智能问数是什么：
从一句话提问到图表的 5 个真实场景

智能问数是什么，和报表差在哪

智能问数，指的是员工用日常语言直接提问，系统理解问题、自动完成取数，当场返回数字与图表。例如：

「上月华北区销售额环比掉了多少，主要掉在哪几个客户？」——不用提需求、不用等排期、不用自己写公式，问完就有一张图。

它和报表的差别，不在「好看不好看」，而在谁来定义问题、多久能拿到答案：

一句话概括：报表回答「我们早就知道要问什么」的问题，智能问数回答「临时想到的问题」。所以它不是报表的替代品——固定经营看板仍然该由报表和大屏承担，问数补的是报表覆盖不到的那部分长尾需求。

名词说明：这类产品业界常称为 ChatBI 或自然语言问数（NL2SQL），常见实现包括 SQLBot 等。我们交付时按客户的数据环境与合规要求进行选型，产品部署在客户自己的网络内，指标口径与权限由我们现场梳理配置，并提供后续运维支持。

五个真实使用场景

以下五个场景，是我们做数据应用项目时最常见、也最容易见效的问数入口：

• ① 销售日报自查：区域经理早上问「昨天哪个门店没达标、差多少」。原来是提需求给 IT 等一两天，现在自己问、当场看图，早会上直接拿数据说话。
• ② 库存与周转：采购问「哪几个 SKU 的周转天数超过 60 天」。这类问题跨度长、组合多，报表很难穷举，问数最合适。
• ③ 费用异常：财务问「本月差旅费同比涨了多少，集中在哪些部门」。从「先拉全量明细再自己透视」变成「问一句、点两下看明细」。
• ④ 客户分层：市场问「复购 3 次以上的客户有多少，集中在哪个行业」。分层条件是临时的，每次都要改口径，用问数最省事。
• ⑤ 门店与区域对比：管理者问「全国哪个区的人效最低，跟第一名差多少」。这类「谁最差 / 谁最好、差多少」的问题，是问数最高频的用法。

把这五类问题合起来看，它们的共同点是：问题是真的、但都不在报表的预设范围内。这类需求过去大多以「自己拉 Excel 到深夜」或者「干脆不看了」收场，问数真正改变的是这一点。

落地最容易踩的四个坑

问数工具本身不复杂，难的是它一旦开跑，就会把数据底座的问题全部暴露出来。四个最常见的坑：

• ① 指标口径没统一：同一个「销售额」，销售、财务、运营三套算法。问数上线第一天，三个部门问出三个数字，信任立刻崩塌。所以问数项目必须先立口径，把核心指标的算法、取数范围、时间口径写清楚。
• ② 权限没有设计：谁都能问 = 谁都能看到全部数据，这是实打实的合规风险。要按角色配置到数据范围、必要时到字段级，敏感字段单独管控。
• ③ 只连了一个库：真实业务问题常常跨系统——订单在 ERP、客户在 CRM、区域划分在手工表里。不先做集成，问题就只能问其中一段，答案不完整。
• ④ 上线后没人维护口径：业务在变、表结构在变，语义层的定义却没人更新。几个月后问出来的数字开始对不上，用户就不用了。这一条通常要有明确的岗位或服务方兜底。

结论有些反直觉：智能问数用得好不好，八成取决于数据底座和口径治理，而不是模型有多聪明。这也解释了为什么很多企业买了问数工具却闲置——工具没问题，是底座没准备好。

自建、SaaS 还是私有化部署

选型的核心不是功能对比，而是三件事：数据在哪里、合规要求有多严、谁来长期运维。

实践中的分界线很清楚：数据涉及客户信息、经营明细、涉密或受监管的政企客户，几乎都会选私有化部署——数据不出内网，同时由服务方负责实施、口径梳理与后续运维，避免「建起来没人管」。中小企业验证阶段，可以先用轻量方式快速跑通一两个场景，再决定是否私有化落地。

我们交付智能问数时的固定做法是：部署在客户内网、对接客户既有数据库，先做核心指标口径梳理再开问，配套使用培训与 12 个月技术支持——这也是把「工具能用」变成「有人一直在用」的关键一步。