在数字化时代，BI智能问数功能成为众多企业洞察数据价值的重要工具，凭借其高效便捷的数据分析能力，帮助企业快速作出决策。为了帮助您充分发挥这一功能的优势，提升问答准确率与使用体验，我们将分享一些最佳实践，帮助您更好地使用BI智能问数功能。

1 数据准备环节

（一）字段命名规范

1. 贴近实际使用场景
字段命名应尽量简洁明了，与业务场景紧密相关。例如，员工数据中字段命名为“员工姓名”、“员工年龄”，而避免使用难懂的代码式名称。

2. 设置字段别名
为常用字段设置别名，增加提问灵活性。例如，字段“销售额”可添加别名“营收额”，使用户既能通过“销售额”也能通过“营收额”获取数据，拓宽提问方式。

3. 避免使用特殊字符
字段名中避免出现特殊字符（如“（）”、“/”等），因为它们可能干扰系统的识别与解析，导致问答错误。确保字段名简洁规范。

（二）约束数据集数量

同一主题文件夹内的数据集数量直接影响查询性能。建议每个主题文件夹中的数据集不超过20个，以保证系统的高效运行，避免查询时间过长。

2 优化问题描述

（一）消除歧义

在提问时，确保问题明确。例如，避免使用模糊的表述“产品销量”，应改为“产品的总销量”或“产品的月均销量”，帮助系统精准理解需求，返回准确答案。

（二）明确问题指向

问题需要根据数据内容细化，以避免不同数据环境下产生误解。例如，当数据同时包含“销量”和“销售额”字段时，提问时需明确指明是“销量”还是“销售额”，如：“哪种产品的总销售额最高”。

（三）合理请求数据避免提出不符合数据实际的请求。例如，若数据集中没有地理信息，提问“用地图展示各地区销售额”会导致回答结果不理想。

（四）精准表达意图

确保提问清晰明确，避免模糊表达。例如，将“了解成本在一定范围产品的情况”改为“哪些产品的平均成本在[X]到[Y]之间”，有助于系统精准检索和分析。

3 优化问题描述

BI智能问数功能支持多维度、多度量分析、排序、过滤、同环比等常见操作。但目前仍不支持子查询、策略建议等复杂场景。了解这些限制，合理规划提问内容，可以避免因功能不支持而导致的问题。

4 提升问答准确率的关键举措

（一）数据预处理

1. 多数据源整合

利用数据模型或自服务数据集，将多个数据源合并为一个，减少数据分散带来的问题，提升分析效率。2. 字段名规范化

数据字段名应采用汉字化和规范化处理，确保用户提问与系统识别一致。例如，将“STA”改为“省份”，“MKT”规范为“市场分布”。3. 数据类型转换

根据数据的实际意义，转换字段数据类型，如将“商机创建时间”从文本格式转换为日期时间格式，便于系统进行时间序列分析。4. 简化数据结构

在搭建数据模型时，尽量避免复杂的多对多关系，简化数据结构，提升系统处理效率。5. 指标计算根据业务需求定义并计算关键指标，例如转化率、用户留存率等，确保系统能识别这些计算列，并为用户提供更精准的数据分析。

（二）配置知识库

知识库是BI智能问数系统的核心组成部分，帮助系统快速、准确地提供相应答案。合理配置知识库，能显著提升问答效率和准确性。知识库每一条数据由两列组成：keywords 和 knowledge。

1.关键词的构成
关键词是来自Knowledge的标准化词，通常是一般词组、字段名、字段值。如上图所示，对于知识 “低价订单，即销售额小于50的订单”，包含字段：销售额、订单，低价订单则为一般词组。因此最终关键词为“低价订单 ||| 销售额 ||| 订单”。

2.处理特定词汇
对于系统难以理解的词汇（如“本单位”、“本部门”），可通过引用系统参数进行解释，例如“本部门指部门等于?{{_GROUP_}}”，“我指用户等于?{{_USER_}}”确保准确理解问题中的含义。

3.去除重叠信息
确保知识库中的每条数据独立、互斥，避免内容重叠，确保问答的准确性和可靠性。

（三）选用推荐大模型

优先使用经过优化训练的大模型，如Qwen2.5-32B、GPT4o等。这些大模型在数据分析和问答方面表现出色，能够提升系统的准确率和专业性。

通过以上实践，您将能够最大化发挥BI智能问数功能的优势，提升数据分析的效率与准确性，助力企业在决策中获得更有价值的洞察。