FineChatBI的双向对齐实践

FineChatBI的双向对齐实践1.Chat1.ChatBI，它是什么2.Chatbi，能干些什么3.ChatBI3.ChatBI，落地的挑战4.FineChatBI的双向对齐实践CHAPTERCHAPTER1ChatBI，它是什么大模型应用的发展阶段一ANI•系统经过训练，能够在特定领域表现出智能行为•能力范围有限，只能对已有信息的重新组合，而非真正意义上的问数据语义理解、内容生成问知识阶段二AGI务。具备类似人类的学习、推理、理解和应用知识的能力，处理各种复杂和多变的环境。•能够从不同领域的数据中学习，识别跨领域的模式和关联问洞察（基于数据、知识）问数据语义理解、内容生成、思维链问知识阶段三ASI更先进的认知功能和高度发达的问决策（基于洞察、指令）问洞察（基于数据、知识）问数据语义理解、内容生成、思维链问知识ANI在C端的常见应用PPT生成PPT生成文本生成声音生成图片及视频生成声音生成图片及视频生成用DeepSeek对数据进行思考ChatBI的本质1.是ANI在”结合企业级数据”这个特定领域的一个AI应用CHAPTERCHAPTER2ChatBI，能干些什么ChatBI的应用场景大大问答取数场景数据供需不平衡带来了新工具的需求这么多筛选条件，这么宽一这么多筛选条件，这么宽一ChatBI场景的核心理念—覆盖率仍有部分职能线员工的数据应用需求尚未被仍有部分职能线员工的数据应用需求尚未被FineBI未覆盖低 售后服务低 售后服务一线销售财务BP.-共享财务员员工数据分传统BI传统BI工具使用时尚存一些痛点挑战2:挑战2:数据“千金难求” 挑战4:工具“体验钝涩”业务运营挑战1:数据“千人一面”挑战1:数据“千人一面”用数者找不到自己想要的数据析析水平供需不匹配供需不匹配投资分析师投资分析师高高挑战3:看板“可看不可用”挑战3:看板“可看不可用”高低员工查数/取数不频繁员工查数/取数不频繁●员工查数/取数频繁FineBI已覆盖FineBI已覆盖FineBI能覆盖大部分职能线的员工对于数据应问答分析场景场景沉淀企业中对于特定业务的分析方法，将其应用在广义沉淀企业中对于特定业务的分析方法，将其应用在广义用户的问答分析问题中支持数据异常点的维度贡献基于问答数据结果，利用大模型为用户提供详细的数据基于问答数据结果，利用大模型为用户提供详细的数据解读和业务建议报告指标树的拆解归因，并给出用户价值用户价值问答分析场景A—降低解读门槛问答分析场景B—专家分析思路的资产复用ChatBI的目标用户 ChatBI的推荐试点场景优先推荐:“送数到一线”优先推荐:“送数到一线”CHAPTERCHAPTER3ChatBI，落地的挑战ChatBI落地的五大陷阱认为跟DeepSeek/ChatGPT认为跟DeepSeek/ChatGPT等生成式AI一样开箱即问，但Chatbi本身并不能创用户问啥啥错很容易导致弃用缺乏懂业务、懂数据的角色参与前期的运营交付，只靠IT团队单方面给业务培训功能或者被动响应，场景上线势必遥热衷大模型AI推理分析的智能感体验，前期花大成本部署满血版，但幻觉导致问数结果不稳定、有概率出错的致命问题却依然无解表，但企业级应用底层涉及的数据安全和权限管控、大数据量处理性能等，这些都是大模型短期很难具备的长期耗在大模型技术路线选型与问法边界测试，没有先搞清楚适合带来业务价值ROI的真正场景及目标用户究竟是谁CHAPTERCHAPTER4FineChatBI的双向对齐实践观点“Chatbi不是一款开箱即用的产品”从多个客户共创经历中，我们逐步总结并验证了chatbi落地的关键路径落地周期Chatbi的落地不是一蹴而就的，背后其实对应了不同程度的人力成本、时间成本Chatbi最终会串联起业务和数据之间的关ChatBI是一个项目，不是开箱即用的产品客户对齐项目—关键角色的投入市场复盘，推动精准产品管理精细分层，促进稳健客户管理•市场复盘，推动精准产品管理精细分层，促进稳健客户管理•直接针对客户或地域市场提问，回顾不同区××快速定位，辅助及时业绩管理•直接提问订单或行为数据中的关键指标，速••特定项目标签：Top、百强等或自定义条件，查看业绩表现•每季/月/周/天销量或交易行为数据走势•不同年月间同/环比或间销量占比••不同年月间同/环比或间销量占比•任意时间内、产品、客户的销量等指标的绝对值××订单数据商品数据订单数据商品数据