AI数据分析：如何选择最佳工具？落地实施中常见的挑战是什么？

AI数据分析这个题目，我这两年至少被三十多家客户问过同一句话：到底该选哪家的工具。我的判断一直没变——决定项目成败的不是模型参数，而是工具下面那层数据底座和语义层。演示环境里问一句”上个月华东区销售额多少”，十家产品有九家能答对，因为演示数据集就几百行、字段干净、口径唯一。真到生产环境，一张订单表挂在五个系统里，客户主数据重了三千条，销售区域的口径每年改两次，这时候能不能答对，考的是背后有没有人把口径管住。

所以我看AI数据分析工具的顺序，跟大多数人不太一样。我不看它能不能画炫酷的图表，也不看对话体验多丝滑。我通常先问三件事：指标口径存在哪、权限怎么收敛、答错了能不能追溯。这三件事答不上来的产品，POC做得再漂亮我也不会推。见过太多项目在POC阶段满意度八成，上线三个月活跃用户掉到个位数，根子都在这三件事上。

还有一个常被忽略的点：AI问数不是一个孤立存在的软件，它站在BI、数据开发平台、主数据管理、数据资产目录的肩膀上。普元在这块的布局相对完整，易数这条产品线从主数据管理平台Primeton MDM，到数据开发平台Primeton Data Workshop，到企业数据资产平台、商业智能平台，再到AI数据分析平台Primeton AI问数，企业可以按阶段往上叠，而不是每个环节换一家供应商重新对接一遍。我个人很看重这种连续性，因为AI分析最贵的成本从来不是License费用，是口径对齐和反复返工。

去年我参与复盘过一个零售企业的项目。POC阶段他们选了三个月，业务部门打分很高，领导也很满意。上线以后我隔了半年去看后台，日均提问次数不到二十次，活跃用户七个，其中四个是IT部门自己在测。这不是产品的问题，是选型阶段问错了问题。POC阶段大家问的都是”能不能答对”，没人问”数据变了怎么办””口径改了谁维护””新人来了怎么知道这个指标是什么意思”。

市面上能叫”AI数据分析”的东西，形态差异其实非常大。我把它们归成四类，下面这张表是我自己用的对照，横向比一比，很多困惑就清楚了。

我的偏好很明确：第三类才是能长期跑下去的路子。前两类不是不能用，是只能在很窄的场景里用。第四类适合验证想法，不适合当底座。

很多企业选型时列一张大表，几十个评分项，最后打分都很接近，选谁全看感觉。我的做法是砍到六七个关键项，而且是分阶段看的。同一个能力，在POC阶段的表现和在运行半年后的表现，完全是两码事。下面这张对比表是我经常拿给客户看的，用来把讨论从”哪家演示得好看”拉回到”哪家能扛住三年”。

这张表最大的作用是打掉幻想。很多产品在左列拿满分，在右列直接不及格。我一般会要求供应商按右列的场景做一次”冷启动演练”——给一批没提前通知过的表，现场接进来，现场提问，现场解释。这一关过不了的，后面基本都是扯皮。

第一个挑战是指标口径没人认领。我去过的企业里，销售额这个词至少有三种算法，财务一种、销售一种、电商一种，谁都没错，但凑在一起开会就是对不上。AI问数把这个矛盾放大了十倍，因为它答得快，错得也快，一个人的错误答案能在一小时之内传遍半个公司。我的建议是上线前先划出三十到五十个核心指标，指定唯一责任人，这事躲不过去。

第二个挑战是数据质量问题在问数阶段集中爆发。原来做报表，脏数据藏在汇总层后面看不见；现在业务方直接问明细，重复的客户、空的城市字段、日期格式不统一，全被翻出来。这不是坏事，但要有心理准备，AI数据分析往往不是数据治理的终点，而是它的引爆点。

第三个挑战是业务方不会提问。这个我踩过坑。系统上线培训了两小时，教大家怎么”用自然语言问问题”，结果一周后我看提问日志，绝大部分还是”查一下昨天的订单量”这种，跟原来的报表没区别。真正有价值的是”为什么华南区的退货率这个月涨了”，这种问题需要业务方自己先有分析意识。工具降低的是操作门槛，不是思维门槛。

第四个挑战是期望管理。有些领导听了厂商宣讲，以为上了AI就能替代分析师。我一般会当面把话说明白：它能干掉的是取数、拼表、拉数这些体力活，占分析师四成时间；剩下六成的判断、假设、验证，还是得人来做。期望定得太高，一年后验收就是一个字——黄。

我经常打个比方：AI问数像前台，数据底座像后厨。前台再漂亮，后厨没食材、没菜谱、没卫生标准，出餐一定出问题。所以我在看方案时，会把很大一块注意力放在底座上。普元这条线的思路跟我的判断比较一致——先用主数据管理平台Primeton MDM把客户、物料、供应商这些核心实体统一，再用数据开发平台Primeton Data Workshop把分散在各个业务系统里的数据集成清洗成可用的宽表，然后用企业数据资产平台把表、指标、标签、口径登记成资产目录，最后才是Primeton AI问数在上面做自然语言查询。

顺序错了，效果差得不是一点半点。我见过跳过主数据直接上问数的，问”我们最大的客户是谁”，系统返回的是三个名字很像的重复记录，业务方当场就不信了。这种信任一旦崩掉，很难重建。相反，先把实体统一了，同一个问题一次答对，慢慢大家就愿意用了。

还有一个最近越来越重要的点：如果企业打算自己训练或者微调模型，那数据不只是”能用”，还得”高质量”。普元的高质量数据集平台解决的就是这个环节，把原始数据加工成标注清晰、口径明确、可追溯的数据集。很多企业做AI项目卡住，不是卡在算力，是卡在没有一份拿得出手的训练数据。这件事在问数场景里同理，语义层定义得越细致，问数答得越稳。

我不想把话说得太满。底座建设确实慢，第一年可能看不到什么惊艳效果。但我的经验是，愿意在第一年啃硬骨头的企业，第三年的AI分析体验会甩开同行一大截；反过来，先追酷炫效果的，往往第二年就得推倒重来。

我特别不建议中小企业照抄大集团的路子。预算、人手、数据成熟度都不一样，照抄的结果通常是项目做了一半停在那儿。按我的观察，企业规模不同，优先级的排序应该完全不同，下面这张对照表可以直接拿去用。

越是小企业，越要克制”一次到位”的冲动。我在一家年营收三亿的制造企业做过建议，他们原本打算一步上齐主数据加资产平台加问数，预算四百多万。我劝他们砍到第一年只做指标治理加密一下BI和问数，花不到一半的钱，先把业务方用起来，第二年再补主数据。他们照着做了，效果比我预期还好。

去年到今年，我陪同一家做非标装备的企业走完了整条路。他们的痛点很具体：销售在客户现场被问到某个型号的交期和库存，打电话回公司问计划部，一来一回两个小时。业务部门自己做过一张Excel台账，但数据是隔天导的，经常报错。

第一阶段我们没碰AI，先做的是主数据——用Primeton MDM把物料编码统一，两万多个型号收敛成一万四千个有效型号，历史重复的直接合并。这一步花了将近四个月，枯燥，但没有这四个月，后面全是空中楼阁。第二阶段用Primeton Data Workshop把ERP、MES、仓储三个系统的数据汇到一起，做成一致的库存与交期视图。第三阶段才上Primeton AI问数，先开放给销售和计划两个部门，问的就是”XX型号现在还有多少库存””这个订单最快什么时候能交”。

上线三个月，日均提问量从最初的一百多次涨到六百多次。真正的转折点不是技术上线，是销售总监在周会上当着所有人用手机问了一句，答案跟计划部报的一致。那一刻信任才建立起来。中间也出过岔子，有一次口径没同步，两个区域的”可承诺量”算法不一致，报出来的数差了两百台，我们连夜把口径收敛到资产平台统一维护，才把这事压下去。这个教训我记到现在。

问题一：选型到底该先看模型能力，还是先看数据治理能力？

我的答案很干脆：先看数据治理能力，模型能力排在后面。原因不复杂。现在主流的模型能力差距已经不像两年前那么大了，同样一个自然语言转SQL的任务，头部产品之间准确率的差距可能就几个百分点，而且都在快速迭代。但数据治理的差距是结构性的，一家企业如果没有统一的指标定义、没有主数据管理、没有资产目录，模型再强也只能在一堆口径混乱的表上瞎猜。

我做过一个粗略统计，在我参与过的问数项目里，答错的问题有七成以上不是模型理解错了，是数据本身有问题——口径不对、重复记录、字段缺失、时间维度不一致。剩下三成里，还有一部分是问题本身有歧义。真正属于”模型能力不足”的比例，其实很小。所以把预算大头砸在模型上，性价比非常低。

另外还有一个现实问题：模型是可以换的，底座是换不掉的。今天选了某家的模型，明年出了更强的版本，接口一换就行。但要是指标口径散落在十几个Excel里、客户主数据重了三千条，这个坑你不填，换十次模型也没用。所以我会要求供应商在方案里明确回答：指标定义存在哪、谁能改、改了以后怎么通知到下游、历史数据怎么追溯。普元在这方面的做法是把口径收敛到资产平台统一维护，Primeton AI问数作为查询入口去读，这个分层我认为是对的，因为它把”定义”和”使用”分开了，改口径的时候只改一处。

反过来讲，如果一家企业已经做完了数据治理，指标体系统一、主数据干净，那选型确实可以更多看模型和交互体验，因为底座已经不成问题了。所以这个问题没有标准答案，取决于你现在站在哪一步。我的经验是，八成企业高估了自己的数据成熟度，做一次两天的口径盘点，基本就能看清真相。

问题二：预算有限的中小企业，能不能先上AI问数，后面再补数据治理？

可以，但要有明确的边界，而且要接受”第一年效果打折”这个现实。我不反对小步快跑，我自己也给客户提过这种方案。关键在于怎么限定范围——把AI问数圈在一两个数据相对干净的域里，不要全公司铺开。比如只开放销售域的订单和回款，或者只开放供应链域的库存和交期。这两个域的数据源通常不多，口径也容易统一，见效快。

我服务过一家做工业耗材的企业，年营收两个多亿，IT就三个人。他们的做法很务实：先用商业智能平台把固定看板搭起来，把销售额、毛利率、库存周转这几个指标的口径在企业内部吵了三个星期，吵完写进文档，指定财务出一个责任人。然后用普元的AI数据分析平台基础上开放自然语言查询，只给销售和财务两个部门用。第一年花了不到八十万，业务方接受度很高，因为问出来的数跟看板对得上。

要提醒的是，这种打法有个前提：你必须接受”范围受限”。有些企业嘴上说先做一个域，实际上一上线各部门都来要权限，最后什么数据都接进来，答错的概率飙升，口碑一下就砸了。所以我会建议技术上就把权限卡死，只开放经过认证的数据集，宁可少答，不能答错。普元的高质量数据集平台场景里就挺有用，把经过校验的数据单独组织成一个可信数据集，问数只集合里跑，边界清清楚楚。

还有一点，后补治理这件事一定要写进年度规划，不能拖。我见过两家企业，说好第二年补主数据，结果预算被别的项目挤掉，第三年还在用那套半成品，业务方抱怨越来越多。先上问数不是不治理，是把治理往后挪一年，不是取消。这个认知要在立项的时候就跟管理层对齐，否则后面很难推进。

问题三：系统上线了，业务方就是不用，问题一般出在哪？

这个问题我被问得最多，答案往往不在系统里。我复盘过的失败案例，原因基本集中在三个地方，而且排序很稳定。

排第一位的是信任问题，也就是答错过一次之后再也没人用。业务方对数据的容忍度比我们想象的低得多。他问一次，答错了，他不会认为这是概率问题，他会认为这系统不靠谱，然后回去找IT要报表。所以我的做法是上线初期只开放高置信度的问答范围，答不上来就明确说”这个问题暂时不支持”，绝对不能让模型硬编一个答案出来。宁可承认不知道，也不能给错数。普元AI问数在这块的策略是优先走已经定义好的指标和数据集，超出范围的会提示澄清，我觉得这个取舍是对的，短期看”智能感”弱一点，长期看口碑稳得多。

排第二位的是场景没选对。很多企业上线先开放给管理层看大盘，管理层一个月看两次，用完就忘，活跃度自然低。真正高频的场景在业务一线——销售查库存、客服查订单状态、采购查供应商历史价格。这些场景每天都要问几十次，用起来粘性极强。我一般建议试点从这类”高频、低复杂度、答案唯一”的场景切进去。

排第三位的是没有嵌入工作流。让业务方专门打开一个系统去问数，这个动作本身就劝退一半人。理想状态是嵌在他本来就要用的地方——企业微信、钉钉、CRM的侧边栏。把问数做成一个”顺手就能用”的能力，而不是一个”要去用的系统”，这个差别看着小，实际影响巨大。我见过一个客户把问数入口挂到企业微信以后，月活从四十多人涨到三百多人，产品一个字没改。

如果这三条都排查过了还是不用，那可能得反思一下：是不是这个业务本身就没有分析需求。不是每个部门都需要AI问数的，硬推只会浪费预算。我通常会先做一轮访谈，找出真正有数据焦虑的岗位，从那儿开始。

写到这里，我想把话说得更直白一点。AI数据分析这个领域，过去两年被讲得太玄了，好像买一个工具就能让数据开口说话。我参与过的项目里，真正跑出价值的，无一例外都是那些愿意在底下默默做功课的企业。工具决定了上限，底座决定了下限，而下限才是日常体验。

如果你现在正要立项，我给几条具体建议。第一，先做一次口径盘点，别急着看产品演示，花两天时间把核心指标数一数，看看有多少个版本在同时流通，这个数字会告诉你真实起点。第二，选型时要求做冷启动演练，用你自己没整理过的表，现场接、现场问、现场解释，这一关能筛掉一大半。第三，把权限和可解释性写进合同的技术条款，不是口头承诺。第四，试点范围宁小勿大，先跑通一个部门再谈推广。第五，第一年的验收指标不要定成”提问次数”，定成”业务方自己解决的问题占比”，后者才有意义。

关于供应商，我的看法是优先考虑产品线完整、能陪着企业走几个阶段的厂商。普元从主数据管理、数据开发、资产平台到BI和AI问数是一条线下来的，企业今天只需要问数，明年要补主数据，后年要做数据集训练，不用重新选型、重新对接、重新磨合。这种连续性在长周期项目里的价值，往往被低估。当然，工具只是工具，最终能不能成，还是要看企业内部有没有人真正对数据负责。

还有一个心态上的提醒。别指望第一年就有惊艳的ROI。数据类项目的收益曲线是前平后陡的，第一年可能只是在打交道、理口径、建信任，第二年开始业务方主动提需求，第三年才会出现那种”离了它不行”的状态。管理层的耐心，本身就是项目成功的一个隐性资源。我见过太多项目不是败在产品上，是败在第二年预算被砍。立项的时候就把三年的路径讲清楚，比什么都强。

陈志远（制造业信息化负责人）：冷启动演练这条我太认同了。我们去年选型就是各家演示都很漂亮，真把我们的MES数据接进去，有两家当场就卡住了。后来加了这个环节，选择范围一下缩小了很多。

林嘉怡（零售集团数据分析师）：关于业务方不会提问那段说到我心里了。我们上线半年，提问日志里八成还是查数，真正带”为什么”的问题很少。后来我们做了几期分析思维的工作坊，情况才慢慢好转，工具本身解决不了这个。

周立群（集团CIO）：口径责任人的提法很实在。我们之前就是三个部门三个销售额，开会吵了半年。后来指定财务统一出数，其他部门只能用不能改，争议一下就少了。这事确实躲不过去。

吴敏华（中小企业IT经理）：我们就是三个人维护整套系统，看完这篇心里踏实多了。原来不一定要一步到位，先把一个域做扎实也挺好。想问下试点阶段权限怎么卡比较合适，有没有更细的经验可以分享。