大模型应用分析：腾讯ChatBI提高查询准确性的方法

02

—

大模型应用数据分析的背景

传统BI产品上手难、效率低、获取不便，这些痛点早就不是什么新鲜事了。ChatBI的出现，算是把这潭水搅活了。企业里其实藏着大量数据分析小白——零售一线店员、学校老师，这些人过去看到BI工具基本就绕道走。但通过ChatBI，直接用自然语言问问题就能拿到结果，门槛一下子降了下来。

自然语言理解带来的"对话即分析"，是另一个亮点。多轮对话加智能追问，用户拿到结果后可以接着往下问，系统能结合上下文回答。比如你问完"2023年腾讯云BI每个月收入是多少？"再接着问"2023年上半年呢？"，ChatBI能准确理解你指的是同一张表、同一维度。输入联想和"猜你想问"功能也挺实用，输入"商品销售数据"，系统就会推荐"2023年各品类销售额""销量前五的商品"这类问题，让分析思路不断线。

更轻量的是，导入Excel就能秒出分析结论，还能接着刨根问底。对小微企业来说，不需要搭复杂的数据仓库，上传一个微信文件里的Excel，系统就能自动解读核心内容、画趋势图。自定义能力方面，可以配置知识库、数据源、示例问题。比如把行业黑话、指标定义录入知识库（通过Excel导入或手动录入），大模型就能听懂专属术语。用户提问时，系统会先从向量库检索相关知识，再结合原始查询生成更精准的回答。

数据安全这块也做了考虑——默认只拿表头，不取实际数值，SQL执行后直接返回结果，客户数据全程不出数据库。多端适配（小程序、H5、PC）也让一线销售或高管在路上就能查数，解决随时随地获取数据的难题。

02

—

ChatBI 提高查询准确性的方法

可信模式：查询条件百分百准确时才会给出回答，适合对准确性要求极高的场景。如果你明确知道要查的具体时间、条件、维度和指标，选这个模式就能拿到可靠结果。

专业模式：条件非百分百准确时也会尝试回答，但允许用户通过查看SQL进行二次校验。因为AI模型可能存在幻觉，查看SQL可以帮助判断结果是否合理。

通过「继续追问」按钮进入追问模式，系统自动联系上下文回答问题。如果追问效果不佳，用户可以随时退出，回到单轮问答状态，重新整理思路。

ChatBI能基于图表自动生成数据总结，用描述性统计帮用户快速把握概况。比如看"每季度营业积分趋势"时，点击[生成总结]就能看到统计概述，图表上还会标注参考线。验证结果方面，业务用户可以通过自然语言透出的取数逻辑来判断准确性；懂SQL的用户可以在图表右侧菜单中点击「查看SQL」进行二次校验。

如果AI给出的结果不符合预期，用户可以自定义修改查询条件、删除多余条件或添加新条件来校正答案。如果AI选错了数据表，点击「换表查询」就能切换到正确的数据源。

用户可以反馈回答是否正确，标记badcase并优化模型。下次遇到同样的问题（被标记为正确的），系统会自动返回原回答，让模型“越用越聪明”。

03

—

与其他 ChatBI 产品的对比

市场上同类产品不少，各有各的侧重：

DataFocus 通过多轮对话让用户逐步深入，引入符号推理和白盒Text2SQL解析提升准确性，但100%准确仍需努力。

FocusGPT 多轮对话灵活高效，但模型幻觉和复杂指令问题也还在。

Tableau Ask Data 自然语言查询实用，省去了写SQL的麻烦，但处理复杂查询能力有限，偶尔需要手动干预。

Qlik Sense Insight Advisor 能自动生成洞察和分析建议，但在复杂指令处理和数据隐私上仍有挑战。

IBM Watson Analytics 结合AI和机器学习，支持高级分析，但实施和维护成本较高，中小型企业承受压力较大。

相比之下，ChatBI在多轮对话、自定义能力、多端适配方面有一定优势——用户可以配置自己的知识库、数据源、示例问题，也能在不同终端随时问数。当然，模型幻觉和复杂指令执行仍是持续要攻克的难题，未来需要不断优化大模型和符号推理系统，提升查询的准确性和透明性。