ChatBI propose deux modes de session : Deep Analysis et Quick Query. Par défaut, ChatBI utilise le mode Deep Analysis, qui permet d'effectuer des analyses exploratoires en plusieurs étapes et des requêtes de données en langage naturel. Il génère automatiquement des rapports d'analyse de données accompagnés de visualisations.
Présentation
En tant qu'analyste de données professionnel, ChatBI offre les capacités pilotées par l'IA suivantes :
Compréhension intelligente des questions : Interprète automatiquement votre intention métier en reformulant les questions, en normalisant la sémantique et en décomposant les tâches pour identifier vos besoins d'analyse.
Analyse de données automatisée : Identifie intelligemment les tables de données cibles, puis génère et exécute automatiquement des requêtes SQL. Vous pouvez ainsi réaliser des analyses de données complexes sans écrire de code.
Visualisation intelligente : Sélectionne automatiquement la visualisation la plus appropriée (graphique linéaire, à barres ou circulaire, par exemple) en fonction des caractéristiques des données et des objectifs d'analyse, afin de rendre les tendances clairement visibles.
Extraction d'informations : Analyse automatiquement les données pour extraire les conclusions clés et les informations métier, et génère un rapport d'analyse de données professionnel.
Exploration approfondie : En mode Deep Analysis, ChatBI conçoit indépendamment des parcours d'analyse, ajuste dynamiquement sa stratégie et s'autocorrige. Ce mode prend en charge des scénarios complexes tels que les jointures entre plusieurs tables, l'analyse des causes racines et la détection d'anomalies.
Prérequis
Avant d'utiliser les sessions ChatBI, effectuez les opérations suivantes :
Créez un groupe de ressources serverless dans la région où vous utilisez ChatBI.
Créez un jeu de données Datasets. Si le jeu de données repose sur une source de données, assurez-vous que la connectivité réseau est établie entre le groupe de ressources et la source de données.
Procédure
-
Accédez au système ChatBI.
Connectez-vous à Alibaba Cloud et ouvrez la page ChatBI Intelligent Data Insights. Sélectionnez le point d'accès correspondant à la région de vos ressources DataWorks, telles que votre jeu de données et votre groupe de ressources serverless.
-
Sélectionnez le jeu de données cible.
Dans le volet de navigation de gauche, cliquez sur Chat. Dans le coin inférieur gauche de la fenêtre de session, sélectionnez le jeu de données cible.
-
Saisissez votre question d'analyse et envoyez-la.
Saisissez votre question dans la zone de saisie et envoyez-la. ChatBI utilise le mode Deep Analysis par défaut. Dans ce mode, votre première question démarre les ressources requises (environ 1 CU) sur le groupe de ressources serverless. Ce processus de démarrage prend environ 10 secondes.
RemarquePour obtenir rapidement des résultats pour des requêtes simples, basculez vers le mode Quick Query en désactivant Deep Analysis en bas de la fenêtre de session. Notez que vous ne pouvez pas utiliser les deux modes dans la même session. Créez une nouvelle session lorsque vous changez de mode.
-
Consultez le rapport et les informations.
Lorsque l'analyse est terminée, ChatBI génère automatiquement un rapport contenant des visualisations et des informations sur les données.
Modes de session
Aperçu comparatif
ChatBI propose deux modes de session : l'analyse approfondie Deep Analysis et la requête rapide Quick Query. Le mode par défaut, Deep Analysis, est idéal pour une analyse complète en plusieurs étapes ou pour l'investigation des causes racines. Le diagramme suivant illustre le flux de travail de chaque mode.
Le tableau suivant décrit les principales différences entre les deux modes.
|
Dimension |
Quick Query |
Deep Analysis |
|
Cas d'utilisation |
Récupération rapide de métriques prédéfinies ou de résultats de requêtes de données simples. |
Tâches complexes d'analyse exploratoire de données en plusieurs étapes. |
|
Interaction |
Renvoie l'analyse des données et les informations basées sur un modèle d'analyse fixe. |
Exploite un grand modèle de langage pour construire progressivement la logique d'analyse avec une génération de code dynamique, prenant en charge l'itération multi-tours et la mémorisation du contexte. |
|
Flux de travail |
Flux de travail fixe : Compréhension de la question → Identification de la table cible → Génération du plan d'exécution et du code de requête → Exécution de la requête de données → Génération du rapport de visualisation. |
Flux de travail dynamique : Le grand modèle de langage conçoit et orchestre indépendamment le parcours d'analyse avec un mécanisme d'autocorrection, générant finalement un rapport de visualisation. |
|
Complexité |
Faible : Convient aux requêtes sur table unique, aux agrégations de base et au filtrage simple par conditions. |
Élevée : Convient aux jointures entre plusieurs tables, à l'analyse des causes racines, à l'analyse de séries temporelles, à la détection d'anomalies, etc. |
|
Temps d'exécution |
Environ 1 minute. |
Environ 5 à 10 minutes. |
|
Exemples |
« Quel était le chiffre d'affaires total en janvier 2026 ? » ou « Quelle est la tendance du nombre de clients dans la région de l'Est de la Chine en 2025 ? » |
« Quelle est la tendance du taux de rachat pour chaque gamme de produits en 2026 ? Identifiez les mois présentant des fluctuations anormales et analysez-en les causes. » |
Deep Analysis
Deep Analysis est le mode de session par défaut dans ChatBI. Dans ce mode, ChatBI agit comme un analyste de données professionnel qui planifie indépendamment les parcours d'analyse, orchestre dynamiquement les étapes d'analyse et ajuste automatiquement sa stratégie en fonction des résultats intermédiaires. Il produit finalement un rapport d'analyse de données avec des visualisations et des conclusions.
Fonctionnement
Contrairement à un flux de travail fixe, le mode Deep Analysis utilise un grand modèle de langage pour piloter de manière autonome l'ensemble du processus d'analyse :
Planification autonome de l'analyse : Après réception de votre question, ChatBI conçoit indépendamment un plan d'analyse en plusieurs étapes.
Génération et exécution dynamique du code : ChatBI génère et exécute progressivement du code SQL ou Python en fonction des besoins d'analyse. Chaque étape est générée dynamiquement sur la base des résultats précédents et peut impliquer des jointures entre plusieurs tables, le nettoyage des données, l'analyse statistique et d'autres opérations.
Autocorrection et itération : Après l'exécution du code, ChatBI vérifie les résultats. S'il détecte des anomalies de données, des erreurs de requête ou des résultats incomplets, il ajuste automatiquement la stratégie d'analyse et réexécute sans intervention manuelle.
Extraction d'informations et génération de rapport : Une fois l'analyse terminée, ChatBI résume automatiquement les résultats de chaque étape, extrait les conclusions clés et génère un rapport de données avec des visualisations.
Cas d'utilisation et exemples
L'analyse approfondie convient aux tâches d'analyse complexes nécessitant une exploration sous plusieurs angles et en plusieurs étapes, telles que :
Analyse des causes racines : « Les ventes ont chuté de 15 % d'un mois sur l'autre ce mois-ci. Analysez les principales raisons de cette baisse. »
Comparaison multidimensionnelle : « Comparez les taux de rétention de la clientèle par région et par gamme de produits, et identifiez les combinaisons les moins performantes. »
Détection d'anomalies : « Analysez la tendance du volume de commandes sur les 12 derniers mois, identifiez les fluctuations anormales et fournissez les causes possibles. »
Rapport complet : « Générez un rapport d'analyse de la performance commerciale pour le premier trimestre 2026. »
Quick Query
Quick Query est un mode de session léger dans ChatBI qui suit un flux d'analyse fixe pour renvoyer rapidement les résultats des requêtes de données. Il convient aux scénarios où vous avez un besoin clair de requête de données et souhaitez obtenir des résultats dans les plus brefs délais.
Fonctionnement
La requête rapide suit un pipeline fixe en 5 étapes, avec une logique de traitement et une sortie déterministes à chaque étape :
Compréhension de la question : Analyse la sémantique de votre question et extrait l'intention de la requête et les conditions de filtrage.
Identification de la table cible : Fait correspondre la table de données la plus appropriée à partir du jeu de données actuel.
Génération du plan d'exécution : Génère une ou plusieurs requêtes SQL basées sur les tables cibles identifiées.
Exécution de la requête de données : Exécute le code SQL et récupère les résultats de la requête.
Génération de rapport : Génère un rapport avec des visualisations et des conclusions d'analyse basées sur les résultats de la requête.
Cas d'utilisation et exemples
La requête rapide convient aux besoins d'analyse simples avec un objectif clair pouvant être répondu par une seule requête, tels que :
Requête de métrique : « Quel était le chiffre d'affaires total en janvier 2026 ? »
Analyse de tendance : « Quelle est la tendance du nombre de clients dans la région de l'Est de la Chine au cours des 6 derniers mois ? »
Classement et distribution : « Top 10 des catégories de produits par chiffre d'affaires. »