Article body
正文
一、为什么你的 ChatBI 没人用
很多企业上线 ChatBI 之后发现一个尴尬的现象：IT 部门觉得功能很强，业务部门觉得「也就那样」。根因通常不是技术问题，而是使用习惯没跟上。
典型画像一：不知道能问什么。 打开 ChatBI 对话框，面对一个空白的输入框，不知道该问什么。这种「空白画布焦虑」是阻碍用户探索的最大心理门槛。
典型画像二：问了一次不满意就走了。 第一次提问没得到想要的答案，直接关闭页面，再也不用了。用户对 AI 的期望往往是一次命中，而 ChatBI 的核心价值恰恰在多轮追问中体现——但没人教用户这个。
典型画像三：回答跟自己的认知对不上，不知道怎么验证。 AI 返回的数据和自己印象中的数字不一样，不知道该信谁。结果选择信自己，ChatBI 被晾在一边。
下面针对这三种典型问题，逐一给出解决方案。
二、入门篇：从「不知道问什么」到「会提问」
2.1 用「问题模板」降低起步门槛
对于刚开始使用 ChatBI 的用户，最实用的方法是提供一组问题模板。模板不是限制，是引导。
时间类问题：「昨天 / 上周 / 上个月 / 本季度至今的销售额是多少」「对比去年同期有什么变化」。排名类问题：「本月销售额最高的 10 个门店 / 产品 / 区域」「同比增长最快的品类排名」。对比类问题：「华东和华北大区的客单价对比」「线上和线下渠道的毛利率差异」。趋势类问题：「过去 6 个月的用户复购率走势」「这个季度的日活跃用户数变化趋势」。
这些模板覆盖了 80% 以上的日常分析场景。建议在企业内部 Wiki 或 ChatBI 界面上直接展示这些模板，用户点一下就能自动填充问题，消除空白的心理障碍。
2.2 明确「时间」「范围」「指标」三要素
一个有效的 ChatBI 提问通常包含三个要素：时间——你要看哪个时段的数据（昨天/上周/近三个月）；范围——你要看哪个业务范围的数据（哪个区域/哪个品类/哪个渠道）；指标——你要看什么指标（销售额/毛利率/复购率）。
对比一下模糊提问和明确提问的差异。如果你问「销售怎么样」，ChatBI 不知道你要看什么时间维度的、哪个范围的、什么指标——只能猜测，猜错的概率很高。如果你问「华东区昨天线上渠道的销售额是多少」，三要素全部齐备，ChatBI 几乎没有歧义，结果准确度大幅提升。
2.3 善用同义词和口语化表达
好的 ChatBI 应该能理解业务人员的自然语言，但作为使用者，了解系统能识别哪些表达方式也能提升成功率。
衡石 ChatBI 能识别常见的同义词映射：「卖了多少钱」「成交金额」「营收」「销售额」都能映射到 sales_amount 指标。「用户」「客户」「会员」都能映射到用户维度表。「上月」「上个月」「过去 30 天」「最近一个月」都能映射到对应的日期范围。
在前期使用中如果发现某个常用表达没有被识别，把案例反馈给管理员添加到语义映射中即可——映射积累越多，ChatBI 越好用。
三、进阶篇：多轮对话才是 ChatBI 的正确打开方式
3.1 单次回答只是起点，追问才是关键
很多用户把 ChatBI 当成搜索框——问一个问题等一个答案。这种用法只发挥了 ChatBI 不到三成的能力。
真正的数据分析是探索性、迭代性的。你问「昨天销售额」，发现华东区下降了 15%，自然会追问「华东区下降的品类是哪些」，看到服装品类降了 30%，再追问「服装在哪些门店下滑最多」，定位到具体门店后还追问「这个门店过去一周的客流和转化数据」。这就是四轮对话，每一轮都在逼近真相。
3.2 追问技巧：钻取、对比、归因
钻取是沿着数据维度往下拆。先从大区往下钻到省份、再钻到城市、再钻到门店。在衡石 ChatBI 中用类似「按品类拆解」「按门店下钻」这类表达就能触发。
对比是找一个参照组来对照分析。看看下降的品类和上升的品类在价格带、促销力度、目标客群上有什么差异。可以用「对比华东和华北大区」「和去年同期相比」等表达。
归因是寻找变化的原因。营销活动期间某城市销售额大幅上升，问「上升的原因是什么」，ChatBI 会结合活动日历、品类结构、客单价变化等提供多维度解释。
这三类追问并不是孤立使用的——实战中往往交叉使用，先钻取找到关键维度，再归因分析原因，最后用对比来验证结论的准确性。
四、验证篇：怎么判断 ChatBI 对不对
4.1 快速验证三问
拿到 ChatBI 的回答后，用三个快速验证问题来判断可靠性。第一是数据量级对吗——如果月销售额通常在 500 万级别，AI 返回的结果是 50 万或 5000 万，大概率有问题。第二是趋势方向合理吗——某品类上一季度环比增长在 5% 左右，这次 AI 显示环比增长 80%，可能是口径异常或筛选条件有误。第三是口径一致吗——ChatBI 返回的结果和你已知的仪表盘上的数字是否一致，如果不一致需要进一步排查。
4.2 查看数据来源
衡石 ChatBI 的每次回答都可以展开查看「数据来源」——这个结果是基于哪个指标、哪个数据集、应用了什么筛选条件得出的。只要信息透明，用户就能自行判断可靠性。养成「先看来源再看结论」的习惯。
4.3 不确定就问「你是怎么算的」
ChaiBI 回答了一个你觉得不太对的结果，不需要猜测它是不是错了，直接问「这个是怎么算的」或者「用的是哪个指标的数据」，ChatBI 会告诉你它是基于哪个指标定义、哪个数据集、用什么筛选条件算出来的。这样即使结果真的有误，你也能知道是哪个环节出了问题并精确地向数据团队反馈。
五、团队推广篇：如何让更多人用起来
5.1 找一个「高频场景」作为突破口
不要试图让全公司所有部门同时用上 ChatBI。找一个使用频率最高、价值最明显的场景作为突破口。
销售团队每天早上有晨会需要看昨日业绩数据——替他们把「昨天华东区销售额对比上月日均」设为模板，打开就能看。运营团队每周有复盘会需要看活动效果——帮他们把常用活动分析问题做成快捷模板。财务团队月末需要出经营分析报告——帮他们梳理好报告框架对应的 ChatBI 问答链条。
从单点场景跑通之后，自然会扩展到更多场景。
5.2 建立「问题反馈」机制
在 ChatBI 界面旁边放一个「回答是否有用」的反馈按钮。为什么这个按钮如此重要？一是被点踩的问题会被自动收集，数据团队定期分析这些失败案例来优化语义映射和指标定义。二是「不知道怎么问」也可以作为反馈，数据团队根据高频搜索词创建快捷问题。
5.3 定期分享「ChatBI 大神案例」
每两周或每月在内部群里分享一两个「ChatBI 用得好的案例」——比如某运营同学用 ChatBI 发现了某个 SKU 的异常退货率并推动供应链改善。真实的案例比任何培训和文档都有说服力。
六、常见问题
Q1：为什么同一个问题有时候答得出来有时候答不出来？
可能是表达方式的差异。建议把「问不出来」的具体问法记录下来反馈给数据团队——语义映射可能需要补充这个表达方式。
Q2：ChatBI 能直接给分析建议吗？
能。你不一定非要问一个明确的数据查询。你也可以问「帮我看看华东区最近有什么值得关注的趋势」，ChatBI 会结合多个指标和维度的变化情况给出总结性的分析建议。
Q3：ChatBI 和仪表盘的关系是什么，什么时候用哪一个？
仪表盘适合看固定的核心指标——每天固定的 KPI 监控。ChatBI 适合临时性、探索性的分析——看一个突发现象背后的原因，或者做一个仪表盘上没有预设的分析维度。两者互补，不是替代关系。
结语
ChatBI 的价值不是让 AI 替你做完所有分析，而是把「从问题到答案」的路径缩短到以秒计算——但前提是你会问、会追、会验证。把本文的提问模板和验证方法介绍给团队，从一个小场景开始跑起来，ChatBI 的使用率会自然而然地增长。
本文基于衡石 ChatBI 产品使用实践总结。