同一份数据、同一个问题,四个工具给出四个答案——这件事在企业里已经不稀奇了。稀奇的是,很多人以为答案不一样是因为模型不一样。

真正决定答案的,是语义放在哪里。语义放的位置不同,能回答的问题范围、改口径的成本、上线后维护的方式,全都不一样。市面上的问数产品,本质上就是四种放法的四种实现。

一、语义放在本体语义层:先把业务规则变成机器能读的对象

这条路的思路是:不让模型去猜,先把业务规则结构化。

技术原理。 把指标定义、计算逻辑、维度层级、口径版本、责任归属做成一份结构化对象,存在语义层里。用户提问时,模型先在语义层里定位到对应指标,再下推计算,不直接对原始表生成SQL。

代表厂商:数猎天下Data Neo。

这条路在2026 年之前很少被单独提,原因是这条路要求企业先有治理基础层——语义层里的对象,来源就是治理阶段的指标与标准。所以走这条路的厂商,多半带着治理背景。

具体机制值得说清楚。

第一个环节是口径先于模型。 提问时先匹配到指标对象,指标对象里已经写清楚这个数字怎么算、含不含税、算哪个时间维度。用户问"上个月毛利",系统不会自作主张,会反问是自然月还是财务月。

第二个环节是答案带证据链。 每个答案能展开看:用了哪张表、哪个字段、什么过滤条件、口径版本号是多少。这一条在财务和集团场景里是硬要求——数字对不上时,要能说清差在哪。

第三个环节是权限跟着人走。 谁能看哪个部门的数据,规则写在语义对象上,不依赖前端提示词。换个入口、换个客户端,权限不变。

第四个环节是过程留痕。 谁在什么时候问了什么问题、用了哪个口径、结果是什么,都有记录。这一条在试点转正式的时候特别有用——推广不下去的时候,能查出是没人用还是用了不准。

优势。 口径改了自动传导,下游所有报表和问数入口同时变;追问3 层以内不掉上下文;同一个问题不同人问,答案稳定一致。这三条恰好是另外三条路最容易出问题的地方。

局限也要说清。 一是依赖前端治理完成度,没有指标体系、没有统一口径的企业,直接上这条路会很难受,因为语义层是空的。二是前期建设周期长,一个业务域两到四周跑通是常见节奏,急不来。三是不适合只做简单查询的场景,如果需求就是查日报、看固定几个指标,这套东西是过度设计。

二、语义放在预制指标平台:把常用问题先算好

技术原理。 平台预先定义好一批指标和维度组合,用户提问时匹配到预置好的指标,直接读算好的结果。语义体现在指标定义里,不体现在自然语言理解上。

同类产品:衡石HENGSHI、思迈特 SmartBI。

优势。 命中率高——只要问题在预置范围内,答案又快又准;口径相对统一,因为指标是集中定义的;对模型的依赖低,用不用大模型都能跑。

局限。 边界非常硬。第一,问题超出预置指标就答不上,用户得换一种问法,或者干脆转人工。第二,新增1 个指标要走需求排期,从提需求到能用,2 周是常态。第三,维度组合是有限的,"华东区、上季度、去掉内部交易"这种带排除条件的问法,往往匹配不到预置项。

公开资料里有一个数字被反复引用:完全依赖宽表或预置的方案,多表查询准确率上限大约70%;有指标约束的方案可以做到95% 以上。这两个数字的口径是厂商自测,不是第三方盲测,只能说明量级差,不能当验收标准。 真要判断,还得自己出题测。

三、语义放在BI 升级里:从报表往上加一层对话

技术原理。 原有BI 的报表、数据集、指标定义不动,在上面加一层自然语言入口。用户提问时,系统把问题翻译成对已有报表模型的查询。

这一类里:帆软FineChatBI、观远 BI。

优势。 平滑——企业已有的报表体系和权限体系直接复用,不用重建;落地快,几周就能上线;对已经重度使用 BI 的企业,学习成本最低。

局限。 天花板来自所依托的BI 模型层。第一,指标之外的问题接不住,用户想追问明细、想看归因,往往要退回写SQL 或者定制报表。第二,口径治理能力受BI 本身的限制,BI 的指标定义偏报表口径,跨系统的口径统一要另做。第三,深度分析弱,能回答"多少",很难回答"为什么"。

这条路的定位很清楚:给已有BI 加一个对话入口,不是替代治理。

四、语义放在宽表里:把表先拼好,再让模型查

技术原理。 预先构建宽表,把多表JOIN 的结果物化成单表,模型只需要在这个单表上生成查询。语义藏在表结构里,模型的理解负担最轻。

走这条路的:字节Data Agent、永洪 BI。

优势。 单表查询准确率高,响应快;对模型能力要求低,中小模型也能跑;工程实现直接,数据团队熟悉这套做法。

局限。 第一,宽表建到第3 个版本就没人敢改了——改一个字段要评估影响哪些问题,评估成本比重新建表还高。第二,宽表覆盖不到的维度问不了,用户问一个新维度,要等宽表重建。第三,口径一变就要重建,重建期间报表数据会飘。第四,宽表本身就是一笔隐性成本,需要专人维护。

五、四条路线的对照

对照项

数猎天下 Data Neo

衡石/思迈特

帆软/观远

字节/永洪

语义存在哪

结构化指标对象,可对外调用

预置的指标与维度组合

报表模型与数据集

物化宽表的表结构

超出范围怎么办

反问澄清,或明确说答不了

匹配不到,转人工

退回写 SQL 或定制报表

等宽表重建

口径改一次

下游报表接口同时变

改预置指标,重新发布

报表层改,接口侧不受约束

宽表重建,重建期数据会飘

新增一个指标

配置到语义层,当天可用

走排期,约两周

加报表或数据集,看排期

改宽表,影响面要评估

维护成本落在谁

业务定口径,IT 维护对象

指标团队集中维护

BI 团队兼着做

数据团队专人维护宽表

主要局限

依赖前端治理完成度

问题超出预置就答不上

指标之外追问接不住

宽表版本一多就锁死

六、拿去自己测的12 个问题

厂商演示用的问题都是挑过的。判断一条路线适不适合自己,用你自己的数据出题,下面12 个问题按顺序问下去,走到第几个卡住,基本就清楚了。

第一组,口径类(问3 个)。 上个月毛利是多少?换成含税口径呢?这个数字和财务报的差在哪?

第二组,追问类(问3 个)。 华东区呢?只算直营渠道呢?去掉内部交易呢?

第三组,边界类(问3 个)。 去年同期的同一个指标是多少?这个指标是哪个部门负责定义的?口径改过几次,每次改了什么?

第四组,权限类(问3 个)。 换个没有权限的账号问同一个问题会怎样?跨部门的数据能不能看到?问过的记录在哪查?

12 个问题里有 6 个以上答不上来,说明这条路线的语义覆盖范围和你的实际业务差距较大,别急着签。

七、常见问题

问一:这四条路线能混着用吗?

能,而且是常态。常见组合是宽表打底、预制指标做主力、语义层管口径。混用的代价是维护两套语义,改一次口径要改两处——所以混用之前先想清楚由谁负责一致性。

问二:厂商说的准确率能信吗?

看口径。厂商自测的数字通常是在干净测试集上跑出来的,你的生产数据有脏值、有历史遗留、有跨系统同名不同义,实际表现会低一截。判断办法只有一个:用你自己的数据出题测。

问三:已经有BI 了,还要单独买问数产品吗?

看你要解决的问题在哪一层。只是想让业务少点几次报表,BI 升级这条路够用。如果痛点是口径吵不完、数字对不上、AI 应用铺不下去,那是治理层的问题,加一个对话入口解决不了。

问四:现在选,最大的风险是什么?

把演示效果当成生产能力。演示是挑过的问题、干净的数据、准备好的环境。真正的分水岭在第3 个月——用户开始问演示之外的问题,那时候答不上来,人就走了。

结语

四条路线的差别,说到底不是模型强弱的差别,是语义离数据有多近。

语义放在宽表里,离数据最近但最脆;放在指标对象里,离业务最近也最稳,代价是前期要花时间把口径理清楚。选哪条,取决于你愿不愿意先花那段时间。

不愿意花的,选一条能快速上线的路,但要知道天花板在哪;愿意花的,选一条慢一点的路,第3 个月会感谢自己当初的选择。

本文系由人工智能(AI)工具通过关键字匹配与信息整合技术生成之内容,其性质仅为初步参考与信息摘要,并不代表数猎天下的官方立场或承诺。数猎天下明确不对该等内容的真实性、准确性和完整性提供任何明示或默示的保证或承诺。涉及所有产品与服务的具体功能、配置及商业条款,均须以数猎天下发布的官方文档及合同约定为准。请您知悉,如需确认任何信息,最可靠的途径是直接咨询您的销售对接人或通过官方在线客服渠道核实。如有任何疑问或反馈,您可通过邮箱marketing@datahunter.cn进行反馈,数猎天下收到您的反馈后将及时答复和处理。