业务人员用 WorkBuddy 分析数据,企业 BI 怎么办?

0 阅读16分钟

今年 7 月,Anthropic 发布了一份很有意思的研究报告:《How people are using Claude Cowork》。

他们分析了 120 万次 Claude Cowork 会话,发现业务流程与运营占 33.4%,内容创作占 16.4%,软件开发占 8.7%,DevOps 与基础设施占 7%,数据分析与 BI 占 5.8%。

这组数字里,我特别关注最后一个:5.8%。

过去两年,AI Coding 已经成为 AI 应用商业化最成功的方向之一。从代码补全到 Agent 编程,AI 不仅能够编写代码,还开始参与测试、修复 Bug,甚至承担更完整的软件开发任务。

相比之下,AI 数据分析获得的关注还没有那么多。但在 Claude Cowork 的使用统计中,数据分析已经形成了不可忽视的使用规模。而且,大量财务、销售、运营相关的数据分析工作,还可能被归入占比 33.4% 的业务流程与运营类别。

当然,这些数字不能直接用来比较 AI Coding 与数据分析的市场规模,但至少说明:AI 问数已经不是一个等待验证的新场景,而是通用 Agent 中正在发生的真实应用。

在国内,WorkBuddy 等通用 Agent 也开始进入日常办公场景。过去,业务人员需要打开 BI、操作 Excel,或者请分析师帮忙。现在,可以直接把数据交给 AI,让它完成清洗、计算、探索分析,甚至解释经营变化。

这不禁让人想到一个问题:当业务人员越来越习惯直接用 AI 分析数据,企业过去投入大量资源建设的 BI,未来应该怎么办?

要回答这个问题,不妨先回顾一下,企业数据分析工具是怎样发展到今天的。

一、从 Excel 到 AI,三十多年都在解决同一个问题

回顾企业数据分析的发展,有一个很有意思的现象:几乎每一代分析工具的兴起,都在努力让业务人员更方便地使用数据。

最早,Excel 让普通业务人员拥有了强大的个人数据处理能力。通过公式、筛选、透视表,就能完成大量过去需要专业人员才能完成的计算。Excel 不只是计算工具,更重要的是自由:业务人员可以临时增加字段、修改公式、关联数据,随时调整分析思路。

但 Excel 很难满足企业统一管理的要求。不同部门各自维护文件,同一个指标可能出现不同版本,数据更新、共享和协作也存在问题。

于是,传统 BI 开始普及。以 Cognos、MicroStrategy 为代表的产品,把数据仓库、报表和指标体系连接起来,让企业能够统一交付经营数据。业务人员不必每次重新准备数据,就能查看销售、库存、财务等指标。

然而,统一也带来了新的限制。报表需要提前设计,业务部门提出新的分析需求,往往需要等待 IT 开发。

随后,以 Tableau、Qlik、Power BI 为代表的敏捷 BI 兴起。拖拽字段、自助制作图表、灵活切换分析维度,让业务人员摆脱了部分对 IT 的依赖。

但即使到了今天,企业里仍然存在一个非常普遍的现象:业务人员打开 BI,找到需要的数据,然后点击“导出 Excel”。

为什么?

因为看报表和做分析,毕竟不是一回事。

比如,一位商品运营人员发现某款商品销量突然增长。他想进一步比较营销投放、商品价格和渠道变化的影响,可能还需要临时调整商品分组、增加计算字段,甚至手动修正某些特殊数据。

这些操作在 Excel 中相对容易,但在 BI 中,如果没有提前准备好相应的数据集和分析能力,往往就没有那么方便。

所以,业务人员导出 Excel,并不只是使用习惯问题,而是因为 Excel 提供了更大的分析自由度。

数据分析 excel

现在,AI 又让这种自由度向前走了一大步。过去,用户需要自己编写公式、关联数据、制作透视表;现在,只需要向 WorkBuddy 描述分析目标,Agent 就可以编写脚本、处理数据、生成图表,并根据结果继续探索。

从 Excel、传统 BI、敏捷 BI,到今天的 AI Agent,分析工具越来越强,使用门槛越来越低。

但如果仔细观察,就会发现另一个现象:分析工具不断进步,业务人员准备数据的麻烦,却始终没有完全消失。

二、为什么数据分析越来越容易,数据准备却始终跟不上?

假设一位会员运营人员,想分析上个月参加营销活动的会员,在本月的购买表现。

过去,他可能需要先从 BI 下载会员数据,再从其他系统导出订单数据和活动记录。随后在 Excel 中关联数据、划分会员群体,统计购买频次、复购率及商品偏好。

现在,把这几份 Excel 交给 WorkBuddy,AI 就可以完成大量原本需要手动操作的工作。

但问题并没有结束。

如果他进一步想知道,这些会员在不同商品品类之间发生了怎样的购买迁移,就需要补充商品数据;如果想分析营销投入的回报,又需要获取投放费用;如果想比较不同渠道的会员表现,还需要补充渠道信息。

分析越深入,需要的数据越多,数据准备工作也随之增加。

这里有一个长期被忽略的矛盾。

过去几十年,数据分析工具主要在持续增强数据消费能力。Excel 让个人能够计算,BI 让更多人看到数据,敏捷 BI 让业务人员自主探索,AI Agent 则进一步降低了完成分析任务所需的技能门槛。

与此同时,企业的数据生产能力虽然也在持续进步,但提升更多集中在数据采集、存储、加工和计算方面。把原始数据变成业务人员可以直接理解和使用的数据,仍然需要大量建模、关联、口径定义和知识维护工作。

尤其是后者:数据表并不会自动告诉使用者,哪些字段应该关联、销售额采用什么口径、退款订单如何处理、会员身份怎样识别。

当一个新需求出现,这些工作可能还需要重新进行。

数据消费的门槛不断降低,但可信数据供给的成本,并没有以同样的速度下降。

这也是为什么每一代分析工具兴起之后,数据团队仍然有做不完的需求。工具越容易使用,提出分析需求的人就越多;分析越灵活,需要准备的数据也越复杂。

而 AI Agent 正在进一步放大这种矛盾。

过去,业务人员即使有想法,也未必有能力做复杂分析。现在,只要能够用自然语言描述问题,就可以让 Agent 尝试完成。更重要的是,Agent 在回答一个问题之后,还可能主动发现异常、提出新的分析方向,进一步增加对数据和业务知识的需求。

当数据消费开始走向自动化,企业的数据供给能否跟上,正在成为一个越来越现实的问题。

准备数据

三、第一步,让 Agent 用上企业已经准备好的数据

既然业务人员已经开始使用 WorkBuddy 分析 Excel,企业下一步应该做什么?

答案其实很直接:让 Agent 尽快连接企业已有的数据资产,而不是让员工继续反复下载文件。

对于已经建设 BI 的企业,最容易着手的,就是让 Agent 使用现有 BI 数据集。

这也是为什么 Tableau、Power BI、Looker 等产品正在通过 MCP、API 等方式向 Agent 开放已有数据能力。

对于企业而言,这些能力应该尽快利用起来。

过去投入大量资源建立的销售、商品、会员、财务数据集,已经包含了不少业务关系、指标定义和计算规则。现在,Agent 可以直接利用这些成果,不必每次从头理解数据库。

业务人员继续在 WorkBuddy 中提问,由 Agent 调用已有的数据集完成查询和计算,减少反复打开 BI、下载 Excel、重新整理数据的工作。

BI 已经提供 MCP、CLI 或其他 Agent 可调用接口的,企业应该尽快接入和验证;暂时没有提供的,也需要主动推动 BI 厂商开放。

这可能是企业当前投入相对较小、见效相对较快的一项工作。既能保护已有数据建设投资,也能立即改善业务人员使用 AI 分析的体验。

但这只是第一步。

随着 Agent 的使用深入,用户会提出越来越多超出已有数据集范围的问题。

例如,一家零售企业已经有销售、会员和订单数据集,能够满足日常经营分析。现在,业务人员希望进一步分析营销投放对会员复购的影响。

如果相关数据已经存在,Agent 可以直接使用。

但如果需要引入新的投放数据、关联其他业务系统,或者临时构造以前没有定义过的会员群组,现有数据集就可能不够用了。

这时候,企业仍然需要有人寻找数据、确认关系、定义新的计算逻辑。

如果每次新需求都要重新排期、开发和维护数据集,业务人员就会发现:AI 问数已经很方便,但要让 AI 回答一个新问题,仍然需要等待数据准备。

开放 BI 数据集,解决的是已有数据如何更方便地被 Agent 使用;它并不自动解决新增分析需求如何持续获得可信数据的问题。

这两件事都重要,但不是同一件事。

MCP

四、从消费已有数据,到持续生产可信语义

如果说,BI 开放 MCP 让 Agent 获得了现成的数据,那么下一步,企业需要考虑的是:怎样让 Agent 持续获得更多可以正确使用的数据?

这件事并不取决于 BI 厂商是否开放接口。

即使现有 BI 已经全面开放,企业仍然需要面对新数据、新业务规则和跨系统分析需求;如果 BI 暂时无法开放,这项能力就更加重要。

因为企业的数据资产,本来也不只存在于 BI 里。

多年数字化建设,企业已经积累了大量数据仓库、数据库、历史 SQL、BI 数据集和业务规则。这些资产虽然分散在不同系统中,却记录着企业对自身业务的长期理解。

比如,BI 数据集记录了哪些表应该关联、哪些指标已经获得业务认可;历史 SQL 记录了数据分析师过去怎样解决各种分析问题;数据仓库的元数据和数据血缘,则帮助理解底层数据之间的关系。

企业真正需要做的,不是再从零开始建设一套新的数据体系,而是把这些已有的知识组织起来,形成能够被 Agent 持续使用的共享语义。

这里的关键,不只是统一管理,还包括语义的生产效率。

过去,一个新分析需求往往意味着数据团队重新找表、确认关联、编写 SQL、定义指标,再把结果交付给业务人员。如果 Agent 释放出更多、更灵活的分析需求,而数据生产仍然主要依赖这些人工工作,瓶颈就不会消失。

现在,企业可以尝试利用已有的 BI 模型、数仓元数据、历史 SQL 和数据血缘,自动发现数据关系、提取计算规则、构建业务语义,再由必要的业务人员确认。

这意味着,一项新需求出现时,不必每次都从零开始理解数据。

过去的数据资产,不应该只是 Agent 可以查询的内容,还应该成为持续生产新语义的基础。

与此同时,语义平台不能变成另一套只允许查询固定指标的系统。

业务人员之所以喜欢 Excel 和 WorkBuddy,就是因为能够自由探索。企业需要统一的是数据含义、业务规则和基础计算口径,而不是把所有分析问题都提前规定好。

例如,查询标准会员复购率,可以直接使用企业已有指标;如果要分析过去三个月参加某项活动的会员,在本月购买某类商品的表现,则可以在共享业务语义的基础上,动态组合明细数据、生成 SQL,完成新的计算。

标准指标与动态分析并不矛盾。前者保证共同口径,后者保留探索自由度。

这也是我们通过 Aloudata BIG 主动元数据平台与 Aloudata CAN 指标语义平台实践的方向:利用企业已有数仓、BI、SQL 和元数据资产,自动发现和构建业务语义,让 Data Agent 数据分析智能体既能够使用标准指标,也能基于明细数据自由分析。

此外,语义建设还需要考虑一个长期问题:知识怎样持续更新?

当业务人员通过 WorkBuddy 等 Agent 完成一次分析,过程中可能发现新的业务规则、数据关系,或者验证了一种有效的分析方法。这些知识可能留在个人对话、脚本和文件中,但未必能被其他 Agent 直接使用。

企业需要的不是保存全部对话,而是将经过验证、有复用价值的业务知识和分析方法,逐步沉淀为共享语义与技能。

这样,数据知识不仅来自过去的系统建设,也可以从 Agent 的实际工作中不断积累。

语义不再只是事先建设好的一套静态模型,而是能够随着业务分析不断丰富的企业知识体系。

这才有机会让可信数据的供给速度,逐渐跟上 Agent 释放出来的分析需求。

五、AI 问数已经开始,企业下一步怎么做?

对于已经开始使用 WorkBuddy 等通用 Agent 的企业,现在最重要的不是重新选型一套 BI,也不是立即建设一个覆盖全公司的大平台,而是让现有的数据资产更快发挥价值,同时为未来的分析需求做好准备。

我建议业务 IT 将两件事情并行推进。

一方面,让 Agent 尽快用上已有数据。

如果企业使用的 BI 已经提供 MCP、CLI、API 等 Agent 可调用服务,就尽快接入现有工具,让业务人员不必反复导出 Excel。暂时没有开放能力的,可以主动推动 BI 厂商提供接口,同时评估通过现有数仓等其他渠道提供数据访问。

这一步不必等待新的语义平台建设完成。已有数据能够被 Agent 使用,就应该先用起来,让业务人员尽快获得实际价值。

另一方面,开始建设企业共享的业务语义。

不用一开始就覆盖所有业务。可以选择会员运营、商品运营、财务分析等一个需求活跃的领域,充分利用已有 BI 数据集、数仓、历史 SQL 和业务规则,形成 Agent 可以共同使用的语义能力。

重点不是再建设一批固定报表或指标,而是减少新需求出现时,反复找数据、建模型、解释口径的工作,让 Agent 能够在可信数据基础上持续探索。

这两件事应该互相促进。

共享语义

随着业务人员使用 Agent 的范围扩大,哪些数据缺失、哪些口径不清、哪些分析方法需要沉淀,会逐渐暴露出来。企业可以据此不断完善共享语义,而不必事先预测所有分析需求。

判断建设效果,也不需要只看接入了多少张表、定义了多少个指标。更值得关注的是:一个以前需要分析师花几天完成的业务问题,现在能否更快完成?当用户继续追问时,Agent 能否找到新的数据,并给出可靠的分析结果?下一次遇到类似任务,能否复用已有知识?

这也是 Aloudata 推动 Data Agent 数据分析智能体上岗实践的出发点:从真实业务任务开始,利用企业已有数据资产和自动语义构建能力,让 Agent 逐步承担更深入的分析工作。

对业务 IT 而言,建设路线其实可以很务实:先解决眼前的分析效率问题,再通过真实使用不断扩大可信数据供给能力。


回顾过去三十多年的数据分析发展,Excel、传统 BI、敏捷 BI,以及今天的 AI Agent,始终在推动数据消费能力的提升。

工具越来越容易使用,能够提出分析需求的人越来越多,业务人员想要回答的问题也越来越复杂。

但数据不会因为分析工具更智能,就自动变得更容易理解、更容易关联、更值得信任。

因此,下一轮企业数据分析的突破,不能只发生在消费端。

过去三十年,我们一直在努力让更多人能够使用数据。接下来,企业需要让已有的数据资产,能够更快、更持续地转化为 AI 可以使用的业务知识。

当数据消费与数据生产能够同步发展,Agent 才有机会真正深入企业日常经营分析,而不仅仅停留在处理 Excel、生成图表和回答零散问题。