业务团队的目标不是分析数据、不是拖拉拽，而是获得支撑业务决策的答案。甚至不必考虑如何将业务问题转化为数据问题，他们应该简单地提出问题并得到答案。
大模型出来以后，用自然语言的方式做数据分析成了数据界关注的重点。
有研究机构说：数据分析天然就是大语言模型/对话式AI落地的合适场景。也有企业在探索了一段时间后，认为这是个没什么价值增益的伪需求。
诚然，自然语言界面能够显著降低人与数据交互的门槛，不过在谈是不是伪需求、是不是有价值之前，还是应该聊聊对话式分析要解决“哪些人”、与数据“如何交互”的问题——先说为了谁，再说怎么做。
- 01 -
开始之前，不妨回忆一下经典的数据分析工作流程。
从业务团队的视角来看，数据分析最好足够“简单粗暴”：业务方提出一个业务目标，最终得到一个能够支持业务决策和行动的数据洞察报告。
事实上在这个从问题到答案的过程中，充满了协作、沟通和大量水面下的工作。
输入：业务目标 | e.g. 营收增长2倍 | 业务团队 |
业务分析 | - 评估需求合理性 - 拆分达成目标的影响因素 - 确认数据口径 …… | 数据团队 业务团队 |
数据分析 | - 分析指标，发现和业务问题相关的范式和趋势等 | 数据团队 |
数据报告 | - 数据可视化 - 搭建看板、报表 | 数据团队 |
数据解读 | - 提炼洞察，说明关键发现和行动建议，形成报告 | 数据团队 |
内化理解 | - 理解数据报告 | 业务团队 |
输出：业务决策 | - 落实业务行动 | 业务团队 |
可见，在传统的数据分析工作流中，业务团队是不直接和数据接触的，他们依靠与数据团队反复沟通，将业务需求转化为可量化分析的内容。
而数据团队的工作则可以大概拆解成如下环节：理解需求，验证问题，识别相关的影响因素，分解为量化指标，形成假设，取数，建模计算，结合业务阐释数据……
事实上一个数据分析师80%以上的时间是在理解需求、拆解需求，写代码、做看板只是最终呈现出来的冰山一角。
- 02 -
今天，当我们想用AI工具来赋能业务人员自助分析的时候，就不可避免要弥合业务和数据两个团队在专业技能和认知层面的gap。
在技术层面，业务团队没有代码或使用BI工具的基础。过去，企业寄希望于组织内部培训，事实上效果不佳，无论是学习意愿还是学习效果，都难及预期。
在认知层面，培养数据分析思维、学习各种统计知识的难度不亚于学习工具。更重要的是，如果不具备分析思维，用户可能无法提出一个符合正确分析范式的问题，更遑论用BI工具解决了。
这也是过去几年里，敏捷BI、自助BI始终无法真正被业务人员广泛采用的原因。
业务团队的目标不是分析数据、不是拖拉拽，而是获得支撑业务决策的答案。业务团队甚至不必考虑如何将业务问题转化为数据问题，他们应该简单地提出问题并得到答案。
TDWI调研欧美企业，过去10年间BI工具的留存率一直徘徊在18%-24%之间；根据北极九章的客户访谈，国内的这一数字会更低。
- 03 -
回到开头提到的问题：对话式的数据分析，就是自然语言生成数据图表吗？
我们的答案是：可以是，但又不只是。
如果是面向能够自主理顺分析思路、把控分析方法的专业人士，一个BI Copilot/代码Copilot用自然语言生成图表，就可以帮他们提升效率，节省一些拖拉拽的时间。
而面向数量更多的非技术用户，当他们不知道如何拆解业务问题、不知道如何深入挖掘数据的时候，仅仅是一问一答获得一张图表，还远远不足以支撑这些用户做出业务决策。
回顾经典的数据分析流程，我们发现，真正想要实现业务人员自助分析，需要的是用AI来自动完成从业务分析到数据解读的全流程，而自然语言生成图表只是其中一个环节。
在这个前提下，要解决的就不只是“人类语言翻译成机器语言”的问题（当然，这是一个很关键的问题，翻译是否准确、语义理解是否灵活对产品的可用性至关重要），对话式分析产品需要理解用户的问题意图，并且自动拆分、拓展、挖掘问题，甚至做出合适的可视化展现，并提炼出数据中的关键发现，汇总到一起呈现给用户。
北极九章正在做的就是这样一件事。
利用AI技术和深耕数据分析行业多年的专家经验，还原3-5年经验数据分析师的技能和思路，让业务用户通过一个简单的自然语言提问，就能从纷繁复杂的海量数据里一步直达数据洞察。无论是快速验证业务结论，还是探索数据头脑风暴，都可以在电脑上、手机上随时打开，与AI对话。
北极九章
