AI 问数 POC 怎么做？先准备这 20 个业务问题

很多企业做 AI 问数 POC，会先问供应商：“你们准确率能到多少？”

这个问题很自然，但不够具体。

AI 问数不是一个抽象能力。

它必须在企业自己的数据、指标口径、权限体系和业务场景里验证。

所以，POC 的第一步不是准备演示环境，而是准备一组真实业务问题。

为什么要先准备问题

如果问题太随意，POC 很容易变成演示。

例如：

• •查一下销售额；
• •画一个趋势图；
• •按区域汇总一下。

这些问题可以证明系统会生成查询，却不能证明系统能支撑真实经营分析。

真正有效的 POC 问题，应该来自业务团队最近一个月反复追问、但每次都需要人工取数和解释的场景。

20 个问题可以分成 5 类

第一类是指标查询。

例如：昨天各区域销售额是多少？本月毛利率相比上月变化多少？哪些门店低于目标？

第二类是原因分析。

例如：华东区销售下滑主要来自哪些品类？复购率下降和会员活跃度有没有关系？投放 ROI 变差是渠道问题还是商品问题？

第三类是对比分析。

例如：直营店和加盟店的客单价差异在哪里？不同城市库存周转有什么差别？新品和老品的转化率谁更稳定？

第四类是权限验证。

例如：门店店长能否只看到本门店数据？区域经理是否只能看所辖区域？财务字段是否对运营角色隐藏？

第五类是追问和落地。

例如：把异常门店列出来后，继续追问异常原因；把问题商品整理成清单；把分析结果导出成周会报告。

每个问题都要有验收标准

POC 不应该只看“回答有没有出来”。

每个问题至少要看四件事。

第一，答案是否使用了正确数据表。

第二，指标口径是否符合企业定义。

第三，当前用户是否只能看到权限范围内的数据。

第四，答案能否追溯到查询过程和数据依据。

Microsoft Fabric Data Agent 文档提到，配置数据代理时需要选择相关数据源、定义指令、创建示例查询，并且发布过程会形成可共享的只读版本。

这说明企业级 AI 数据分析不是一次性聊天，而是一个需要配置、测试、发布和迭代的过程。

AskTable POC 应该怎么跑

AskTable 的 POC 可以从一个业务团队开始。

先选 3 到 5 张关键表，整理字段含义、指标口径、角色权限和常见问题。

再用 20 个真实问题测试：

• •能不能问；
• •能不能追问；
• •能不能解释；
• •能不能生成图表和报告；
• •答错时能不能修正。

这样跑出来的结果，比泛泛演示更接近真实上线。

结论

AI 问数 POC 不要从“模型有多强”开始。

它应该从“业务到底想问什么”开始。

准备好 20 个真实问题，才能看清一个系统是否真的理解数据、理解业务、遵守权限，并能持续沉淀为企业的数据分析能力。

参考来源

• •Microsoft Fabric：Fabric data agent sharing and permission management
• •Databricks：Use a Genie Agent to explore business data