新闻资讯
洞察行业前沿,时刻保持探索精神,保持 HENGSHI SENSE 产品的优越性,
更多衡石精彩不容错过

免费试用

全部

精选案例

最新活动

衡石动态

雷锋网专访|对话衡石科技刘诚忠:AI时代,BI产品的新变化
作者:HENGSHI 时间:2025-04-15

雷峰网讯 用自然语言直接向BI软件提问,查询数据,甚至指挥它进行数据分析,是BI行业的愿景,但过去十余年来未见成功者。直到大模型的出现降低了自然语言查询数据的技术门槛,这一目标终于具有可行性。以智能化的数据分析服务Chat BI为切口,BI行业找到了AI技术落地的具体场景。


作为BI+AI理念下的融合产品,Chat BI支持用户在业务应用中的任何时刻唤起一个聊天助手,用自然语言询问各种经营数据,并即时得到回答。运营方在查看静态报表的同时,也可以就数据变化向AI助手提问,拆解现象背后的原因。从BI到Chat BI,企业在数据运营方面的紧迫性需求、探索性想法将被更好地回应。


在AI科技评论与衡石科技创始人兼CEO刘诚忠的访谈中,他向我们介绍了Chat BI的应用场景与技术路径。2022年大模型浪潮兴起以来,BI行业对于Chat BI落地的技术路径存在NL2SQL和NL2DSL两种思路。前者在数据库表的基础上直接对接大模型进行问答,后者将用户的问题调用BI结构化的查询接口,由BI下发相应查询。


雷锋网专访|对话衡石科技刘诚忠:AI时代,BI产品的新变化(图1)

受访者供图


作为新一代BI公司,衡石在产品构建阶段对已有的BI产品进行了调研,从微软Power BI和Looker的经验中发现语义层是BI产品数据分析能力的基础,决定将工程团队的精力集中在加强语义层能力上。而语义层通过定义业务友好的术语和概念,为DSL的构建提供简化的数据视图,DSL可以基于该视图来设计更贴近业务的语法和语义。


AI时代到来后,BI侧的语义层能力和AI侧的大模型完成了双向奔赴。大模型不需要把自然语言翻译成SQL层次的底层语言,在问数场景中,只需要与中间的语义层进行交互。衡石基于自身语义层的优势,降低对大模型提出的要求,走通了NL2DSL的技术路径。


随着模型分析能力的提升,未来Chat BI还将帮助用户生成分析报告,针对数据的走势、关联关系以及数字背后隐藏的洞察,提供更清晰的解读。刘诚忠判断,大模型对数据趋势进行预测和解读的能力,可能在今年晚一些时候或明年被大幅增强。


以下是AI科技评论与刘诚忠的对话全文,为方便阅读,进行了不改变原意的文字调整。

 



为什么选择做BI



Q:AI科技评论:为什么选择做BI产品?这个赛道有哪些选手?

刘诚忠:BI更有成为标准化产品的潜力。BI 本质上是一个用于统计分析的大数据产品,而且对分析数据的种类并不限制。企业的数据分为几个板块,财务、ERP、marketing、sales和HR,每个业务都可以用。在BI赛道,主流厂商包括微软、Tableau、帆软、永洪科技、思迈特软件、观远数据、衡石科技等等公司。



Q:AI科技评论:衡石的BI有什么不同?

刘诚忠:我们产品的核心特点是开放架构,比较像一个BI引擎,可以服务直客,但更多地作为嵌入式产品面向应用软件厂商。这种以嵌入集成为主的产品形态和合作方向,使衡石在BI赛道具有一定的差异化定位,因此在国内几乎没有竞争对手。客户倾向于将衡石定义成BI Engine或 BI PaaS,本质上都是在形容衡石的定位。



Q:AI科技评论:除了衡石,国内SaaS厂商在嵌入式BI产品方面还有什么选择?

刘诚忠:除了衡石,国内SaaS厂商的选择通常是自研。软件厂商的工程师们对于BI功能往往忍不住会自研,但数据分析和 BI 的自研成本其实非常高,因此许多客户都在都是自研上吃了大亏后找到我们。


自研的必然结果,就是虽然可以做出来,但它会是一个非常轻量的东西。通常自研 BI 需要的团队规模为5~10 人,周期1~2年。BI的基础工程较为容易,可以在这个条件下完成,但后续建模分析、数仓对接权限控制等精细、复杂工程所需的进一步投入会给研发投入造成巨大压力。很多公司会发现做到这儿的时候,开发投入已经跟自己主业需要的水平差不太多了,那就显得不合理。一个做 ERP 的公司,投一堆人做BI,但事实上 BI 这样的数据类基础工具软件的投入就是未必低于 ERP。



Q:AI科技评论:有企业自研 BI 成功的案例吗?

刘诚忠:全球范围看也是几乎没有的,就算软件巨头如谷歌、Salesforce需要这部分能力也不会自研,会直接发起并购。国内看到阿里自研BI产品比较成功。他们的产品可以在阿里云上服务自己的电商群体,这部分群体同时也在滋养产品,所以阿里对产品的打磨可以得到市场反馈。产品是靠市场反馈推着走的,如果一家企业BI产品的反馈来自于自身业务部门,不能代表市场的反馈,也就无法形成市场竞争力。




Chat BI:BI+AI融合之旅



Q:AI科技评论:大模型的发展会挤压BI厂商的生存空间吗?

刘诚忠:基本上从2022年底开始,所有的BI厂商都在第一时间关注大模型。因为如果大模型一出现就把toSQL的问题解决得很好,那BI厂商就很危险,大家担心要被折叠了。差不多24年大家才发现,基于BI去做AI在数据分析上的落地是更务实的,BI这一层应该没有办法被替代,BI+AI这种合作慢慢地才多起来。25年开始,合作的线索和机会开始成数倍的增加。


对BI厂商来说,23年是观察的一年,24年是共识形成的一年,25年应该就是快速成长兑现共识的一年。


雷锋网专访|对话衡石科技刘诚忠:AI时代,BI产品的新变化(图2)

受访者供图


Q:AI科技评论:BI产品怎么和AI技术结合?有哪些应用场景?

刘诚忠:做智能化的问数助手,给企业提供智能化的数据分析服务。衡石从为SaaS软件市场提供BI,升级为提供 Chat BI。后者支持用户在业务应用中的任何时候唤起一个聊天助手,用自然语言询问各种经营数据,并即时得到回答。在数据运营方面,这种随时可以问到某一个数据的服务是之前不存在的。用户需要询问分析师,分析师制作报表,再进行调整,这是一个很低效的过程。现在可以用Chat BI解决一些紧迫的随需而变的探索问题,这种ad-hoc的需求是很旺盛的。


另外用 BI 工具做出静态报表给运营方看的时候,Chat BI会有一个AI助手。运营方可以在看报表的同时,随时提一些探索性的想法。比如他看到报表的某个数据上升了,就会问是哪个维度上增加了什么东西导致的。这个现象分解出来,原因具体在哪里,这些探索可以马上进行,实时的反馈。



Q:AI科技评论:不同的大模型对Chat BI有区别吗?

刘诚忠:区别很大,问数的核心就是大模型能不能准确理解问题,有的大模型更准,有的就不准。GPT-4o效果很好,DeepSeek和千问也不错。但对接大模型的过程相对来说是标准化的,因为大模型对外暴露的接口就是prompt。不管这个模型是不是开源的,Chat BI把query给它,它以语义层的语法返回,由BI平台再翻译成SQL,完成对数据的查询,把聚合的结果反馈给客户。



Q:AI科技评论:未来Chat BI的产品形态会是Agent吗?

刘诚忠:衡石现在的Chat BI还是面向真人,比如通过报表旁边的聊天窗口,或者向飞书里的bot提问。但未来有很多情况下会是一个Agent或者AI来和衡石对话,所以我们对外要提供for Agent的一层,使它可以被别的Agent所识别、辨认和调用。


我们以后对外就是一个企业级的 BI Agent。衡石已经和Dify集成,用户可以在Dify里完成一个复杂的任务,它分解后其中一步是查询数据,这一步是衡石在支撑服务。Agent查询,Chat BI进行响应,然后Agent再回到工作流里。我们作为支持性的企业级Agent进入一个复杂的任务编排里,承担其中智能问数的环节。


NL2DSL:语义层和大模型的双向奔赴

雷锋网专访|对话衡石科技刘诚忠:AI时代,BI产品的新变化(图3)

受访者供图


Q:AI科技评论:为什么采用NL2DSL的技术路线?

刘诚忠:自然语言对数据灵活提问的功能是BI行业十多年来的想法和尝试,也是 BI 行业的技术趋势。Tableau还专门收购过一家做NLP的公司,效果也不是很成功。原因在于,大语言模型出现之前这项技术非常不成熟,它出现之后通过自然语言查询数据才具有可行性。


创业做产品构建的时候,我们就决定将工程团队的精力集中在加强语义层能力上,但当时的考虑和AI无关。语义层是 BI 做数据分析的基础能力,Power BI在这方面做得很好,所以分析能力就强过别的 BI 工具。衡石是2016年创立的,算新一代BI公司,当时把这些产品都研究过,我们发现了语义层在整个产品演进过程中至关重要的作用。2019年,衡石在语义层上就做得不错了。

(注:衡石采用NL2DSL的方式,将自然语言的询问翻译为指标描述语言,由BI层进一步翻译为SQL进行下推查询。)



Q:AI科技评论:语义层上的技术优势在AI时代有什么意义?

刘诚忠:语义层在BI上的优势,在 AI 上也是优势。大模型出来之后,可以说语义层能力更有用武之地,不需要大模型把自然语言翻译成SQL那么底层的语言,只需要翻译成中间语义层的语言即可,这对大模型提出的要求更低了。其实也只有降低对大模型的要求,Chat BI才更有可行性。因为从技术路线的角度,大模型不擅长精准的数据分析场景,这也不是大部分模型厂商要发力的领域。长期来看,BI行业的落地应用门槛下降了,数据分析和数据智能应用更加普及,AI是所有BI厂商的红利。



Q:AI科技评论:AI还给BI行业带来了什么影响?

刘诚忠:除了直接的问数,对分析报告生成也会有帮助,但这种帮助很大程度上依赖于垂直领域知识,这是 AI 目前跟数据结合还不太成熟的方面。AI数据分析现在是第一阶段,用户对很多指标的提问可以马上被准确识别。第二阶段是对于数据的走势、关联关系以及数据背后隐藏的洞察,可以给人更清楚的解读。我们判断,大模型对数据趋势进行预测和解读的能力,可能在今年晚一些时候或明年会被比较大幅地增强。但这个我们判断取决于垂直领域模型的进展,才能真正落地。



Q:AI科技评论:这是否对大模型的分析能力提出了更高的要求?

刘诚忠:这需要它有非常强的分析能力。大模型技术的基础趋势会让它的分析能力越来越好,但目前的推理模型还不太实用,所以我们主流使用的大模型还是DeepSeek-V3。我们也在观察DeepSeek-R1,但是在问数、解读报告生成的场景中它并没有特别的优势。同时,关键还在于垂直领域的行业性数据作为关键语料对垂直模型的帮助,不只是大模型单方面的瓶颈。



Q:AI科技评论:你评价模型性能更关注它在具体行业场景中的实用性吗?

刘诚忠:大家真正关注的是零售、制造、医疗这些具体行业,一项技术如果很先进,最重要的是能拿来使用。比如BI,我们关注的是能不能落地到数据分析、分析报表可视化的具体场景里,因此会从一个很实用的角度来考察 AI 的能力。每个行业自己的需求都很现实,行不行拿过来试一下。



Q:AI科技评论:To B服务中没有用户敢相信大模型随机输出的内容,但AI的本质就是寻求概率,所以大模型使用效果会不会不稳定?

刘诚忠:对,所以大模型在To B落地很困难。To B就是要精准,现在模型的能力在严肃数据的场景中太稚嫩,我们没有看到太多的检验和落地的实在效果。我们的价值也是在大模型能力不够高的现状下努力提升他的精准性。企业用大模型直接问数的准确率可能只有30%,我们BI能帮它提高到80%、90%以上,基本达到可落地的程度。


相关资讯
热门标签
衡石科技 衡石BI BI ChatBI BI数据分析 BI PaaS平台 BI工具 AI+BI 企业级BI 嵌入式BI HENGSHI SENSE AI BI平台 ISV/SAAS 厂商 BI PaaS AI Copilot 指标平台 Agentic BI BI Agent HENGSHI SENSE 6.0 ChatBI解决方案 BI系统 对话式BI 传统BI 指标管理 指标中台 一站式BI分析平台 deepseek BI可视化 Chat2Metrics 零代码BI BI报表 数据中台 可视化报表 Deep Seek 多租户 交互式BI BI软件 NL2SQL 嵌入式分析 BI解决方案 大数据模型BI AI数据 Data Agent AI Agent 生态伙伴 OA crm 语义层 NL2DSL 衡石ChatBot ChatBot HQL 智能问数 Gen AI 生成式BI React SDK 自助式BI 问答式BI 爱分析 SDK
立即体验 HENGSHI SENSE
让商业分析触手可及

电话咨询:15810120570

公司邮箱:hi@hengshi.com

北京市海淀区西小口路66号中关村东升科技园B-2楼D201室

上海市黄浦区延安东路550号海洋大厦29楼2903室

广东省深圳市光明区光源五路宝新科技园4栋707号

扫码关注