在企业数字化转型的浪潮中，AI问数能力已成为核心竞争力。然而，一个巨大的鸿沟横亘在"数据"与"决策"之间：业务人员有数据需求但不会写SQL，技术人员会写SQL但不理解业务上下文。据IDC统计，企业AI问数师60%以上的时间花在"取数"而非"分析"上——一个简单的"上月华东区销售额"查询，从需求提出到拿到结果，平均需要1-3天。
鲲溟智能AI智能问数平台，依托自然语言处理（NLP）、NL2SQL自然语言转查询引擎、多源数据融合、大模型推理等核心技术，让业务人员用日常语言就能直接查询和分析企业数据，实现"数据即问即答、人人皆可分析"的愿景。
关键区分：AI智能问数 ≠ ChatBI。ChatBI是BI工具的功能模块，侧重"用自然语言生成图表"。鲲溟智能AI智能问数是独立的AI问数平台，覆盖"自然语言查数→对话式分析→智能报告→预警推送"的完整链路。
第一章 行业背景与挑战
1.1 企业AI问数的四大痛点
痛点一：取数瓶颈
"等数据"比"做决策"更耗时——AI问数师沦为"人肉SQL翻译机"，业务人员因等数据被迫延迟决策。
痛点二：口径不一致
"三个部门三个数"——同一指标"毛利率"，财务、销售、运营部门计算口径不同，会议上数据打架。
痛点三：数据孤岛
"想看的数据永远在另一个系统"——数据分散在CRM、ERP、财务等十余个系统中，看全流程数据需手工拼凑。
痛点四：分析浅层化
"只看得到结果，找不到原因"——传统BI擅长展示数据，但不擅长归因、预测、建议。
1.2 从BI到ChatBI到AI问数的演进
| 阶段 | 时间 | 交互方式 | 核心能力 | 局限 |
|---|---|---|---|---|
| 传统BI | 2010-2020 | 拖拽/SQL | 报表制作、数据可视化 | 需要专业技能 |
| ChatBI | 2023-2025 | 自然语言 | 自然语言生成图表 | 只能"查数" |
| AI智能问数 | 2026+ | 对话式分析 | 查数+归因+报告+预警 | 鲲溟智能当前阶段 |
第二章 产品定位与核心理念
鲲溟智能AI智能问数的三层能力模型：
四大核心设计理念
- 数据民主化：让每个人都能用数据做决策，门槛从"会写SQL"降低到"会说话"
- 从"查数"到"分析"：不止告诉你是多少，更告诉你为什么
- 统一口径：通过指标语义层，"一个事实，一个答案"
- 安全可控：行列级权限控制，全链路审计日志
第三章 技术架构
3.1 NL2SQL引擎——"听懂人话"的关键
NL2SQL引擎的四层处理架构：
| 技术难点 | 传统方案 | 鲲溟智能方案 |
|---|---|---|
| 模糊表达 | 无法理解 | 结合上下文推断 |
| 隐含条件 | 遗漏过滤条件 | 自动补充默认条件 |
| 复杂关联 | 仅支持单表 | 支持多表关联、窗口函数 |
| 歧义消解 | 报错 | 主动追问确认 |
| 口径统一 | 不同人不同SQL | 指标语义层确保口径一致 |
3.2 指标语义层——"统一口径"的基石
指标语义层在物理数据层和用户查询层之间建立"语义抽象"：
指标定义示例
指标名称：毛利率
计算公式：(营收-营业成本)/营收
数据源：fact_revenue
可用维度：时间/区域/产品线/渠道
统计口径：含税，不含退款
负责人：财务部
3.3 多源数据融合引擎
| 类型 | 支持的系统 |
|---|---|
| 关系型数据库 | MySQL、PostgreSQL、Oracle、SQL Server |
| 数据仓库 | ClickHouse、StarRocks、Doris、BigQuery、Snowflake |
| NoSQL | MongoDB、Elasticsearch、HBase |
| 文件数据 | Excel、CSV、JSON、Parquet |
| API数据 | RESTful API、GraphQL |
| SaaS应用 | Salesforce、用友、金蝶、企业微信 |
第四章 核心功能详解
4.1 自然语言查数
支持的查询类型涵盖简单查询、条件过滤、排序比较、时间对比、多表关联、聚合统计、模糊查询、多轮追问等。
多轮对话式查询示例
用户："上个月各区域销售额是多少？"
AI：返回表格+柱状图——华东区2,340万(+12%)、华南区1,890万(+8%)、华北区1,560万(-3%)
用户："为什么华北区下滑了？" ← 追问归因
AI：对华北区进行多维下钻分析，定位根因是产品B受竞品新品冲击+新客获取放缓
用户："生成一份分析报告" ← 一键出报告
4.2 对话式分析
归因分析——当用户问"为什么"
4.3 智能报告生成
用户只需说"生成上月经营分析报告"，AI自动生成包含经营概览、关键发现（亮点/风险/关注）、区域分析、产品线分析、行动建议、数据来源与口径说明的结构化报告。
支持定时任务：日报（每日9:00）、周报（每周一）、月报（每月1日）、异常预警实时推送。
4.4 语音问数
支持普通话和主流方言的语音识别，查询结果可语音播报——适合驾驶、移动等场景。
第五章 安全与合规
行列级权限控制
列级权限
- 销售：客户名称、订单金额、产品、区域
- 财务：成本、利润、回款、发票
- 管理层：全部字段
行级权限
- 区域销售经理：仅本区域数据
- 产品线负责人：仅本产品线全国数据
- CEO：全公司数据
第六章 部署方案
☁️ SaaS云端
- 1-2周部署
- 按查询次数/用户数计费
- 多租户逻辑隔离
🏢 私有化
- 2-4周部署
- 数据不出企业网络
- 支持国产信创
第七章 行业应用场景
| 行业 | 典型场景 | AI价值 |
|---|---|---|
| 汽车 | 销售分析、库存管理、客户分析、售后分析 | 替代手工报表，实时可查 |
| 政务 | 办件分析、群众满意度、资源配置、预算执行 | 效能监控、自动报告 |
| 金融 | 信贷分析、客户资产、产品分析、合规报告 | 风险监控、合规自动化 |
| 零售 | 门店分析、商品分析、会员分析、促销分析 | 运营优化、精准运营 |
第八章 实施方法论
第九章 竞争优势分析
| 维度 | 传统BI | ChatBI | 鲲溟智能AI问数 |
|---|---|---|---|
| 交互方式 | SQL/拖拽 | 自然语言→图表 | 对话式分析 |
| 能力范围 | 报表+可视化 | 查数+可视化 | 查数+归因+报告+预警 |
| 口径管理 | 无 | 无 | 指标语义层统一口径 |
| 归因分析 | 手动拆解 | 不支持 | AI自动多维归因 |
| 盲点发现 | 无 | 无 | AI主动发现关联问题 |
| 数据安全 | 基础权限 | 基础权限 | 行列级权限+全链路审计 |