今天来聊聊火山引擎 DataWind ChatBI 在 AI+BI 方向上的最新进展。 这个话题在当前的技术浪潮中很有代表性。本文将从背景趋势、产品探索落地、内部推广与商业化场景，以及总结展望几个维度展开。

背景与趋势

1. BI 平台演进：全面进入智能化

回头看 BI 工具的发展，可以清晰分出几个关键阶段。这也与市面上主流 BI 工具的演进路径基本一致。

最初的传统 BI，本质上是一个报表平台。业务方提需求，产研团队是数据的主要“生产者”，负责制作相对简单的报表，支撑经营仪表盘。

这个过程比较“原始”，成本也不低。它主要服务于一线业务和决策层，大家看到的多是聚合性的定向数据。

接着，BI 进入全民数据分析时代，也就是第二阶段。此时，业务方和数据分析师对数据生产、看板制作和自主分析的需求明显增强。

自助分析的概念随之兴起，自助 BI 开始普及。

到了第三阶段，数据生产、加工和简单呈现不再是瓶颈。基于 AI 能力的自动化、智能化数据分析，变得越来越重要。

这一阶段的核心诉求，转向了归因能力、基于数据的智能洞察与决策，以及分析助手这类功能。

2. 火山引擎 DataWind 企业级 BI 平台建设历程

DataWind 是火山引擎旗下的 BI 平台。建设初期，它主要聚焦 MVP 产品路径构建，目标是满足研发者、分析师、一线业务以及日常协同办公等多元需求。

具体来看，平台覆盖了搜索查询、可视化查询、仪表盘搭建、数据协同和数据集构建等核心能力。

基础能力逐步完善后，DataWind 进入第二个发展阶段。这个阶段的重点转向数据隔离、智能归因和移动端能力。

项目中心的建立、智能归因系统的引入，以及移动端多端能力的提升，较好满足了经营者和一线业务人员在移动端查看数据的迫切需求。

平台的决策支持能力也因此得到增强。

现在，DataWind 正处在创新与突破的关键时期。它不仅补全了可视化建模能力，还在近年逐步拓展了洞察决策、归因分析，以及结合大模型构筑的 copilot 等前沿能力。

这些创新让平台的智能化水平迈上了新台阶。

3. 产品能力矩阵

从能力矩阵来看，DataWind 的覆盖相当全面。它的核心价值体现在“零门槛、全自助、强协同”几个关键词上。

目标很明确，就是让业务用户能够轻松上手并高效使用。

DataWind 将当前先进的大模型技术融入产品，实现了 BI 与 AI 的深度融合。用户因此可以获得洞察决策、交互式分析等高级功能。

例如，智能归因预警和数据协同办公，都是很实用的能力。

4. 服务于抖音集团内部业务的数据产品

在抖音集团内部，DataWind 是非常关键的数据产品工具。它的用户规模庞大，覆盖了集团内 500 多条业务线。

同时，它为超过 80% 的日常业务用户提供服务。

在性能上，DataWind 也能实现秒级的数据查询，整体效率很可观。

火山引擎 AI+BI 的探索与落地

接下来重点看 DataWind 如何与大模型和 AI 能力结合，并在多个场景中落地应用。 我们将从业务闭环分析和决策的视角，梳理具体探索路径。

1. DataWind AI+BI 探索路径

整个数据生产与分析链路可以清晰划分为几个阶段。

• 数据生产：由产品研发团队负责数据准备。
• 分析阶段：由分析师或运营团队进行数据加工、分析与洞察。
• 业务使用：一线业务团队通过临时查询获取核心 KPI，并做定向分析。

不过，一线业务团队通常不具备数据加工或深入分析能力。临时查询获得的结果，往往也不足以直接指导业务决策。

因此，还需要更深入的数据洞察。

DataWind 紧密配合这条业务分析与数据使用链路。通过融入大模型技术，它希望在整个分析闭环中提升效率、降低成本。

在上述每个层次中，都加入了大模型能力。

2. 智能数据洞察的大模型能力矩阵

从产品架构视角看，DataWind 与大模型的结合，正在形成新的发展方向。

在数据准备阶段，它充分利用大模型能力，实现了指标维度的智能识别、描述备注的自动填充和字段表达式的智能生成。

针对研发视角的数据准备工作，还提供了 SQL 自动生成、SQL 自动解释、SQL 优化以及 SQL 一键修复等功能。

在分析师、运营和产品研发的视角，DataWind 在分析功能上投入了大量精力。

在可视化查询方面，它配备了字段式表达式生成、二次分析能力，以及自然语言对话查询、临时查询等便捷功能。

用户可以轻松切换数据集、图表类型，也可以享受一键美化图表和智能推荐工作的服务。

面向一线业务、运营、分析师和管理层决策者，DataWind 提供了仪表盘探索分析功能，包括智能生成仪表盘、数据自动解读等。

针对移动办公需求，ChatBI 与办公软件深度集成。比如配合飞书，提供基于 IM 的对话查询、多轮追问等分析能力。

此外，DataWind 还结合多端能力，除了移动端，还支持数据大屏、数字孪生等工具。

在数据大屏中，同样配备了智能分析和智能语音交互能力。

目前，DataWind 与大模型的结合场景已经探索了 20 多个 copilot 能力，全面覆盖了 BI 工具的生产链路。

3. 数据分析与消费

在分析与消费领域，DataWind 面向一线业务、分析师、管理层和企业用户，提供了丰富的功能。

• 对于一线业务人员：提供了 AI 洞察、数据解读以及图表数据探索等功能，帮助他们更深入地理解数据。
• 对于分析师：智能仪表盘的自动生成、图表的智能美化、二次分析及表达式生成等能力，可以大大提升工作效率。
• 管理层：则可以通过 ChatBI 移动端、智能体以及移动驾驶舱，随时随地掌握企业运营状况。
• 针对企业形象宣传需求：DataWind 还提供了智能语音大屏，以直观、生动的方式展示企业实力与形象。

DataWind 提供的仪表盘，通过集成大模型能力，实现了数据的智能解读。

在仪表盘上，每个图表组件都可以点击数据解读功能，快速获得对当前数据的深度分析。

比如折线图的高点、低点、波峰、波谷及移动值等，都能被快速识别。这为一线业务团队提供了便捷的数据监控与分析手段。

需要明确的是，这里的数据解读并非传统意义上的归因分析。它更偏向于对数据的直观呈现与初步理解。

如果系统提供的解读无法满足特定业务需求，DataWind 还配备了自定义数据解读功能。

业务团队可以根据自身需求配置解读思路，实现千人千面的效果。

此外，DataWind 仪表盘还融入了 AI 问答能力。针对图表背后的完整数据集，用户可以通过自然语言询问更细颗粒度的数据。

这显著降低了数据提取难度，也更符合一线业务人员的使用习惯。

为确保准确性，DataWind 还提供了多种辅助验证手段。比如查看原始 SQL 和数据集的功能。

针对一线业务人员，另一个重要场景是 AI 查询模块。

与仪表盘基于图表本身的询问不同，这个模块允许资深业务人员或决策者，对公司内部数据进行临时性的深入探索。

用户只需选择相应的数据集，通过自然语言进行多轮对话，就能轻松获取所需数据。

这种交互方式极大降低了数据查询门槛。DataWind 也注重细节，比如提供数据集的常用字段等辅助信息，帮助用户更好地理解和使用数据。

接下来看看面向分析师的能力。对于分析师而言，构建仪表盘是日常工作的核心。

DataWind 为此提供了智能生成仪表盘的功能。用户只需用自然语言描述仪表盘的类型、分析思路和布局要求，系统就能智能生成一份初始化模板。

工作效率因此大幅提升。

当然，大模型在智能生成过程中很难保证百分之百准确。因此，DataWind 还提供了二次调教功能。

用户可以对生成的仪表盘进行细致调整与优化，确保数据准确和分析精准。

分析师在进行 BI 数据分析时，常受限于数据集本身的颗粒度。

如果数据集过于明细，分析师可能只能获取部分数据，难以在后链路中完成自定义字段的添加、数据的聚合与加工。

这往往需要向产研或中台团队提需求，影响工作效率。

为解决这个问题，DataWind 推出了二次分析大模型能力。

分析师在完成可视化查询后，可以基于当前结果，通过自然语言与大模型对话，由大模型完成后续的数据加工工作。

比如，如果原始数据集中只有销售额字段，分析师可以要求大模型生成月销售额占比的衍生字段。

这个功能大大简化了工作流程。分析师无需再将数据下载到 Excel 中加工，直接在系统中就能完成所有分析工作。

分析师在运用 BI 工具时，还常需构建计算字段来满足特定分析需求。

但 BI 工具功能日益丰富，函数表达式越来越多，构建自定义字段的学习成本也随之增加。

DataWind 通过引入大模型能力解决了这个问题。分析师可以通过自然语言与大模型对话，获取构建所需字段的函数表达式建议。

大模型能根据需求智能推荐合适的函数，从而降低学习成本，提升生产效率。

在分析师之外，管理层的应用场景也很重要。

首先，DataWind 与飞书深度集成，为移动端配备了 ChatBI 功能。

在飞书平台内，用户可以激活 DataWind ChatBI 机器人，通过自然语言问询获取数据结果。

这个功能支持多轮问答和常规图形切换。用户点击图表或获取结果后，还可以进一步查看详情。

这些设计充分满足了管理层和有移动办公需求的一线人员，在出差或无法使用电脑时快速获取数据的场景需求。

未来，大模型的能力不再是简单的“指标和维度”，而是“问题与答案”。

DataWind 团队近期也在进行相关探索，并孵化了一款“智能体”产品。

在 ChatBI 场景中，用户需要基于单数据集进行自然语言问答。而在智能体中，用户直接与智能体对话，无需关注数据集的选择。

用户提出问题后，智能体会从业务链路中的所有数据库表中获取相关数据并给出答案。

智能体还提供推荐问题、答案收藏及推送等功能，让用户获取信息更便捷。

这种产品形态脱离了数据集本身的概念，构建了完整的业务域，初步实现了向“问题与答案”方向的迭代。

这也为业务方和决策者提供了更高效的数据查询方式。

针对政企客户及企业宣发需求，BI 系统提供了大屏与数字孪生等功能。

在此场景下，DataWind 也探索并融入了大模型能力。用户可以与自然语言与大屏对话，即时输出相关数据，还能通过交互获取更多信息。

场景的互动性和智能化水平因此进一步增强。

4. 数据生产与加工

聊完数据消费，接下来看看数据生产和加工领域。这里主要聚焦三个关键角色：数据研发、分析师和业务伙伴。

对于数据研发人员来说，常规的数据生产工作依赖 SQL。

为了提升效率，DataWind 结合大模型技术孵化了一系列自动化工具，包括一键 SQL 优化、自动生成 SQL、一键生成 SQL 注释，以及针对 SQL 错误的诊断和修复。

由于 SQL 本身具有工具化和语法规范的特点，与大模型的结合非常契合，实现了高准确率的自动化处理。

完成数据生产后，分析师还需要进行数据的二次分析和深度聚合。

DataWind 为此配备了相应的二次分析能力，确保数据研发人员或分析师在编写 SQL 后，能够对数据进行进一步校验和深度挖掘。

这有助于保障数据准确性和可用性。

在数据生产和加工领域，DataWind 推出了数据快速加工助手。

它能自动识别数据集中的维度和指标，并实现一键描述与备注填充。

这个功能看似细微，实际作用很明显。因为导入的数据底表常含英文字段，大模型在识别维度、指标并智能填充时，会将其转译为中文，方便业务方理解。

不仅如此，大模型还能基于语义理解，为包含复杂表达式的字段构建业务描述，帮助用户准确理解字段的业务含义。

这些业务描述在前端数据消费环节，还能作为大模型语义的补充，优化字段召回，提升准确率。

在数据探索与准备范畴中，知识库管理至关重要。

尤其在企业应用中，行业术语和“黑话”成为大模型与 BI 结合的一大挑战。

很多客户希望能依据行业特有的描述与问答模式获取数据。

目前的技术尚不支持直接导入文档供大模型自主学习并高效运用行业知识。

实践表明，大模型在有限且规则明确的知识体系内，尤其是经过配置化的知识语料训练后，能更好地响应查询。

因此，DataWind 引入了知识管理能力，针对数据集中的核心业务字段构建同义词，并补充业务场景描述。

这样可以增强大模型对行业术语的识别能力。

5. 数据决策与洞察

在 BI 生态中，为管理层定制的移动驾驶舱功能助手是一个亮点。

通过移动驾驶舱，管理层能获得更灵活的数据访问体验。

其中呈现的数据均为核心数据，旨在满足管理层对数据严肃性与严谨性的要求。

相比泛化的分析工作，移动驾驶舱更侧重核心数据的提取与移动监测，提供精准、高效的数据支持。

结合大模型技术，移动驾驶舱能够调取丰富的信息与知识，契合管理层的日常办公需求。

它不仅展示核心指标数据，还集成了会议纪要、结论、市场信息和舆情，为管理层提供全面、深度的视角。

这个工具是面向管理层精心孵化并与大模型深度结合的产物，旨在提升决策效率与质量。

决策和洞察功能的另一个重点，是数据洞察与归因。它提供了三种主要的归因方式：

• 维度归因：对指标的变化在各维度上进行拆解，并给出定量的贡献解释。这里引入了定基法、加权占比法等算法。
• 指标归因：将复合指标或计算指标拆解成因子指标来看其贡献度。
• 异动分析：结合时序预测算法，对指标进行自动探查。

结合这三种归因能力，还提供了更全面的指标分析树能力。

这有助于从多角度理解数据变化的内在原因。

DataWind 分析助手的整体架构也值得关注。

收到自然语言的用户提问后，首先会经过初步的内容审查和拦截，然后生成 prompt 提交给大模型。

大模型返回 SQL 和回答后，再经过第二轮审计，最终服务于不同分析场景。

大模型为 BI 带来了两大优势：

• 一是数据开发提效。
• 二是数据消费扩大。

火山引擎 DataWind 分析助手的优势也很明显。

• 首先，它经历了大量复杂场景与大规模用户的实践打磨。作为内部最大的数据产品工具，用户体量庞大，为分析助手在客户侧的使用提供了丰富的验证机会。
• 其次，火山引擎拥有豆包大模型的知识储备，模型迭代与优化进程可控。
• 此外，在算法工程、大模型应用及数据应用方面，火山引擎也具备显著实力，通过工程化层面的工作确保了数据的高准确性。
• 最后，火山引擎持续进行超饱和的高质量投入。

因此，火山引擎 DataWind 有信心将大模型与 BI 的结合推向行业领先地位。

DataWind 外部实践场景

1. 某全球化消费电子品牌

一家全球化消费电子品牌此前面临几个问题：旧 BI 平台 AI 能力不足，难以结合新技术实现高速演进，业务自助分析也难以实现。

DataWind 凭借自身优势成功满足了该品牌的需求。

• 首先，DataWind 与飞书实现了强联动协同，提升了工作效率。
• 其次，它提供了低门槛的可视化能力和敏捷的即席分析，满足了业务的正常使用需求。
• 此外，DataWind 当时正在孵化的 ChatBI 能力也引发了客户兴趣，符合其使用理念。

因此，该品牌选择 DataWind 作为 BI 工具。

在业务场景中，财务部门对数据分析的需求尤为突出。

财务人员虽专业于数据，但描述需求时往往较为琐碎，难以精准表达。同时，底表明细复杂，构建模型也颇具挑战。

在这种情境下，ChatBI 能力的优势显现出来。它具备分析视角多样、数据建模灵活、适应分析思路多变等特点，恰好满足了财务部门的需求。

行政与 HR 部门也面临类似挑战，数据琐碎、分析思路多样，因此 ChatBI 与分析助手同样成为这些部门的理想选择。

针对 HR 人事考勤部门的痛点，客户发现考勤点众多且场景分散，难以向数据分析部门准确传达需求，以生成完整报表。

而通过引入分析助手，HR 团队能够基于原始考勤数据，高效进行统计分析，精确掌握员工在不同场景下的平均出勤情况。

这个解决方案完美契合了分析助手的能力，也有效解决了客户的实际问题。

2. 某汽车企业

接下来是一个汽车行业客户，聚焦在移动驾驶舱场景。

近年来汽车行业竞争激烈，每家厂商除了关注自身核心数据，还会关注公共舆情、市场动态以及竞争对手的数据。

移动驾驶舱首先可以满足管理层数据盯盘和移动办公的需求。

同时，它还能提供公域信息中的相关数据，并提供定期总结。

这较好地解决了客户需求，也为其降本增效、紧跟市场动态提供了助力。

3. 某电商平台

第三个案例是某电商平台。在 DataWind 大模型分析助手的能力加持下，客户的工作效率得到了大幅提升。

4. 某内容平台

最后是一个内容平台客户案例。

DataWind ChatBI 移动办公的能力，很好地满足了创作者运营团队随时随地获取信息的需求。

这帮助他们及时识别运营机会与方向，也为精细化运营奠定了基础。

总结与展望

在探讨 ChatBI 或 AI+BI 的未来发展方向时，有几个关键趋势值得关注：

• 首先，垂类场景的深度挖掘将成为重要趋势。 随着 BI 厂商与大模型结合能力的不断探索，市场逐渐认识到，在部分场景下，大模型加 BI 的准确率难以完全满足高预期。因此，针对复杂泛化问题的解决方案将趋向于收敛到具体的垂类场景，高效满足用户实际痛点将成为产品竞争力的关键。另外，跨表构建业务主题分析域将成为重要课题。初期 AI+BI 能力多基于单表问询，但这并不符合业务实际应用场景。未来，跨表构建垂类主题域，实现问题与答案的紧密结合，或将成为大模型的发展方向。
• 第二，指标的治理与应用将是提升大模型应用效率的重要手段。 在实际应用中，原始数据往往较为混乱，大模型难以直接进行数据治理和加工。因此，用户和供应商需要共同解决数据复杂度问题，以更好地应用大模型服务业务。
• 第三，深化 AI 能力将成为核心竞争力。 数据分析领域 BI 的普及带动了 AI 能力的普及。未来，AI 能力需要在生产、取数、决策洞察等全方位闭环解决业务全场景问题，才能真正构筑 AI+BI 产品的竞争力。
• 最后，多边系统协同驱动企业数据飞轮也是必然趋势。 AI+BI 需要具备更好的开放集成能力，与企业办公软件或场景深度结合与集成，而不仅仅局限于一个独立的数据工具。