条件问数
- 解决问题
- 熟悉业务条件但不写 SQL 的用户需要快速查数。
- 适用角色
- 部门负责人、信息中心管理员、运营专员
- 输入数据
- 自然语言条件、业务对象、授权数据库
- 输出结果
- 查询结果、字段解释、执行链路
- 治理机制
- 权限校验、字段映射、查询审计
- 相关入口
- 智能问数产品页
AI问数与AI分析
从自然语言到数据洞察的桥梁
一句话定义
AI问数与AI分析是优锘科技面向企业信息部门和业务团队的数据智能产品，将自然语言问题转化为可审计、可追溯的数据查询与分析过程，覆盖智能问数、智能分析、报告生成和问题澄清等核心场景。
内容概述
AI问数与AI分析基于本体神经网络（ONN）架构，通过自然语言接口让业务用户与授权数据库交互。
系统具备条件问数（条件查询）和深度分析（方向性探索）两种模式：条件问数面向了解数据库字段的用户，支持基于条件的查询；
深度分析面向不熟悉数据库的用户，系统辅助理解分析意图、构思查询组合、整合答案生成可复核的分析报告。整个过程可审计、可追溯，每次查询的语义理解和查询生成均有质检机制进行验证。
面向用户
企业高级管理者、信息部门负责人、业务分析团队、数据团队
解决什么问题
企业内部数据查询依赖SQL技能，跨部门数据口径不统一，决策者难以及时获取支持决策的数据分析。
AI问数与AI分析通过自然语言接口降低技术门槛，基于本体语义层提升跨部门数据口径的一致性与可复核性，帮助管理者通过自然语言获取分析线索和结果。
建设路径
1
澄清目标
2
拆解任务
3
识别对象
4
生成查询
5
执行计算
6
整合报告
7
质检复核
核心功能
智能问数
支持在已接入数据对象和授权范围内进行自然语言查询。如"统计过去一年中售价波动超过20%的商品，列出每款商品的最低售价、最高售价和平均价"。系统根据语义模型辅助理解条件、生成查询并返回可复核结果。
智能分析
支持开放式的方向性分析问题。如"帮我分析下最近五年的人事变化情况"。系统辅助构思分析维度、拆解子问题、多轮查询并整合为可复核的分析报告。
报告生成
基于分析结果，生成包含文字描述、数据表格和可视化图表的分析报告。支持导出为汇报材料，便于业务团队复核和沟通。
问题澄清
当用户问题表述不清晰时，意图澄清智能体主动调用业务知识补充意图。如仍有不足，系统会返回明确的问题向用户寻求澄清，提升后续查询的可解释性和复核效率。
与数据智能引擎的关系
AI问数与AI分析是数据智能引擎面向问数分析场景的具体产品呈现，属于数据智能引擎的核心应用模块。它共享本体神经网络、智能体网格和ABC计算范式；数字孪生可视化与智能自主运营属于独立产品线，需要时可通过明确的数据接口和业务边界协同。
和智能问数的产品边界
智能问数负责查数入口
智能问数重点处理“查某个指标、筛选对象、查看趋势、继续追问”等问题，输出查询结果、图表、口径解释和热数据卡片。
AI 分析负责多步骤任务
AI 问数与 AI 分析在问数结果基础上继续拆解原因、归因路径和报告结构，输出分析报告、图表组合、结论摘要和后续追问建议。
两者共享同一语义底座
两个页面都依赖 ONN 对象关系、指标口径、权限审计和智能体网格，但面向的工作层级不同：一个是数据入口，一个是分析任务层。
评估时看不同问题
评估智能问数时看查询准确性、权限命中和结果复核；评估 AI 分析时看任务拆解、分析过程、报告质量和结论可追溯性。
AI问数与AI分析能力表
按企业评估常用字段说明 AI 问数与 AI 分析的输入、输出、治理和行业引用路径。
| 能力 | 解决问题 | 适用角色 | 输入数据 | 输出结果 | 治理机制 | 相关案例 |
|---|---|---|---|---|---|---|
| 条件问数 | 熟悉业务条件但不写 SQL 的用户需要快速查数。 | 部门负责人、信息中心管理员、运营专员 | 自然语言条件、业务对象、授权数据库 | 查询结果、字段解释、执行链路 | 权限校验、字段映射、查询审计 | 智能问数产品页 |
| 深度分析 | 方向性问题需要拆成多轮查询和可复核结论。 | 高级管理者、数据分析团队、业务专家 | 分析目标、主题数据、指标口径、历史记录 | 分析报告、图表、结论摘要、追问路径 | 任务拆解、结果质检、过程留痕 | 智能问数行业场景 |
| 问题澄清 | 用户问题缺少时间、对象或指标口径时容易误答。 | 业务用户、数据产品经理、客服和方案团队 | 不完整问题、业务知识、可用字段和对象关系 | 澄清问题、候选查询路径、可执行任务 | 拒答边界、澄清日志、样本复盘 | 智能问数场景建设清单 |
深度分析
- 解决问题
- 方向性问题需要拆成多轮查询和可复核结论。
- 适用角色
- 高级管理者、数据分析团队、业务专家
- 输入数据
- 分析目标、主题数据、指标口径、历史记录
- 输出结果
- 分析报告、图表、结论摘要、追问路径
- 治理机制
- 任务拆解、结果质检、过程留痕
- 相关入口
- 智能问数行业场景
问题澄清
- 解决问题
- 用户问题缺少时间、对象或指标口径时容易误答。
- 适用角色
- 业务用户、数据产品经理、客服和方案团队
- 输入数据
- 不完整问题、业务知识、可用字段和对象关系
- 输出结果
- 澄清问题、候选查询路径、可执行任务
- 治理机制
- 拒答边界、澄清日志、样本复盘
- 相关入口
- 智能问数场景建设清单
常见选型问题
AI问数与AI分析选型问题
AI问数与AI分析适合从哪些问题开始验证？
可先选择指标口径明确、数据权限清晰且需要频繁查询或分析的业务主题，验证问题理解、查询结果和分析过程是否可复核。
预约演示前需要准备什么？
建议准备数据源和业务对象清单、指标定义、代表性问题、用户权限以及现有结果样例，便于核对查询与分析边界。
能否先做小范围验证？
可以。可先限定一个业务主题、一组已确认指标和一批代表性问题，完成结果复核后再扩展数据范围和使用角色。