AI数据分析怎么做？一套SOP打通ChatBI、Data Agent与Skill

过去做一次数据分析，往往要经历提需求、找数据、写SQL、做图表、解释异常、整理报告等多个环节。现在有了大模型，不少企业希望直接接入ChatBI，让业务人员通过自然语言完成分析。

但真正落地后会发现：能回答问题，不等于能完成分析；能生成图表，也不等于能支撑决策。

业务人员问“本月利润为什么下降”，系统可能很快返回利润金额和趋势，却没有继续判断：

下降来自收入还是成本，集中在哪些产品和客户，属于短期波动还是结构性问题，哪些原因已经被数据证实，哪些还需要业务部门核实。

所以，AI数据分析不能只建设一个问数入口，而要打通从问题定义、数据理解、任务执行、结果校验到经验复用的完整链路。

本文接下来将以 AI 数据 SOP 实践流程为主线，结合具体产品FineBI Next实例，拆解企业如何让 ChatBI、Data Agent 与 Skill 真正协同工作。

FineBI Next 将 AI 能力融入企业原有 BI 分析流程，支持从业务问题理解、数据探索到分析结果呈现的全过程。它能够理解业务问题，辅助完成数据分析、图表生成和结果解释，并与企业现有 BI 体系深度融合，让 AI 生成的分析结果可以持续编辑、复用和沉淀。

它带来的改变，不只是让用户“会问数据”，而是让 AI 真正参与完整的数据分析流程。

对FineBI Next感兴趣的，需要自取：https://s.fanruan.com/zk65g

一、先分清：ChatBI、Data Agent与Skill分别解决什么问题

很多企业同时在谈ChatBI、Data Agent和Skill，却容易把三者理解成不同名称的“AI问数”。

实际上，它们位于AI数据分析的不同层级。

ChatBI解决的是人和数据之间的交互问题。

业务人员不需要知道数据在哪张表，也不一定要会写SQL，只要提出“华东区本月销售额为什么下降”“哪些客户的回款风险正在增加”，系统就能把自然语言转换成查询与分析动作。

但ChatBI通常偏向单次问答。如果问题涉及多张表、多步计算和多轮原因拆解，仅仅回答一个数字还不够。

Data Agent解决的是复杂分析任务的执行问题。

它不仅理解问题，还要规划步骤、选择数据、调用工具、检查中间结果，并根据发现继续下钻。用户提出“分析本月利润下降原因”，Agent需要先判断收入和成本分别贡献了多少，再拆到区域、产品、客户和订单，最后形成证据链。

Skill解决的是分析经验的复用问题。

如果每个月都要做利润分析，就不应该每次重新教AI一遍。企业可以把已经验证过的方法沉淀为“月度利润分析Skill”，固定分析口径、执行步骤、异常标准和输出格式。

因此，三者的关系不是相互替代，而是层层递进：

ChatBI负责理解需求，Data Agent负责执行任务，Skill负责固化方法。

在实际分析中，这三层能力往往不是分开出现的。业务人员先提出问题，系统再选择数据、拆解路径、生成结果，最后把验证过的方法和分析成果沉淀下来。

二、SOP第一步：把模糊需求改造成分析任务卡

AI分析最常见的失败，不是模型不会计算，而是用户的问题没有定义清楚。

“帮我分析一下经营情况”缺少分析对象、时间范围、判断标准和交付目的。AI即使生成十几张图，也可能没有真正回答业务问题。

一个合格的分析任务，至少要明确六项内容：

• 业务对象：分析公司整体、某个区域，还是某类客户；

• 核心指标：关注收入、利润、回款，还是库存；

• 时间范围：本月、近三个月，还是年度累计；

• 比较基准：与预算、同比、环比，还是目标值比较；

• 分析目的：解释异常、预测趋势，还是寻找机会；

• 交付要求：需要数字、图表、报告，还是行动建议。

例如，不要只说“分析毛利率下降原因”，而要改成：

“分析华东区7月毛利率较预算下降3个百分点的原因，按照产品、客户和销售人员逐层拆解，识别影响最大的五项因素，并区分已证实原因和待验证假设。”

任务卡还要提前写清验收标准：使用哪套指标口径，数据更新到什么时间，结果需要与哪张经营报表核对，结论最终由谁确认。

先规定什么叫分析完成，AI才知道应该做到哪一步。

我们用FineBI Next中的AI助理功能，只要通过自然语言描述业务问题后，它会基于企业已有的数据资产识别分析意图，选择相关数据、指标和维度，辅助生成分析表、图表和结果解释；看到第一轮结果后，还能沿着当前分析继续追问。

由于AI助理与BI共用数据连接、字段指标、语义口径、分析计算、可视化资产和权限体系，AI的分析不会脱离企业原有的数据环境。

三、SOP第二步：建立AI能够理解的数据语义

不少项目把业务表直接交给大模型，然后期待它自动理解全部业务规则。结果往往是表查对了，数字却算错了。

因为AI看到的是字段，业务真正使用的是语义。

数据库中可能只有amt、status和customer_id，但AI需要知道：amt是含税收入还是不含税收入，取消订单是否参与计算，毛利是否扣除履约费用，同一个客户存在多个编码时应该怎样合并。

所以在AI开始分析前，需要准备四类基础资产：

• 第一，可信数据表。明确事实表、明细表和维度表之间的关联关系，避免一对多关联造成金额重复。

• 第二，指标口径。记录指标名称、计算公式、时间口径、过滤条件、适用范围和责任部门。

• 第三，业务知识。补充渠道分类、产品层级、订单状态、组织关系和特殊业务规则。

• 第四，权限与时效。明确不同岗位能够查询的数据范围，同时告诉AI数据更新频率和截止时间。

由于FineBI Next 的AI助理与BI使用同一套字段指标、语义口径、分析计算和权限规则，企业原来定义好的收入、成本、毛利率、客户分类和组织范围，能够被AI理解和复用。

当业务人员提出“分析本月毛利率下降原因”时，AI不只是从数据库中寻找名称相近的字段，而是结合已有的指标定义确定计算方式，在权限范围内选择相关数据，并按照产品、客户、区域等业务维度组织分析。

人的重点也从手动选择字段、配置计算公式，转向核对三个问题：

AI调用的是不是正确指标，选择的分析范围是否完整，使用的业务口径是否适用于当前场景。

这样，企业过去在BI中沉淀的指标和规则不会因为接入AI而被重新推翻，而是成为AI分析能够稳定运行的语义基础。

这一步本质上是在建立一份数据语义合同：

企业负责给出确定的业务含义，AI只能在合同规定的范围内计算和解释。

四、SOP第三步：先广度扫描，再由Agent逐层下钻

真正有效的AI分析，不应该一上来就寻找原因，而要先确认异常是否真实。建议把分析过程分成四层。

第一层：确认结果。

判断指标发生了什么变化，包括变化金额、变化比例、出现时间，以及与预算、同比、环比的差异。

第二层：定位贡献。

按照区域、产品、客户、渠道等维度拆解，计算各维度对整体变化的贡献。不能只看降幅最大的是谁，还要看谁真正影响了整体结果。

一个小客户收入下降50%，对整体影响可能有限；一个核心客户只下降10%，却可能贡献了大部分收入缺口。

第三层：追到业务动作。

继续从汇总指标下钻到订单、价格、销量、折扣、退货和成本明细，回答变化是怎样形成的。毛利率下降可能来自产品结构变化，也可能来自折扣扩大、采购成本上涨或高毛利客户流失，不同原因对应的经营动作完全不同。

第四层：形成待验证假设。

AI能够发现数据关系，却不能自动把相关性认定为因果关系。最终结论必须区分：哪些原因已经被数据证实，哪些只是高概率解释，还需要补充什么业务信息。

过去完成这四层分析，往往需要分析人员不断切换指标和维度，重新取数、建表和制作图表。每深入一层，都要重新组织一次分析过程。

在FineBI Next中，业务人员提出“分析本月利润下降原因”后，AI助理会先识别分析意图，选择相关数据、指标和维度，生成第一轮分析表与图表。确认利润确实下降后，可以直接基于当前结果继续追问：

• “收入和成本分别影响了多少？”

• “收入缺口主要集中在哪些区域？”

• “华东区具体受哪些客户和产品影响？”

• “这些客户涉及哪些订单，价格和销量分别发生了什么变化？”

AI会沿着已有分析结果继续选择数据和组织分析，不需要每提出一个问题，就重新搭建一张表或重新说明全部背景。前一层的发现会成为下一层分析的输入，逐步把汇总指标追到区域、客户、产品和订单明细。

这种连续追问的价值，不只是缩短制图时间，而是把“确认结果—定位贡献—追查动作—形成假设”变成一条能够持续推进的分析路径。

但AI负责的是寻找异常、组织证据和推进下钻。数据之间是否存在真实因果关系，仍然需要业务人员结合合同变化、市场活动、客户情况和供应链信息进行确认。

Data Agent不是替人拍结论，而是把人的精力从反复取数和制图，转向原因判断与经营决策。

五、SOP第四步：校验结果，建立可追溯的证据链

AI生成的结论不能直接进入经营会议，必须经过校验。至少要设置四道检查。

• 总分校验：区域、产品和客户汇总后，能否与公司总数对应。

• 口径校验：是否使用统一指标定义，有没有混入取消、重复或未完成记录。

• 时间校验：数据更新到什么时间，跨期订单、迟到数据和退款是否已经处理。

• 业务校验：结论是否符合真实业务流程，有没有出现“数据相关但业务无关”的解释。

每条结论还应附带证据，包括数据来源、计算口径、拆解维度、影响金额和明细对象。

不要只输出“华东区是销售额下降的主要原因”，而要继续说明：

华东区贡献了多少收入缺口，主要集中在哪些客户，涉及哪些订单，数量、价格和退货分别产生了多少影响。

真正做汇报时，通常不会把一段AI回答直接复制到经营材料中。

• 数字出现偏差，要回到指标和数据重新核对；

• 某项原因缺少证据，还要继续下钻到客户、产品和订单；

• 图表无法支撑判断，也需要补充新的分析维度。

FineBI Next生成的分析表和图表不会只留在问答记录里，后续仍能接着修改和整理。口径有问题就调整计算，证据不完整就补充明细，经过业务部门确认的结果，再进入正式看板或分析报告。

这样，AI给出的第一轮结果就成为分析底稿，而不是最终答案。从发现异常到补充证据，再到形成正式结论，整个过程仍然沿着原有的BI分析链路继续推进。

判断一项AI分析能否被采用，可以看四个标准：

结果可复算、过程可追溯、口径可解释、结论可验证。

缺少其中任何一项，生成的内容都只能作为分析线索，不能直接作为决策依据。

六、SOP第五步：把一次分析沉淀为可复用Skill

企业应用AI分析，最大的浪费是每次都从零开始提问。

当一条分析路径经过业务确认和数据验证后，就应该沉淀为Skill。

一个完整的分析Skill，至少应包含：

• 触发条件：什么情况下调用；

• 输入数据：需要哪些表、字段和指标；

• 执行步骤：先看什么，再拆什么；

• 判断规则：达到什么程度算异常；

• 校验要求：必须完成哪些核对；

• 输出模板：形成图表、结论还是行动清单；

• 人工节点：哪些步骤必须由业务人员确认；

• 异常分支：数据缺失、口径冲突时怎样处理。

以“月度利润异常分析”为例，可以固定执行利润总览、预算偏差、收入与成本拆解、区域贡献、产品贡献、客户明细、原因判断和改进建议八个步骤。

前面通过FineBI Next跑通的月度利润分析，就可以成为这项Skill的初始模板。

分析过程中使用了哪些指标和维度，按照什么顺序逐层下钻，出现什么异常需要继续追问，哪些结果必须由人工确认，都可以从已经验证的分析路径中提取出来。生成的分析表、图表和结论，则可以作为FineBI Next的Skill输出格式的参考。

下一次再出现利润异常时，AI就不必从一句模糊问题重新开始，而是按照固定步骤完成利润总览、偏差拆解、贡献定位和明细追踪，并在涉及口径冲突或因果判断时转交人工确认。

我们要沉淀的不是某一次对话记录，而是对多次分析都有效的步骤、规则和判断边界。这才是从一次AI分析走向可重复调用Skill的关键。

Skill沉淀的不是一句万能提示词，而是一套经过验证的分析作业标准。它要明确AI能做什么、做到什么程度，以及在什么情况下必须停止并交给人工判断。

业务口径调整、组织架构变化或数据源更新以后，Skill还要同步修改，并记录版本、生效时间和适用范围。否则，AI可能在稳定执行一套已经过期的方法。

七、SOP第六步：把分析结果变成持续交付

AI数据分析不能停在生成结论。最后一步，是把经过校验的结果转化为看板、报告和行动清单，进入企业日常经营节奏。

同一项分析，面对不同对象，交付内容也应该有所区别：

• 面向管理层：突出发生了什么、影响有多大、需要做什么决策；

• 面向业务部门：明确异常对象、原因证据、改善动作、负责人和完成时间；

• 面向分析人员：保留数据来源、指标口径、拆解过程和明细对象，便于后续复算。

例如，不能只在报告中写“华东区毛利率下降2.6个百分点”，还要继续形成一张行动清单：

• 哪三家客户需要重新审核折扣政策；

• 哪类原材料需要推进采购降本；

• 哪些低毛利产品需要调整销售结构；

• 每项动作由谁负责；

• 什么时候完成；

• 下一个分析周期用什么指标验证。

看板负责持续监测，报告负责解释原因，行动清单负责推动问题解决。三者缺少任何一个，AI分析都可能重新退回到“发现了问题，却没有后续”的状态。

交付也不是一次性的。日报、周报或月度经营分析更新后，还要继续检查：

• 原来的异常是否已经消失；

• 改善动作有没有按计划执行；

• 过程指标是否开始变化；

• 最终利润、收入或成本是否得到改善；

• 有没有出现新的异常和分析需求。

验证结果还要反向更新Skill。已经被证明有效的判断规则可以继续保留，错误假设需要删除，发生变化的指标口径和组织关系也要及时调整。

这样，AI分析才真正形成一条闭环：

发现问题 → 分析原因 → 推动行动 → 持续监测 → 验证结果 → 更新方法。

看板或报告不是分析工作的终点，而是下一轮分析和经营改进的起点。

结语

按照这套SOP，AI数据分析的完整链路应该是：

定义业务问题 → 准备数据与语义 → ChatBI理解需求 → Data Agent规划并执行 → 人工校验结果 → Skill沉淀方法 → 看板或报告持续交付。

这条链路中，人并没有退出分析过程，而是从重复取数、拖图和整理材料，转向定义问题、统一口径、审核证据和推动行动。

企业最终要建设的，也不是一个什么都能聊的问数机器人，而是一套能够稳定回答三个问题的分析系统：

• 数字发生了什么？

• 为什么发生？

• 接下来应该做什么？

ChatBI降低了人与数据交互的门槛，Data Agent延长了AI能够执行的任务链条，Skill则把个人经验转化为组织可以重复调用的能力。

当问题、数据、执行、校验和复用真正形成闭环，AI数据分析才不再是一次性的功能演示，而会逐渐成为企业日常经营的一部分。