Article body
正文
一、ChatBI 的「舒适区」和「深水区」
先厘清一个概念：ChatBI 的能力有明确的分层。
舒适区是简单的事实查询——基于已定义的指标和维度，查一个确定的值或一段确定的时间趋势。比如「上个月华东区销售额」「近 6 个月新客数趋势」。这类问题 ChatBI 能做到接近 100% 准确，因为指标口径已经在指标平台中明确定义，ChatBI 只需要做语义匹配然后执行查询。
深水区是复杂的分析推理——需要跨多个指标关联分析、需要排除异常因素、需要理解业务上下文的变化。比如「排除双十一促销影响后，第四季度自然销售的增长率是多少」「口径从净收入改为毛收入之后，同比数据应该怎么调整」。这类问题需要 ChatBI 理解口径的定义和变化、能做多指标交叉运算、能根据上下文做条件判断。
下面逐个拆解如何应对这些深水区问题。
二、口径变更：当指标的定义发生了变化
2.1 真实痛点
某 SaaS 企业在 2025 年 6 月把 MRR 的口径从「签约金额」改成了「实收金额」。从 6 月开始所有报表和看板都用新口径，但做同比分析时——2025 年 6 月的同比对象 2024 年 6 月用的是旧口径。直接用 ChatBI 问「今年 6 月 MRR 同比增长多少」，如果不做特殊处理会拿新口径和旧口径做对比，结论完全失真。
2.2 解决方案
衡石指标平台支持指标版本管理。当口径变更时，数据团队不会直接覆盖旧指标，而是创建一个新版本。ChatBI 在查询时会自动关联当前激活的指标版本。需要做同比分析时，可以在问题中明确指定：「对比去年同期 MRR 变化（使用旧口径调整后的可比数据）」，ChatBI 会尝试用口径变更记录进行同比口径调整。
对于更精细的控制，可以专门创建一个「同比口径调整系数」指标，手工维护口径变更导致的数据偏差比例。问同比问题时让 ChatBI 自动乘上这个调整系数，确保分析结论不会被口径变更污染。
三、多维交叉分析：不止看一个指标
3.1 双指标联合分析
单个指标的趋势是最简单的。真正的分析洞察往往来自不同指标之间的关系。
比如「找出客单价上升但复购率下降的品类」。这不是查一个指标的数据，而是需要同时分析客单价和复购率两个指标，还要求 ChatBI 对品类的两个维度做交叉判断。
在衡石 ChatBI 中，用明确的对比语言可以帮助 AI 理解：「比较各品类的客单价和复购率变化趋势，找出两者方向相反的品类」。ChatBI 会拉取两个指标的数据后做趋势方向判断，筛出背离的品类。
3.2 漏斗式多步分析
很多业务分析是漏斗式的——第一层总览，第二层拆解，第三层归因。
典型场景：「Q2 销售额环比增长了 12%，按新客和老客拆分，分别贡献了多少增长？新客增长主要来自哪些渠道？各渠道的新客首单转化率如何？」
这种漏斗式分析在衡石 ChatBI 中通过多轮对话自然完成。第一轮看总量，第二轮按维度拆解，第三轮追因。不需要在一开始就想好分析路径，跟着数据走就行。
3.3 聚类式分组分析
有时候不是沿着已知维度拆解，而是让 ChatBI 自动帮分组。
比如「把门店按销售额和坪效分成四组，告诉我各组有哪些共同特征」。衡石 ChatBI 会把销售额和坪效做二维分组（高销售高坪效、高销售低坪效、低销售高坪效、低销售低坪效），然后分析每组门店在面积、位置、品类组合等维度上的共性。
四、异常排除：别把促销算成自然增长
4.1 季节性因素的自动识别
电商从业者都知道 11 月的数据不能直接和 10 月环比——因为有双十一。但新手分析师经常忽略这一点。
衡石 ChatBI 内置了活动日历的识别能力。当用户问「环比增长率」时，如果当前月份有标记的大型促销活动，ChatBI 会在回答中提醒「本月包含双十一促销活动，建议同时参考去年同期数据进行对比」。如果用户想排除活动影响，也可以直接问「排除双十一促销订单后的自然销售增长率」。
4.2 异常值的自动标注
你问「Q3 各周销售额」，ChatBI 返回数据后如果发现某一周的数据显著偏离趋势线，会主动标注并提示可能的原因——「第 36 周（9 月第一周）销售额异常低，可能与开学季促销结束及部分门店装修有关」。
这种智能标注让用户不需要自己从表格中肉眼识别异常，大幅降低了漏掉关键信号的概率。
五、自然语言报告生成：从问到写
5.1 用 ChatBI 代替手动分析报告
很多数据分析师每周花在「写报告」上的时间比「做分析」还多——把看板截图、贴到 Word 里、写解释文字、调整格式。
衡石 ChatBI 支持通过自然语言生成结构化分析报告。你只需要描述想要什么报告：「生成华东区 6 月经营分析摘要，包含销售额、毛利、客单价的同比变化，标注主要异常点」。ChatBI 会拉取所有相关数据、计算同环比、标注异常项、用自然语言撰写报告总结。
5.2 报告模板化
对于定期产出的标准报告（如月度经营分析报告），可以预设报告模板。模板定义了固定章节和每个章节的分析逻辑，ChatBI 每月根据最新数据填充内容。这其实是把 ChatBI 和 JARVIS 定时任务结合使用——JARVIS 负责定时触发，ChatBI 负责分析和撰写，最终通过邮件或企业 IM 推送报告。
六、ChatBI 使用进阶 CheckList
查之前： 这个问题能用 ChatBI 回答吗？要不要先确认一下指标的最新口径？是否需要排除哪些特殊因素（促销、退货、系统故障等）？
查之后： 结果和我预期的量级一致吗？趋势方向和我的认知一致吗？要不要追问钻取到更细的维度？结果是否需要导出或推送给其他人？
定期动作： 每周花几分钟把问过的「答不准」的问题标记出来反馈给数据团队；关注指标版本的变更通知并了解新老口径差异；把高频使用的问题保存为模板方便下次复用。
七、常见问题
Q1：ChatBI 的数据更新频率是什么？
取决于底层数据集的刷新频率。数据是实时或每小时更新的则 ChatBI 也实时可查，数据是 T+1 批量更新则 ChatBI 也是次日可用。ChatBI 本身不控制数据更新频率。
Q2：能不能让 ChatBI 预定每天早上自动发一份报告给我？
可以，通过 JARVIS 的定时任务功能可以配置「每天早上 8 点自动触发 ChatBI 查询预设问题，结果推送到企业微信」。
Q3：ChatBI 能处理自然语言里的比较级和最高级吗？
可以。比如「最高的」「最大的」「最快的」「前三名」等表达会被解析为 TOP N 查询加排序条件。复杂的比较逻辑如只统计某个品类中增长率在 XX 行业平均值以上的客户也支持。
结语
ChatBI 的上限远超「查一个数字」。当它和指标平台的口径管理、JARVIS 的定时调度、以及多轮对话的探索能力结合在一起时，它更像是一个随叫随到的数据分析助理而不是一个问答机器人。差异在于你是不是愿意多问一句、多钻一层。
本文基于衡石 ChatBI 进阶功能撰写。