A：BI 本质是面向业务人员，从数据中获取洞见。

目前的 BI 工具使用上，具体来说，是通过对大量的数据表建立数据关联模型，进行高效精密的聚合计算，给出数据的insight，并以可视化方式进行展现和传播。

ChatBI 同样是面向业务人员，不过是以交互式对话的方式从数据中获取洞见。

具体来说，在完成前置数据准备工作的基础上，可以通过 Chat 的对话形式，拟人化的询问洞见。由于不用提前预设提问即可随需响应，因此 ChatBI 是真正对业务友好的自助式分析。在当前大模型的能力现状下，这里的前置准备工作，基本上和 BI 行业的数据建模工作重合，辅以 RAG 和 Prompt 工程。

   A：取决于我们希望如何从数据中获取洞见。

BI 的主流消费形式是有一定交互性但整体相对固定的仪表盘或者是报表，这其实是非常高效的确定性传播，很难被取代，也没有理由去取代。

另一方面，对话并不一定是那么高效的方式，正确而合理地提问是一个很高的能力要求（浏览报表则未必）。

对话式的使用方式是为了解决一个具体的需求——随机探索性质的数据问询。

ChatBI 会成为 BI 的关键能力要素，是新一代 BI 的标志性功能。在 ChatBI 的加持下，拥有智能化探索能力的 BI 才是真正的新一代智能型 BI 平台，这是继 Tableau 开创敏捷 BI 时代20年后的又一次飞跃。

   A：ChatBot 是一个聊天机器人的应用，不限于数据领域，也不限于是否 AI 能力驱动。当前大模型进展提升了ChatBot 的智能化水平。

ChatBI 可以是 ChatBot 在数据场景的一种使用类型或者一种能力，但是 ChatBI 并不都一定在 ChatBot 的形态下使用。

   A：AI Copilot 是一个应用的 AI 助手，我们这里可以特指 BI 应用中的 AI 助手。

BI 中的 AI Copilot 功能可以对标 VS Code 的 Copilot 插件，是在 BI 的各项内容中通过 AI 能力来辅助生成，比如自动准备数据，自动创建指标，通过输入提示自动创建和修改报表，然后人工加以确认。

AI Copilot 和 ChatBI 在技术实现上和交互上都有很多类似的地方，比如都可以表现为输入提示自动创建内容，都高度依赖 RAG 技术来提高来提高准确性。

AI Copilot 目标是提升专业人员使用 BI 工具的开发效率，而 ChatBI 更多地着眼于提升业务消费数据的效率。

   A：对于没有预设分析路径，但经过规整的数据上进行灵活的探索型分析动作（在临时探索时跳过传统 BI 制作报表的过程）。

这种灵活探索能力，是从数据中获取洞见的必要基础。我们需要各种的方式挖掘和呈现数据去适应各种不同的应用场景，ChatBI 是一个门槛更低的存在，让更广泛的业务受众都可以亲自上手数据探索。

   A：其实是 BI 的客户群体。（这说明了为什么很多非BI背景的厂商虽然做出了ChatBI 的功能但是找不到 PMF）。

   A：ChatBI 是 AI 大模型这波技术红利在数据领域的最佳落地场景，明确降低了 BI 分析平台这类工具的使用门槛，扩大使用受众范围，推动 BI 市场平民化，加速 BI 普及速度。

   A：当前一个企业级的 ChatBI 核心难题还是准确率。

要达到比较高的如90%以上的准确率需要：

数据建模和指标定义，确保文字表达的 KPI 指标和数据的计算公式可以严格对接，这里需要 BI 能力和指标能力；

另外要落地一个企业级的 ChatBI，还需要满足两个条件：

1，高性能的数据处理能力，这个地方是需要高性能数仓配合；

2，需要一个在企业级应用中大家熟悉，有相关的配合链条和使用习惯的使用场景。

最容易忽视的是第二点，这里 BI 显然不是唯一答案，但是是当前是一个务实的答案。

   A：BI+AI 是实践下来的最佳实践。

衡石智能分析平台 HENGSHI SENSE 是能够承载 ChatBI 能力的端到端平台级产品，内置了数仓引擎，搭载了指标管理能力，具备企业级BI的全部功能，对嵌入集成友好。基于 HENGSHI SENSE 来实现和 LLM 的整合对接，完成 ChatBI 的完整功能形态。

   A：不是。

NL2SQL 在数据查询准确率上有瓶颈，衡石采用 NL2DSL 的方式，通过 LLM 翻译询问为指标描述语言，由 BI 层进一步翻译为 SQL 进行下推查询，既可以有效的保证准确率，也无缝衔接 AI+BI 平台到各种异构数据源的翻译执行，还能够在 BI 层控制好数据权限。