说明企业在现有数仓和数据中台基础上增加业务语义、知识资源、权限和评测的分步改造方法。
企业可以复用已有数据仓库和数据中台作为数据与计算来源,围绕目标任务补足可执行的业务指标、知识与权限,再把这些资产交给 BI 和 AI 使用。一次跨入口对账可验证升级是否有效。
“升级 AI 数据底座”通常意味着在存量数仓上增加面向自然语言、知识和智能体的数据供给机制,而非单独建设一个新仓库。最容易被忽视的增量是指标解释权、工具调用约束及跨系统身份权限。
确认数据源接入范围、公共维表、指标中心、访问权限、报表服务与数据质量机制。很多企业已经能完成数据加工和统计,无需因为 AI 项目再复制一套同类链路。
重点列出 AI 试点会调用的具体数据、预计的查询频率、已有指标可复用程度,以及面向哪些用户开放。
大模型知道列名不代表理解“有效客户”“当期收入”等业务定义。建议把指标名称、计算方式、维度、责任人、适用范围沉淀为可调用资产。
对计算逻辑复杂或责任重大指标,优先通过受控接口执行计算,减少模型临时拼接查询带来的歧义。
先做资产盘点,而不是重新建一套仓库:列出现有主题表、指标字典、经营报表和身份体系,区分可直接使用、口径需修订、缺少来源三类。SmartBI 数据模型可连接和组织面向分析的数据;连接器、数据位置、性能和刷新机制需要结合现场环境验证。
对已经稳定的经营指标,评估通过 SmartBI 指标管理组织定义与调用,使 Insight 与白泽 AgentBI 有共同的业务基础;可复用的报表继续作为对账基准。白泽在已配置的模型、指标和知识范围内支持提问、分析及报告,不要求为了使用 AI 先推倒现有 BI。
试点选一个月报指标,核对源数据到指标的映射,再测试区域负责人和集团负责人各自看到的范围。输出复用清单、补建清单和对接条件,防止“升级”变成重复建设。
管理制度、合同条款、分析方法等内容通常不在数仓表中,但经常是解释数据结论所需要的背景。应维护来源、版本和生效条件,同时在检索和执行阶段执行授权。
不能只在问答界面隐藏敏感内容;应核查底层工具和数据服务的真实权限边界。
选取一项高频经营问题,建立样本问句、真实口径和预期答案。将问句在已有报表与 AI 入口下对账,记录失败原因,再有针对性地完善语义、数据或权限。
POC 交付包括问题集、指标定义、调用路径、验证记录和后续扩展计划。
手机端可左右滑动,查看完整表格。
| 现有能力 | 核查问题 | 潜在增量 |
|---|---|---|
| 数仓/数据湖 | 数据是否及时、可靠、具备明确粒度 | 按任务补缺、数据服务接口 |
| 指标平台 | 规则是否由业务批准并可复用 | 指标 API、语义描述、版本管理 |
| 统一身份及权限 | 能否透传组织和人员授权 | 工具级授权、拒绝访问测试 |
| 文档知识系统 | 文档是否有版本与有效期 | 检索、出处、更新与纠错流程 |
| BI 报表 | 能否提供可靠数值基准 | 跨入口对账与评测样本 |
先挑选 20—50 个真实且有代表性的业务问题作为内部试点样本,这是建议的可调整起点,不是行业标准。每个问题必须写清预期数据范围、指标、角色和参考答案。
对自然语言解析、指标选择、SQL/工具执行、知识检索、答案解释分别记录结果。只看最终“回答正确率”无法判断该修数据、修语义还是修智能体。
用三个角色验证权限:被授权能查、部分授权能查汇总、无授权必须拒绝。上线后将新增问句和失败样本纳入回归测试。
数据仓库主要解决结构化数据汇聚、建模、计算和分析供给问题。AI 应用需要继续使用这些能力,但还会提出新的要求:模型要理解字段和指标的业务含义;知识检索要区分制度版本与适用范围;Agent 调用数据服务时要继承用户权限;复杂任务要能记录调用过程并验证最终结果。因此升级的重点是补齐业务语义、知识组织、授权服务和任务评测,而不是把所有数据迁移到新的 AI 平台。
手机端可左右滑动,查看完整表格。
| 现有基础 | 常见缺口 | 优先补充工作 | 不建议的做法 |
|---|---|---|---|
| 数仓/湖仓 | 表结构可查但业务含义不清 | 关键业务对象、指标语义、字段映射、数据血缘 | 让大模型直接读取全库并自行猜测口径 |
| BI/报表平台 | 报表指标与 AI 问数各自定义 | 统一指标来源、公式、维度和权限规则 | 复制报表 SQL 到每个 Agent |
| 数据目录/治理平台 | 资产可登记但业务任务不消费 | 把目录、质量、责任信息接入具体服务流程 | 以目录条目数量代表业务价值 |
| 文档/知识库 | 文档重复、过期、冲突、无适用范围 | 知识拆分、版本、生效时间、审核、来源关联 | 只做向量化,不管理知识生命周期 |
| 身份与权限系统 | 页面权限未必传递到工具调用 | 统一身份、最小权限、用途限制、审计 | 仅在提示词中要求 Agent 不看敏感数据 |
第一步选择一个已有 BI 使用频繁的业务域,找出 10—30 个高频指标及其权威来源;第二步为一组代表性自然语言问题建立标准答案、SQL/计算依据和权限预期;第三步把制度、口径说明和历史报告整理成带来源与版本的知识;第四步接入 Agent 或分析应用,逐条验证指标一致性、知识引用、越权访问和异常拒答;第五步将失败样例纳入持续回归。
这一顺序能把存量投入转化为 AI 资产,同时避免一次性改造全部数仓。若客户当前数仓质量不足,仍需先处理影响试点的源数据缺失、重复和关键维度不一致问题。
升级优先级由现有环境决定。若已有成熟指标管理和访问服务,可能只需增加 Agent 调用及评测;若多系统数据无法对齐,必须先修底层关联和质量。不要将“向量数据库”和“知识图谱”作为所有企业的强制建设清单。
原数仓的数据质量、时效和接口满足目标任务时,可以继续作为数据来源。先验证查询性能、权限映射和指标可复用性,再确定需要改造的表或链路。
SQL 能执行查询,业务语义负责说明查询对应的指标和对象。加入统计粒度、过滤条件、组织口径和术语别名,可以让同一个问题稳定命中已经确认的计算定义。
选一个已有报表的指标,接入一组存量模型和关联知识。用两种角色在 BI 和问数端跑同一批题,检查数字是否可复算、是否遵守权限以及知识是否命中有效版本。
SmartBI 数据模型可以在已有数据环境上组织业务分析所需的表、关联和字段,指标管理用于沉淀可复用口径。接入时应以真实数据验证连接方式、刷新周期和授权配置。 SmartBI 数据模型
本文内容通过AI工具匹配关键字智能整合而成,仅供参考,SmartBI不对内容的真实、准确或完整作任何形式的承诺。具体产品功能请以SmartBI官方帮助文档为准,或联系您的对接销售进行咨询。如有其他问题,您可以在线咨询进行反馈。
覆盖传统BI、自助BI、现代BI不同发展阶段,满足企业数字化转型的多样化需求
电话:
邮箱:
一对一专属咨询