几十年来，企业一直依赖仪表盘来消费业务数据。典型的工作流是：先提出一个商业问题，然后找到对应的仪表盘，选择筛选条件，查看指标，最后依靠人工进行分析。这套模式对于预设问题非常有效，但现代企业正在越来越多地提出一些仪表盘从未被设计过的问题：“为什么华东区上个月销售额会下降？”要回答这个问题，需要把多个数据源和业务逻辑结合起来。仪表盘能展示发生了什么，但无法解释为什么发生。这正是AI分析师的价值所在。 从传统BI到AI分析师，核心变化是交互模式的改变：用户不再需要到处查找报表，而是可以直接用自然语言描述业务问题。AI负责理解问题、发现数据、进行多维分析、最终输出业务洞察。但真正的目标并不是生成一张漂亮的图表，而是帮助用户理解背后的业务原因。 然而，构建一个真正可用的AI分析师非常困难。把大模型连接上数据库只是第一步，企业级分析要求AI必须理解数据背后的业务。这里有三大关键难题必须跨越： 第一，业务概念的理解。业务用户不会用数据库表去思考。当用户问“高价值客户”时，企业中可能存在着 customer_table、account_table、crm_customer、billing_customer 等多个表。AI需要知道，业务概念并不总是一张物理表，而是实体、指标、规则和关系的组合。它必须能够在复杂的表结构中，定位真正代表“高价值客户”的数据组合。 第二，数据关系的识别。企业分析很少只依赖一张表。一条典型的分析路径可能是客户→订单→合同→付款。但在真实环境中，数据表之间的关系往往极其复杂：数据库可以允许很多表连接，但只有一部分连接在业务上有意义。AI分析师必须具备业务导向的导航能力，从海量的连接中找出正确路径。 第三，从报表到

打开网易新闻 查看精彩图片