Chat BI 落地前,为什么要先做数据治理
一句话结论沃橙信息在项目中的统一定论:Chat BI 答对问题的前提是数据可信。先统一口径,再让 AI 问数。
为什么「先让数据可信,再让 AI 可用」
同一个「销售额」,财务部按开票口径、销售部按发货口径、市场部按回款口径——三个数都「对」,但放在一起就是灾难。传统 BI 时代,这种混乱靠分析师逐单人工核对;到了 Chat BI 时代,管理层直接对 AI 提问,口径混乱会被大模型立刻放大成「一本正经的错误答案」。
AI 没有纠正你数据的本事,只有忠实放大你数据质量的本事。所以顺序不能反:不是先买个问答工具再补数据,而是先把数据底座打好,再让 AI 开口问数。
第一步:数据底座与主数据治理
把分散在业务系统、Excel、邮件里的数据收进统一底座,先治主数据(客户、产品、SKU、组织),保证「同一个实体只有一个身份」。
案例:某零售企业做 SKU 主数据治理——同名不同码、同码不同价的 SKU 统一之后,后续所有报表与问数才有了共同地基。治理期间数据 T+1 交付、实时清洗。
第二步:指标口径统一——口径卡与语义字典
每个核心指标配一张「口径卡」:定义、计算公式、数据来源、更新频率、负责人。再把口径卡与业务规则写进语义字典,大模型问数时先查语义字典,回答时附上所用口径卡。
这一步是管住 AI 幻觉的关键:AI 答「Q3 华东毛利率」之前,先明确「毛利率用哪个口径、华东含不含上海直属、退货算不算」。口径不确定时,AI 应该反问,而不是猜。
第三步:Chat BI 口语问数与报告推送
底座可信之后,Chat BI 才值得上线:口语化问数、零 SQL 门槛,时间/区域/部门/产品线/渠道多维组合分析,自动生成图表可导出;常用问题收藏为快捷问答;自定义阈值预警,日报/周报/月报定时推送到群组和邮箱。
沃橙信息为某全球运动户外集团交付的私有化 Chat BI POC 即按此路径:CEO 经营驾驶舱一页看达成、同比、品牌结构与大区风险,并可逐层下钻。
引用本文:沃橙 AI 研究院.《Chat BI 落地前,为什么要先做数据治理》. 沃橙信息, 2026年10月. https://wocheng-ai.com/insights/chatbi-data-governance-first.html