以前问个数据，要等三天。现在我直接跟表格说话

上周产品经理又来找我。说要看一下最近两个月，某个渠道的用户留存，还要按城市拆开。以前这种需求，我得先理解业务口径，再写SQL，跑数，导出，做表。快的话半天，慢的话一两天。他催得急，我也烦。

这次不一样。我把需求丢进公司新上的智能问数工具，用大白话说了一遍。大概二十秒，它给我回了一张表，还顺手画了个折线图。数字对得上，口径也没跑偏。我盯着屏幕愣了一下，突然觉得自己以前那些加班，有点冤。

以前拿数据有多麻烦

做数据的人大概都懂那种感觉。业务方一句话：“帮我看看上周华东区转化怎么样。”听起来简单，实际要确认的东西一堆：时间范围是自然周还是滚动七天？转化是下单还是支付？华东区是按注册地还是下单地？要不要剔除测试账号？

确认完口径，开始写SQL。表多了就得关联，指标复杂了就得嵌套。跑出来发现数不对，再回头查逻辑。最后把结果贴到文档或者看板里，业务方一看：“好像跟我印象里的不太一样。”于是又一轮沟通。

分析师成了人肉翻译器。业务不会SQL，技术不懂业务细节，中间全靠人来回传话。报表越堆越多，真正被用的其实没几个。很多人宁愿自己用Excel慢慢磨，也不想再提需求。

AI进来之后，门槛真的降了

智能问数说白了，就是让人用自然语言去查数据库。你问“最近一个月销售额最高的前十个品类是哪些”，它自动生成SQL，执行，把结果用表格或图表返回。有的还能接着追问：“那这些品类里，复购率最高的是哪个？”

我刚开始用的时候，也半信半疑。试了几个简单问题，居然能答对。后来试复杂一点的，比如带条件过滤、分组排序、同比环比，大部分情况下也能给出能用的结果。偶尔口径理解错了，我补一句说明，它就改过来了。

最明显的变化是，非技术同事开始自己动手了。运营、产品、甚至有些销售，开始直接在工具里问数。以前他们要等分析师排期，现在几分钟就能拿到初步答案。分析师反而从“写SQL的人”变成了“把关口径和复杂分析的人”。

有些工具还会自动给洞察。查完销售额，它会多嘴一句：“注意到华南区增长明显，主要来自新客。”这种提示不一定每次都准，但有时候确实能点醒你去看某个之前忽略的方向。

用起来没那么完美

当然不是到处都好用。

最常见的问题是它“听不懂人话”。业务术语和数据库字段名对不上，或者表之间的关联关系它没学全，生成的SQL就会错。有一次我问“活跃用户数”，它把所有登录过的人都算进去了，实际上我们内部定义是近7天有关键行为的。后来补了知识库，情况好很多，但维护这些业务知识本身也要花时间。

数据质量不过关，问数再智能也没用。字段缺失、历史口径变更、脏数据，AI不会魔法般帮你清洗。它只是更快地把问题暴露出来而已。

安全也是个现实问题。谁能问哪些表、能看多细的粒度，权限必须管严。不然一个随便的问题，可能把不该看到的敏感数据查出来。我们上线前花了不少力气做权限和审计，到现在还在不断完善。

还有幻觉。偶尔它会生成看起来很合理、实际完全错误的SQL。数字对不上时，你得自己会验证。完全当黑盒用，风险不小。我现在的习惯是：简单问题直接信，复杂问题一定打开SQL看一眼，或者用已知结果交叉验证。

成本方面，调用大模型不是免费的。查询量大了，费用和延迟都会上来。有些公司选择把模型私有化部署，或者对高频问题做缓存，这些都是实际要考虑的工程问题。

它改变的是协作方式

用了一段时间，感觉最大的改变不是“分析师要失业了”，而是问数这件事从“专业技能”变成了“基础能力”。

以前业务想看数据，得等。现在大部分日常问题自己就能解决。分析师腾出时间做更深度的事：指标体系怎么建更合理、异常怎么归因、模型怎么迭代。两边的沟通也顺畅了不少，因为大家都看着同一份实时结果说话，少了很多“我印象中是这样”的模糊地带。

当然，智能问数解决不了所有问题。战略级分析、复杂归因、需要大量业务判断的结论，还是得人来。AI更像一个不知疲倦的初级分析助手——你得会带，也得会检查它的作业。

未来可能会更自然。语音问数、多轮对话里自动关联上下文、直接生成可交互的看板，这些都在慢慢出现。但核心还是数据本身要干净、口径要统一、权限要清楚。技术再炫，地基不牢，还是白搭。

一点个人感受

以前我挺排斥“人人都是数据分析师”这种口号的，觉得不现实。现在稍微改观了。不是人人都能做深度分析，但人人都能快速拿到自己需要的基础数据，这件事正在变成可能。

工具不会取代会思考的人，它只是让不会写SQL的人，也能参与到数据对话里。对我们这些以前靠写SQL吃饭的人来说，压力是有的，但也逼着自己往上走一层——从“能查”变成“会问、会判、会讲”。

有时候半夜还能收到业务同事自己跑出来的截图，配一句“这个数对吗？”我回一句“对的，你再看看环比”。那种感觉挺奇妙的。数据终于不那么高高在上了。

（完）