产品设计｜对话式 chatBI 系统建设（上篇）

用大语言模型打造对话式ChatBI系统，正在真正降低数据分析的门槛，让数据分析这件事变得更智能、更亲民。这篇文章的核心话题，正是围绕这个方向展开的——包括LLMs在ChatBI系统中的应用、产品设计中的关键问题与解法、以及知识库管理和多轮对话的重要性。

先说说背景。借助LLMs大模型的能力，通过NLP自然语言理解技术，业务部门现在可以直接用对话的方式获取数据，系统自动生成BI图表——折线图、饼图统统不在话下。对比从前那种靠拖拉拽自助生成图表的方式，大模型赋能后，数据分析的门槛又往下降了一大截，直观感受就是“更聪明了”。

在研究了一下“腾讯云ChatBI”和“网易数帆ChatBI”之后，结合对LLMs技术的理解，从产品经理的视角，试着完成了一套产品设计。

先看看下方2张效果图——不得不说，结合LLMs之后的产品效果确实很惊艳：一句话就能出结果。

先抛几个问题，然后再给出产品方案：

1. 用户输入的需求不明确怎么办？
2. 如何让LLMs生成准确的SQL数据查询语句？
3. 技术路线：Text2SQL还是Text2DSL？
4. 系统如何自动化选择展示图表类型？
5. LLMs是否应该主动处理“数据建模”任务？

穿插一张趣图：
（我家傻喵在看我写公众号...笑屎！你它喵看得懂不？）

1. 用户输入自然语言
2. 用户意图识别
3. RAG知识召回
4. LLMs组装SQL查询语句
5. 发起数据查询
6. 自动生成图表展示

先罗列出用户可能的提问方式：

针对这些情况，给出产品解决方案：

提问：“门店销量是多少？”——通过“多轮对话”功能去追问用户，直到采集明确的需求信息。

提问：“华东区域本月业绩完成情况？”——通过“RAG知识库”添加别名，将“业绩”映射为“销量”。

提问：“华东区域去年支出成本是多少？”——通过“RAG知识库”添加计算公式：成本=销售额-利润。

提问：“上个月大促活动期间销售额一共多少？”——通过“RAG知识库”添加大促活动的时间范围信息。

在这个产品方案中，一共引入了两个功能：

知识库管理，是为了解决LLMs通用型不足的短板。企业中存在大量业务专有名词和知识，为了让LLMs准确理解这些业务并精准识别用户意图，引入“知识库管理”功能非常必要。

一般而言，知识库管理的数据类型包括：结构化数据和非结构化数据。在产品设计时，可以考虑允许人员导入PDF格式的业务知识，或者按结构化形式创建录入表格数据，两种形式均可。

以结构化知识为例：

• 知识ID：rag_001
• 知识名称：大促活动时间范围
• 知识解释：是指2024年5月2日至2024年5月12日
• 提问参考：2024年5月份大促活动期间销售额一共多少？

为了完善用户需求信息，在交互上采用“多轮对话”形式，让需求变得更加完整。多轮对话的过程目标是“完善用户需求”，核心目的是“精准识别用户意图”。

从数据角度来看，多轮对话最终产出的结果包括：

1. 明确的分析主体
2. 明确的分析维度
3. 明确的时间范围
4. 明确的意图分类（按指标展示还是图表展示）

“上月华东地区门店的销售额是多少”——这是多轮对话的理想结果。

• 明确的分析主体：门店
• 明确的分析维度：华东地区门店
• 明确的时间范围：上月
• 明确的意图分类：销售额指标展示