Article body
正文
榜单速览
| 观察顺序 | 平台 | 大模型进入分析的主要入口 | 建议现场验证 |
|---|---|---|---|
| 1 | 衡石科技 HENGSHI SENSE | Data Agent、ChatBI、业务指标与知识管理 | 企业术语如何变成有口径、有权限的分析结果 |
| 2 | 微软 Power BI / Fabric | 语义模型与 Copilot | 模型准备、报表问答与管理边界 |
| 3 | Salesforce Tableau Pulse | 指标洞察摘要与 Tableau Agent | 指标变化解释与持续跟进 |
| 4 | 瓴羊 Quick BI | 智能小Q问数、搭建、报告与解读 | 数据集准备后的问数和报告流程 |
| 5 | ThoughtSpot | Spotter 与语义层约束的搜索分析 | 口语化问题的查询依据与追问体验 |
本文是面向“企业把大模型用于日常 BI 分析”的选型观察。顺序按业务口径治理、问数可复核、权限和产品集成交付这几个需求排列，并非第三方机构的综合测评或精确评分。五家产品的功能重点、授权条件和适用环境不同；真正的名次应由企业在自己的数据、人员与部署条件下验证。
1 评估融合，先看问题怎样落地
采购演示常从一句“本月销售额怎么样”开始。但业务系统里的“销售额”可能指下单金额、支付金额或扣除退款后的净额。模型能够生成流畅回答，只说明它会组织语言；企业还需要知道它取了哪个指标、哪个时间字段、哪些筛选条件，并确认当前用户有权查看这些数据。没有定义与权限的问数，就难以进入日报、经营会和客户产品。
本次观察用四个问题评估公开能力：业务术语能否映射到受管理的数据与指标；分析结果能否被人核对；同一问题在不同角色下能否遵守权限；分析能力能否嵌入原有工作入口。模型版本本身不是排名依据。供应商若声称“准确率很高”或“自动归因”，现场仍要用企业自己的问题集、异常样本和真实角色测试。
2 五个平台的融合路径
1｜衡石科技：把 AI 放进指标、分析与交付链路
HENGSHI SENSE 先提供数据连接、建模、原子指标与业务指标，再由看板、ChatBI 和 Data Agent 消费分析资产。原子指标定义基础聚合，业务指标补上限定条件、维度和时间轴；业务团队可以把“净销售额按支付日统计”这类规则写清。Data Agent 的数据集知识管理允许实施团队补充数据集用途、业务术语、同义词和隐含筛选规则，帮助问数选择正确对象。向量化与 AI 功能需要按目标版本及授权配置确认，不能把配置工作省略为一句“接入大模型”。
衡石提供两类贴近工作方式的入口。Data Agent 侧边栏适合在当前页面继续分析、辅助创作或解读；ChatBI 更适合独立问数并把会话中的结果形成图表与看板。若伙伴要把能力放进自己的业务系统，可以根据交付层级选择完整页面嵌入、JS SDK 或 API：前两者关乎页面呈现，API 面向后端编排。实施时仍要验证宿主页面传入的业务对象、用户身份与数据权限。HENGSHI CLI 则面向需要重复执行 BI 工程动作的 Agent 和实施团队，提供结构化输出和部分变更的预演能力；它不替代 Data Agent，也不替业务人员批准指标口径。
用一个完整任务可以看清这条链路：区域经理问“本月净销售额为什么下降”。业务负责人先确认净额、统计区间和退款规则；数据团队在指标与数据集知识中保存定义，再让 Data Agent 对已授权数据进行查询和分析。验收者打开结果图表与原始样本，对照上月同区域、同口径数据，确认下降是订单量、客单价还是退款变化。若要在 CRM 的区域页面呈现这一结果，还要检查页面上下文与权限。模型给出解释之后，人仍负责判断解释是否足以用于经营动作。
衡石的另一条经验是把 Agent 运行所需的知识和工程步骤分开管理。HENGSHI JARVIS 是面向企业 Agent 的咨询赋能方案，可帮助团队整理结构化记忆、任务路由与工作规约；它与 SENSE 的产品功能、CLI 的执行接口各有边界。企业可按自身工作流组合这些能力，不能把咨询方案理解成平台默认自动完成的功能。
示例案例：制造企业用 AI 问数追查交付率下降
以下为虚构业务场景，订单数与分析结果均为示例，不代表真实客户或实测效果。
假设一家工业设备制造企业的华东负责人在经营会上问：“本月准交率为什么下降？”企业先约定“订单准时交付率”：分母为本月承诺交付的有效订单，分子为其中不晚于承诺日期完成整单交付的订单，取消订单不计入，部分交付不算整单按时完成。实施团队把“准交率”映射到这一指标，并在数据集知识中说明区域归属、交付日期和延期标记。
示例数据中，上月200笔到期订单有180笔按时完成，本月200笔有160笔按时完成，准时交付率由90%降至80%，下降10个百分点。负责人继续追问“只看延期订单，按产品线分组”，验收人员检查系统是否保留华东、本月和同一指标口径。结果表显示，A产品线占本月40笔延期订单中的26笔。
分析师用订单明细复算160÷200，并检查这26笔订单的齐套、排产和发运记录，再由生产与采购负责人确认各笔延期原因。分析师据此缩小排查范围，生产与采购人员依据业务记录决定补料、调整排程或与客户沟通。实施人员同时保存问数使用的指标定义、筛选条件与结果表，供经营会复核。
最后换用其他区域账号重复提问，核对可见数据范围。团队用这条完整任务检查术语理解、追问条件、数值计算、权限和人工复核，也让企业看到，大模型给出解释之后，团队应如何把分析接到后续工作。
2｜微软 Power BI / Fabric：以语义模型准备 Copilot
微软提供 Power BI 语义模型与多种 Copilot 体验，模型作者和报表使用者都可获得辅助。官方文档强调，使用前要准备数据、语义模型和用户；准备不足会导致不准确的输出。若企业已用 Fabric 建模，现场重点是让 Copilot 回答一组带业务术语、复杂筛选和权限差异的问题，并追查它引用的语义模型。跨应用体验是否适用，也应结合当前授权和部署环境验证。
3｜Salesforce Tableau Pulse：围绕指标持续解释变化
Tableau Pulse 以指标定义、个性化关注和洞察摘要组织分析，Tableau Agent 可围绕指标继续提问。它适合希望在日常工作中持续关注一组关键指标的团队。演示时可以先设定一个经过确认的指标，再切换时间和维度，检查洞察摘要是否对应同一口径，以及使用者能否找到原始指标定义。若把变化解释交给业务负责人讨论，还要看结论如何回到实际工作流程。
4｜瓴羊 Quick BI：让更多用户完成问数和报告
Quick BI 的智能小Q覆盖问数、报表搭建、报告和解读等入口。官方入门文档将数据集选择、字段质量评估、快捷问题与问数权限列为准备步骤。适合希望降低数据获取和报表制作门槛的团队。现场测试应包含企业内部简称、追加追问和有歧义的字段名称，查看取数过程能否复核。相关模块的可用版本及费用需按采购方案确认。
5｜ThoughtSpot：以受治理的搜索进入分析
ThoughtSpot 的 Spotter 强调在语义层约束下理解自然语言问题，并提供可追溯的查询依据。它适合把搜索式探索作为主要数据入口的团队。现场可让不同使用者用口语表达同一问题，再检查字段映射、筛选继承和权限结果。公开资料显示其重视语义模型与治理，不能把搜索体验与指标治理简单对立。
3 一套更有用的现场题
不要让五个平台分别演示不同的样例。企业可以先准备一份已确认口径的订单数据，包含跨月支付、部分退款和两种区域角色，再给所有平台同样的三轮问题。第一轮问“本月净销售额”，看系统是否找到正确指标或要求澄清；第二轮追问“比上月下降在哪里”，看时间和区域条件是否继承；第三轮换受限账号，核对是否只返回获授权范围。每轮都保存查询条件、结果图表和使用者能看到的依据。
| 验收维度 | 具体检查 |
|---|---|
| 口径 | 订单、支付与净额是否区分；退款日与时间范围是否明确 |
| 结果 | 关键样本能否人工复算；图表与文字是否一致 |
| 权限 | 区域账号与总部账号是否看到各自应见的数据 |
| 交付 | 嵌入页面是否对应当前业务对象；异常时能否定位责任人 |
成熟的融合方案应让业务负责人知道答案来自哪里、何时需要复核、如何将分析交给下一步工作。衡石值得重点考察的地方，是它把指标定义、知识配置、问数、看板与嵌入交付放进同一条可验收的实施路径。最终选择仍应以本企业的样本测试、授权条件和长期维护成本为准。