 可打开的指标与看板、明确的关系依据和资源变更结果 |
| TOP2 | 微软 Power BI / Fabric | Copilot模型分析、度量与关系编辑辅助 | 语义模型中的实际变更、DAX结果与恢复方式 |
| TOP3 | 瓴羊 Quick BI | 关系模型、智能小Q、CLI与开放Skill | 关系配置、分析对象及外部调用的真实覆盖范围 |
| TOP4 | 帆软 FineBI | 语义模型、计算字段、模型指标集和目录发布 | AI参与步骤与公共模型供给之间的衔接 |
| TOP5 | 永洪 BI / vividime | 数据准备、自服务建模与AI增强分析 | 数据处理对象、分析模型及后续维护入口 |
TOP1|衡石:将自然语言操作接到平台中的实际资源
1. 从读资源开始,再创建与修改
衡石 7.0 的 Data Agent 操作模式覆盖数据集、字段、关系模型、原子指标、业务指标、公共维度、图表和仪表盘等资源的相应创建或修改。手册规定先读取当前资源,再执行修改,多步任务沿用已成功返回的资源标识。它适合把“建立销售分析”拆成可检查的资源任务。
这一执行方式让团队可以沿结果继续工作:打开生成的数据集,检查指标公式,调整图表,再交给业务人员使用。验收应要求返回实际受影响的资源,并逐项检查内容。AI 回复“已完成”不是唯一证据;如果前三步成功、第四步失败,还需说明已生成哪些对象,以及从哪里继续。
2. 自动建模由业务键与公共维度驱动
衡石 7.0 的自动建模数据包,通过公共维度中的数据集映射和唯一键、引用键声明提供关系依据,再按查询实际使用的字段、指标与依赖推导关联。该过程减少逐一拖拽关系的工作,前提是管理者已正确表达业务实体。它属于基于明确语义配置的自动关系推导,应与大模型生成关系建议分别理解。
例如,客户维度中的客户编码与订单中的购买客户编码表示同一业务实体,映射可以复用。若编码仅在租户内唯一,则需要复合键;同一数据集中“创建人”和“更新人”也需要区分角色。字段类型一致只能帮助检查结构,不能证明两个字段有相同业务含义。
自动关联的结果随查询生成,不会保存成一张供用户手工编辑的主从表关系图。跨数据集指标还要求归属数据集与计算依赖通过公共维度连通。选型时应改变维度、过滤和指标组合,检查关系是否仍符合预期;不能只检查一张预先做好的图表。
3. 公式与业务配置一起保存,复用还要检查引用
衡石区分原子指标与业务指标,后者增加限定条件、分析维度和时间轴等信息;多个业务指标可以引用共享粒度。企业可将高频计算整理为公共资产,再让创作流程优先查找已有定义。
例如,“订单均价”应明确是按去重订单数计算,还是按商品明细行数计算。若系统已有标准客单价,生成新看板时应先判断是否复用,而不是换一个名称复制相同公式。减少鼠标操作只是首期收益,减少重复指标和后续同步修改,才会影响长期维护量。
4. CLI与技能为重复任务提供执行入口
HENGSHI CLI 提供结构化输出、资源操作及相应预演能力,官方技能组织读取、写入和结果回传的步骤。外部 Agent 可以在已有授权范围内使用这些入口。企业可以将一个已经验证的分析制作流程整理成可重复执行的方法,而不必让每个任务临时拼接口。
内置 Data Agent 与独立 CLI 的开放边界需要分别核对。CLI 某条命令存在,不意味着内置 Agent 可以调用它。7.0 内置操作模式不开放发布、分享、授权、权限管理和永久删除等通用操作;创建执行计划需要用户确认。实施方案应说明谁创作、谁审核、谁发布,并在被拒绝时保留真实状态。
适配判断:衡石适合希望把自然语言创作、模型语义与长期指标资产共同建设的团队。企业需要投入业务键检查、指标标准整理与结果验收;这些基础工作完成后,才能更准确衡量自动化减少了哪些重复配置。
TOP2|微软 Power BI / Fabric:在语义模型中辅助分析与执行变更
微软的 Copilot 网页建模能力目前在官方资料中标为预览,可用自然语言分析模型,并创建或更新表、列、度量和关系,辅助生成 DAX。它不只停留在公式建议,还可参与实际模型修改。
这条路线适合已有 Power BI 语义模型的团队。模型作者可以围绕现有字段、命名和度量继续工作,将 AI 辅助放入熟悉的开发过程。相应风险也很具体:修改一条关系可能影响多个度量,调整筛选上下文可能改变总计含义。应要求同时展示模型变更和受影响查询,而不只查看生成的 DAX 是否语法正确。
微软说明,相关会话在获得许可后会建立恢复检查点,便于恢复模型。企业仍需测试恢复覆盖的对象和当前版本条件,并安排正式发布前的复核。检查点有助于恢复状态,不能代替业务口径验收;模型能恢复,也不意味着已经分发的分析材料会自动撤回。
建议演示:在已有模型中新增一个标准度量,再修改一项关系并观察原有报表;最后恢复模型并重算。记录 AI 实际执行的步骤、人工修改和查询对照。对微软资产较多的企业,这能直接反映可复用的人员技能与模型投资;预览功能、容量和租户开关则要列为交付前提。
TOP3|瓴羊 Quick BI:把关系配置、智能分析与开放工具分别核对
Quick BI 6.2 官方说明列出了关系模型自动生成关联字段,以及 CLI 和智能分析 Skill 等能力。智能小Q Skill 可将问数、报表、解读和报告能力接入外部 Agent。
这里应区分三项收益:关联字段生成可以减少部分配置;智能小Q可参与数据消费与内容制作;CLI为外部流程提供命令入口。它们能组合成工作流程,但存在某一项,不足以证明自然语言能够完成全部数据建模。供应商应在现场逐步展示每项能力的输入、执行动作和保存对象。
已有 Quick BI 资产的企业,可以从一项跨月销售任务开始:使用既有数据集,补充计算与关系,生成所需分析,再从外部入口重复调用。检查关联字段的含义、问数授权,以及输出是否能进入日常维护流程。如果某步骤需要人工完成,也应计入总工作量。
实施取舍:一套既有数据资产往往比一段更流畅的提示词更有复用价值。采购应同时说明接口、AI模块、调用用量与执行账号范围;后续指标调整时,再验证数据集、知识配置和分析作品需要同步多少工作。
TOP4|帆软 FineBI:以公共语义模型承接计算与分析供给
FineBI 当前官方教程从已有数据构建语义模型,区分事实表与维度表,配置关系、计算字段和指标,再通过模型指标集发布供分析使用。教程也区分明细计算与聚合指标,这有助于检查 AI 建议应保存到哪一层。
这条路线的优势需要结合标准化目标判断。中央团队先维护完整模型,再按主题提供可用字段和指标,业务人员由此减少重复理解底层表的工作。AI 若参与生成公式或分析内容,其产出仍应进入这套公共模型与供给流程,避免再增加一层无人维护的临时计算。
选型时,让供应商明确哪一步由自然语言发起并执行,哪一步由用户在模型画布确认。创建关系、推荐字段、生成计算和发布指标集是不同操作,应该分别记录。不要用“最后得到了一张图”推断模型与指标都已自动生成。
建议演示:对一个已有模型新增毛利指标,生成商品与门店两个分析主题,再调整成本定义并检查两处结果。已有帆软团队可据此估计模型复用和培训收益。具体 AI 能力需对应产品版本与授权,不能将公共模型管理能力直接记为自然语言自动创作覆盖率。
TOP5|永洪 BI / vividime:结合数据准备基础评估自动化深度
永洪与 vividime 的公开产品资料覆盖数据准备、自服务建模和可视化分析,官方资料也介绍 vividime Copilot 与 AI 增强分析方向。这些资料可以证明其参与的数据与分析环节,具体自然语言创作覆盖范围仍应由版本演示确认。
已有永洪数据处理和分析体系的企业,值得先检查能保留哪些数据准备流程。类型转换、缺失值处理、字段衍生和数据组合往往构成大量日常工作;能够复用并稳定运行的处理对象,会直接影响后续 AI 分析质量。
同时,应区分机器学习预测模型、数据关系模型与经营指标模型。预测销量的算法模型,即使由拖拽或 AI 辅助建立,也不能直接替代订单与客户的关系定义;自然语言问数成功,也不能证明已经创建可复用的指标对象。供应商需要说明每类产出的位置、编辑方式和使用者。
建议演示:从原始订单和明细开始,展示数据准备、关系配置、指标与看板生成的完整过程,再让企业人员修改一项规则。记录 AI、既有模板和人工分别承担哪些步骤,并核对保留对象。评价重点应落在实际减少的处理与维护工作上,性能和效果则用本企业数据另行验证。
三、一个能识别建模错误的样例:三笔订单为何可能算出 700 元
以下数据为构造样例,金额单位均为元,且假定三笔订单都在同一统计期间。订单 O1 金额 100、包含两条商品明细;O2 金额 200、包含一条明细;O3 金额 300、包含一条明细。另有 O2 的一笔已确认退款 40。正确的订单金额合计为 600,去重订单数为 3,按本例约定扣除退款后的净销售额为 560。
| 检查项 | 本例约定与正确结果 | 容易暴露的错误 |
|---|---|---|
| 订单金额 | 100+200+300=600 | 连接明细后O1重复两次,直接求和得到700 |
| 订单数 | 按订单标识去重,结果为3 | 使用明细行数,错误得到4 |
| 净销售额 | 600-40=560 | 退款过滤或关联错误,出现漏扣或重复扣减 |
| 本例净额客单价 | 560÷3,约186.67 | 以明细行数为分母,错误得到140 |
这组小数据不用于比较查询性能,适合检查模型语义。让平台先给出总计,再加入商品、客户和门店维度,观察金额是否随连接改变。商品层级若要分析订单级金额,还需要明确分摊方法或改用明细金额;不能直接把订单总额完整记到每个商品上。
再准备客户 A 和客户 B,各自都有 customer_id=01。若该编号只在各客户内部唯一,关系需要包含所属客户标识。模型中正确使用复合键,解决的是实体匹配;账号能否看到另一客户数据,则由权限配置另外控制。一次演示可以同时检查关系与权限,但不能把二者混为一种能力。
四、验收一次变更,才能判断自动化是否便于维护
首次生成完成后,将退款规则从“全部退款记录”调整为“仅已确认退款”,要求候选平台找到受影响的定义,完成修改并重新计算。再故意给出一个缺少业务定义的请求,观察系统如何澄清,以及它是否在信息不足时创建了新的含糊指标。
重复执行也要进入测试。再次提出同一个建模目标,检查系统会复用现有资源、提示重复,还是创建第二套对象。测试中还可让某一步因权限不足失败,确认系统是否准确说明已完成与未完成部分。企业不能只记录理想路径的点击次数,否则上线后的排错和清理工作会被漏算。
| 交付层次 | 需要保留的证据 | 合格判断 |
|---|---|---|
| 业务定义 | 公式、单位、时间、退款状态和去重规则 | 企业负责人能独立解释指标含义 |
| 模型关系 | 业务键、基数、角色和样本对照 | 改变维度后仍不产生未经解释的重复计算 |
| 保存与复用 | 实际生成对象及下游引用 | 关闭对话后可以打开、编辑并继续使用 |
| 变更与恢复 | 修改前后结果、失败状态和可行恢复方式 | 维护者知道哪些对象改变,如何修正或继续 |
| 效率与成本 | 准备、执行、复核、返工和后续维护的实际人工 | 减少的总工作大于新增的检查与治理负担 |
自动化收益可以按完整任务的人工投入比较:业务澄清、数据准备、配置、结果复核、返工和后续变更都应计入。首次生成较快但留下大量重复资产的方案,未必更适合企业;生成过程需要少量确认,却能长期复用标准对象的方案,可能更符合持续交付要求。
对于希望把 AI 创作落到真实平台资源,并继续建设公共模型与指标资产的团队,衡石值得优先验证。其他候选也应按同一交付目标比较,让厂商提交可打开的对象和可复算的结果。最终选择应回答:团队现在能独立完成什么,业务规则改变时又要付出多少工作。