aloudata logo
产品解决方案客户案例资源中心合作伙伴关于我们立即咨询

当业务人员开始用 WorkBuddy 分析数据,企业 BI 怎么办?

作者:周卫林2026-11-16|NoETL 博客

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。

Topic Hub

AI 数据智能

相关产品推荐
Recommended

Aloudata Agent

基于 NoETL 明细级语义编织的30 分钟上岗的数据分析智能体,以指标为中心进行语义一致的对话式数据分析。

联系我们
contact us code
扫码关注 Aloudata 微信公众号
获取更多 NoETL 技术干货
contact us code
扫码加入 Aloudata 技术交流群
获取更多最新案例资讯

即刻开启可信智能之旅

我们的行业专家会第一时间联系您,帮助您了解更多
aloudata logo

电话0571-85106688

邮箱marketing@aloudata.com

简历hr@aloudata.com

wechat service qr code扫码关注 Aloudata

© 2021-2026 大应科技有限公司 浙 ICP 备 2021026047 号 -1

浙公网安备 33010602011980 号