Agentic BI:端到端数据分析的智能体团队
在传统 BI 工具中,数据分析意味着反复建模、拖图表、手动解读,这是典型的“人驱动”流程。但在 Xpert Agentic BI 中,一切由 AI 智能体主导:它可以理解你的语言、掌握业务指标、洞察趋势,自动执行整个分析任务。
💡 什么是 Agentic BI?
Agentic BI(智能体驱动的商业智能)是一种 AI 时代的 BI 模式,它将 AI 智能体(Agent) 融入数据分析全过程,让系统具备理解、规划和行动能力,实现真正的自动化、智能化决策支持。
在传统 BI 中,用户需要手动建模、配置报表、编写公式、解读图表。而在 Agentic BI 中:
- 🧠 AI 智能体成为核心分析者,你只需用自然语言描述业务问题,智能体就能理解意图,自动构建分析路径并执行;
- 🔧 智能体可调用工具集,如语义模型工具、指标管理工具等,自动完成查询、计算、解释和建议;
- 🔁 分析不再是一次性结果,而是一个持续对话过程,支持追问、细化、调整思路,真正实现人机协同分析。
🔧 当前已上线功能简介
模块 | 功能简述 |
---|---|
语义模型工具集 | 构建指标分析的语义层:领域、主题域、事实、维度及其关系图 |
指标管理工具集 | 定义并管理业务指标:支持多层级指标拆解、公式配置、来源追溯 |
ChatBI工具集 | 基于自然语言的对话式分析:支持多轮问答、上下文跟踪、智能建议 |
❌ 仪表板工具集(未上线) | 用于构建可交互的图表与看板,目前尚未开放 |
❌ 数据治理工具集(未上线) | 用于字段质量、口径一致性、权限治理等方向,目前尚未开放 |
🚀 快速开始:三步激活 Agentic BI 智能分析
第一步:创建数字专家工作空间
进入任意数字专家界面,点击「创建工作空间」。此空间将承载你的语义模型、指标体系、业务数据以及智能体对话上下文,是 Agentic BI 运转的核心容器。
第二步:实例化智能工具集
在工作空间内,点击「添加工具集」,选择已有的工具集:
- 语义模型工具集(Semantic Model Toolset):支持定义业务实体、维度、度量字段等语义结构;
- 指标管理工具集(Indicator Management Toolset):用于构建和维护关键业务指标,定义口径、统计规则及所属业务域。
第三步:创建智能体并绑定工具集
点击「添加智能体」,选择一个合适的数字专家模板(如“财务分析师”、“市场洞察助手”),并为其绑定你已配置的工具集。
完成后点击「发布」,你的 Agentic BI 智能体即可开始工作,支持以下操作:
- 📊 对话式创建语义模型结构
- 📌 自然语言定义与调整指标
- 📈 结合模型和指标进行业务分析
- 🧠 多轮分析推理与建议生成
🔍 实战演示:Agentic BI 能做什么?
以下是几个典型的自然语言交互例子:
建模类:
“帮我创建一个销售订单的语义模型,包含客户、产品、销售日期和销售金额字段。”
指标类:
“新增一个叫‘本月同比增长率’的指标,统计销售金额同比变化率,单位为百分比。”
分析类:
“告诉我过去三个月华东地区各产品线的销售趋势,按月展示。”
规划类:
“我们准备做一轮毛利分析,请制定一个指标评估和分析路径。”
🤝 多智能体协同:角色协作型分析
将多个数字专家(智能体)加入项目中,可实现角色分工式分析:
- 市场策略助手 → 用户数据分析与细分
- 销售预测专家 → 生成趋势预测与计划建议
- 财务分析师 → 成本结构优化与盈亏分析
多个智能体共享语义模型与指标体系,真正实现上下文同步、多视角协作。
🧩 使用场景示例
业务场景 | Agentic BI 如何提供帮助 |
---|---|
销售预测分析 | 使用指标“订单增长率”、“预测销量”自动生成趋势图与文字解读 |
预算执行跟踪 | 按项目域定义语义模型、对预算指标进行可追溯的分析 |
区域业务对比 | 自动识别各区域指标值差异,结合维度字段生成分析图表与洞察 |
经营异常识别 | 智能体识别核心指标的异常波动,追溯至对应维度、字段、原始数据,辅助问题定位与决策制定 |
✅ 为什么选择 Agentic BI?
能力维度 | 传统 BI 工具 | Xpert Agentic BI |
---|---|---|
数据建模 | 手工构建、重复配置 | 可视化语义建模、结构化指标体系 |
自然语言提问 | 无,需学报表结构或 SQL | 内置语义理解,问题自动映射至指标与维度 |
分析执行与反馈 | 需手动拖图、解释、撰写报告 | 智能体执行分析并生成解释,支持自动行动建议 |
多角色协同 | 不支持 | 多智能体可共享语义上下文协同分析,支持任务分工 |
分析逻辑复用能力 | 不具备 | 指标与模型结构可复用,支持跨项目引用 |
🔍 Agentic BI vs ChatBI(Text2SQL)
对比维度 | ChatBI(Text2SQL) | Agentic BI |
---|---|---|
🎯 核心能力 | 将自然语言转换成 SQL 查询,执行并返回结果 | 以智能体为核心,具备上下文理解、建模、指标管理、分析执行与反馈能力 |
🧠 智能体角色 | 无智能体概念,只是查询接口 | 智能体是主角:能推理、建模、管理指标、规划分析路径 |
🛠 依赖基础 | 依赖已有数据库和表结构,要求结构稳定清晰 | 可以通过语义模型工具构建业务语义层,摆脱表结构依赖 |
📊 指标管理能力 | 无,所有指标需用户在问题中描述或隐含表达 | 内置指标管理工具集,支持复用、追溯、版本控制、统一口径 |
🔁 对话上下文理解 | 通常只支持单轮问答,无法保持上下文 | 支持多轮深度对话,理解上下文并做推理、追问、迭代分析 |
🧩 分析链路能力 | 执行 SQL 并返回表格或图表结果,缺乏解释 | 能生成分析计划、逐步执行并解释洞察,可调用外部工具联动操作 |
👥 多角色协作 | 不支持 | 支持多个智能体协同分析,各司其职,共享上下文 |
🧱 扩展性 | 限于 SQL 查询与数据库可视化展示 | 可扩展接入多种工具链(如语义模型、指标、行动器、可视化组件等) |
👨💼 目标用户群 | 中轻度分析用户,主要面向业务自助查询 | 业务+数据双驱动场景,服务于更复杂、更智能的决策链路 |
✅ 举个例子
ChatBI 问法:
“查询 2024 年每月的销售额。” 👉 背后执行 SQL,展示表格/图表,无背景理解,也无指标口径解释。
Agentic BI 问法:
“今年销售趋势怎么样?哪个产品线拉动最大?” 👉 智能体结合语义模型识别“销售额”,调用指标口径定义,理解“趋势”是时间序列分析,进一步可以追问“哪个渠道影响更大”,全程上下文连贯,结果可解释。
🧠 本质区别总结一句话:
- ChatBI 是增强版查询工具,把自然语言翻译成 SQL;
- Agentic BI 是智能化分析助手,能听懂你的问题、构建分析路径、调用工具、解释结果、提出建议,甚至自主驱动下一步动作。
🔜 下一步预告
我们正在开发以下功能,敬请期待:
- Dashboard Toolset:用于拖拽式图表配置、分析结果展示
- 数据治理 Toolset:提供指标口径一致性校验、字段质量追踪、权限分层控制等能力
🔗 延伸阅读
如你希望了解更多使用示例或想深入配置语义模型与指标体系,欢迎访问帮助中心或联系我们的支持团队。