传统BI那套搞不好智能问数，用友分享AI时代问数落地方法论
究其原因，AI时代大模型问数的系统构建和传统BI系统在很多地方是有差异甚至相违背的，用传统搞BI的方式搞智能问数天然不合适。
以下内容来自用友分享内容的整理，包含了AI时代大模型问数与传统的差异、用友的DataAgent落地的思路、步骤、注意事项，具体案例参考，大小企业的具体行动建议等，详实而具体，对希望落地智能问数的企业有较强的参考意义
AI数据分析与BI的差异
AI时代数据分析的6个特征
开放性。AI时代用户的问题是开放性的，预先不知道业务部门会怎样问，问什么样的问题。不像BI时代先去找业务提出报表，IT再去实现，是一个封闭性问题。
实时性。BI做数据是T+1，今天知道昨天的数据，但AI时代讲究的是实时的数据，数据平台和数据库在技术选型的时候，就得能够支持实时性
低门槛。以前业务部门想修改报表的时候，还需要专门的学习培训，AI时代每个业务人员会用自己熟悉的方式去问
智能建议。过去可以给出数据的结果，但是不能给出这个数是好是坏的建议。大模型则可以给出这种建议
准确性。大家都知道大模型有幻觉问题，用友第一批上线的客户的准确率要求是达到95%。
传统BI实施的4步走：
传统BI落地一般分为以下4步，首先调研业务对于报表的需求，之后制定实施方案，之后开发人员制作报表，最后验证数据正确性，之后对使用人员进行培训
传统方式与AI时代分析的差异：
第一，去做需求调研，去问业务部门要问哪些问题，违背了开放性原则
第二，让开发人员写SQL违反了低门槛原则
用友的FDE模式推进智能问数
L1是直查类问题，比如公司编码AA，时间2025年的9月，指标主要业务收入，业务人员通常不会这么问，这些问题是用来验证数据源的正确性的
L2也是直查类问题，只是需要聚合，不需要分析方法，主要验证核心三要素召回的准确性：时间、组织、指标匹配。
L3是直查类问题，不用大模型去进行计算，但需要大模型有一些模糊的理解，比如原来问的是2025年9月或者2025年10月，现在直接问上个月是多少，需要大模型理解上个月是哪个月。这类问题重心是要降低大模型幻觉。L3已经可以覆盖大部分企业70%的需求。
L4增加了计算，比如问上个月大家每升油的成本变化情况是什么？这里面包含2层计算，一层是数据计算，如同比环比计算，一层是单位的计算，如油企采购是以吨为单位进行的，但销售是以升为单位，可能需要通过知识库补充油的升和吨的关系等。
L5层就是各种要素任意组合，比如归因的分析，或者是一些开放式的问答或者是形成报告等等
FDE的具体落地步骤
第一步选场景，不再找业务部门调研，直接选定场景，2个原则，第一高价值，第二有足够数据支撑。
第二步数据治理，就是原来所谓的建设数据中台，提升数据质量
第三步是梳理指标，梳理指标有4个原则
完整性：我们不知道业务部门会问出什么样的问题，所以把数据能够支撑的指标全梳理出来
唯一性：每个指标的名字要具有唯一性，系统内不能两个指标重名
一致性：企业里边所有的组织对于一个指标的理解具有一致性
准确性：指标命名准确性，比如销售发货金额有含税不含税，有客户在数据层把含税销售金额和不含税金额分别叫销售发货金额1和销售发货金额2，最后在BI前端显示时候才用公式定义含税不含税，这就是不准确。
第四步是智数，就是结合业务专家干预和大模型的处理能力，意图识别，场景场景，知识库
第五步是问数，利用大模型NL2SQL技术，让大模型加速AI应用
第四步和第五步合起来就是模型微调的过程。这个阶段要按照L1到L5的顺序来问，否则问题出现在哪个层级是不知道的。
第六步验数，需要准备测试的问题，至少100个，包含正向、逆向、边界性的问题，跟模型交互时让模型连续执行，至少执行300个。
各阶段的一些实施要点
治数阶段：数据存储结构变得极其重要
很多客户问数据中台是在AI出来之前，规划实现的，AI 时代原来的数据中台要不要重新建设？用友觉得原来的数据平台能够复用80%以上，但是肯定有些地方要进行增强
另一个例子是库存余额。一种存储方式是在ERP里面存储商品的基数、出库和入库的变化，查某一天的具体库存，就需要技术人员写SQL语句计算出来。这种做报表没问题，但是BI分析自由钻取就很难了。要实现BI钻取，一种方式是把每个期初、期末算出来，存成2列，但这样数据量显著增大。示例里只是存储到月，如果存储到天，日期乘以商品乘以仓乘以规格型号种类，数据量暴增。这里是因为底层数据存储结构就有问题。
梳理指标
例如财务分析的指标分成6级，每级指标都有明确的分类及准确的命名。在用友的前2个项目中，梳理指标占到70%~80%的工作量。这个工作量很大，而且对于人员的要求特别高。由于财务指标特别是在前5级标准性是非常好的，用友借助前几个项目已经把整个财务指标都梳理出来出来了，之后的项目可以直接复用。
问数，用DataAgent工具就可以了，业务人员可以去做了。每个企业在这部分想法不同，如有一个唯一的DataAgent，或者每个部门、项目都建立一个DataAgent，都是可以的。
原来做BI分析的时候，经常遇到客户的领导说，这次上BI的目标就是从月例会改为周例会，或者有的领导希望今天一上班就看到昨天的报表。他暗示的意思是影响决策流程的是IT能力，数据分析多长时间能出来结果，以这个时间来作为决策的周期。这个在BI的时代没有办法的。
具体能源集团案例
智能问答，L1-L4级别的问答，财务人员可以随意去问。
穿透式归因，L5级，实际发生的一个案例，他们发现火电板块在Q2毛利骤降15%，按照他们通常业务习惯要业务部门加IT部门去进行调研，一般要10~15天给出结果。当时尝试去问AI毛利下降的主因，AI回答你某个省某个区域有一个电厂在Q2的时候，采购煤的采购单价同比上涨了22%，这一因素对于毛利的影响占到了80%。
成本优化，他们希望年吨油成本降3%-5%，用AI每个加油站制定自己独特的成本最低的采购频次等库存控制策略
和BI方式对比：
这家企业指标将近4000个，超过1200个组织，由于他们的口径，外加不同的统计口径来，问数据的方式能有上亿种组合，用传统的报表方式三年都不一定能行。这回花了不到三个月的时间完成了DataAgent的搭建，只要在边界范围内，用户随意的去问。数据错误有可能会有，一旦出现数据错误，进行模型的微调就可以了，现在保证数据的准确率能在95%以上，随着试运行一段时间这个准确率会越来越高
给更多企业的行动建议
不想在AI上做过多的投入，没有AI专门的从业人员，又想去使用和尝试AI的企业：建议从经营分析助手入手，这个场景价值高，数据充足
