從Excel到BI再到AI：一個數據大屏的進化史

當BI大屏成為企業標配，數據可視化卻陷入'看得見說不清'的困境。本文以航運企業成本分析為例，揭秘如何通過WorkBuddy企業版AI與BI系統對接，將原始數據轉化為即時業務洞察。從API接口開發到Prompt模板優化，這套方案讓'為什么運費上漲15%'的答案從2天縮短至2分鐘。

———— / BEGIN / ————

一、BI數據看板做完了，還能做什么？

花3個月上了BI系統，BI大屏每天都跑，老板手機能看實時數據了——然后呢？

發現：看板只是讓數據”看得見”，并沒有讓數據”說人話”。

去年豆芽君參與了一個航運企業的成本分析系統建設。上線后，大屏展示著船舶運營費用、航線成本對比、港口費用構成——數據很全，老板們看得很滿意。

但過了幾天，老板問了一句：“為什么上個月運費漲了15%？”

運營主管愣了5秒，然后說：“我回去查一下。”

這一查，就是半天。

從4個系統里導出數據，人工清洗，找口徑差異，逐條核對……等他把結論整理出來，老板已經忘了問過這件事。

這不是BI的問題。是**”數據到洞察”之間，永遠差著一層**——那一層，是人的判斷。

所以豆芽君花了點時間，把BI和AI接在了一起。現在再有人問”為什么漲了”，我只需要1-2分鐘。

下面說說，豆芽君是怎么做的。

二、從Excel到BI，多數企業走完的路

先說說數據分析的發展歷史。

Excel時代是多數企業的第一階段。數據散在各個業務系統里，靠人工定時導出、清洗、匯總。我見過最夸張的團隊，每周五下午花3小時手工整理，周會用的數據和業務系統里的真實數據已經差了2天。

BI時代解決了整理的問題。統一口徑、實時同步、手機隨時看、權限分部門。大概在2020年前后，很多中型以上的企業陸續上了帆軟或者Power BI。老板們終于不用等到周五下午了，數據隨時可以查。

但新的問題隨之而來：看板越來越多，看到異常指標，不知道原因在哪？

一張大屏上幾十個指標，看的人其實只掃自己關心的那幾個。真正有價值的信號——比如某個航線成本突然偏離歷史均值——看板不會告訴你，原因到底是油價上漲？還是船舶運營效率差？

這就是為什么，BI之后還需要一層AI。

三、BI+AI：讓數據自己說人話3.1 場景：航運船舶費用大屏的”最后一公里”

以航運成本分析為例。BI大屏展示的核心指標通常是這樣：

本月船舶運營總費用：￥2,380,000 環比上月：+12%

老板看到這里，下一步就是問你”為什么漲了”。

以前的流程：業務人員拉明細Excel，數據分析師清洗口徑，產品經理對比歷史數據，寫成分析報告，提交給老板——通常需要1到2個工作日。

現在的流程：打開BI看板，底部已經嵌著AI的解讀結論：

AI洞察摘要（2026年Q1） 本月費用環比上漲12%，主因：
①油料成本上升貢獻+68%的漲幅；
②3號航線港口使費異常增加￥86,000，建議核查；
③整體費用在正常波動范圍內，無需過度關注。

這不是科幻，這是BI+AI API對接，跑通之后的標準輸出。

3.2 方案架構：三條線接起來

整體方案分為三步，數據從BI流出，經AI解讀，再回到BI展示，全流程不需要數據離開企業內網。

第一步：BI開放數據接口

多數BI軟件支持通過API接口輸出看板數據。你可以選擇需要分析的指標，通過接口導出為結構化的JSON數據。

以船舶費用為例，可以導出這樣的數據片段：

{ “report_date”:”2026-03-31″,”total_cost”:2380000,”cost_by_type”:{ “fuel”:1180000, “port_fee”:520000, “crew”:380000, “insurance”:200000, “maintenance”:100000},”cost_by_vessel”:{ “vessel_A”:890000, “vessel_B”:756000, “vessel_C”:734000},”monthly_trend”:[…]}

這一步是技術同學配合做的，屬于一次性開發，后續自動跑。

第二步：用WorkBuddy企業版AI解讀

把JSON數據發給內部部署的WorkBuddy（數據不出企業網絡）。這是關鍵：不用公有云AI，企業敏感數據不需要外傳。

Prompt模板可以直接用：

你是一個資深航運成本分析師。基于以下數據，給出分析結論： [粘貼JSON數據]
請按以下格式輸出：
核心異常：環比變化最大的指標TOP3，說明可能原因
趨勢判斷：過去3個月的變化方向（上升/下降/波動）
行動建議：建議優先關注哪個指標、排查什么數據
質量提示：如果發現口徑不一致或數據缺失，請標注

這里有個經驗：Prompt要具體，不要泛泛說”分析一下”。 你問得越清楚，AI的結論越可用。“按航線拆解費用變化”和”分析一下”，輸出質量差一個量級。

注：涉及數據隱私，圖片僅為效果參考

第三步：洞察結果嵌回BI看板

用BI工具的”插入HTML”組件，把WorkBuddy返回的分析結論以文字形式展示在大屏底部，與原始數據同步更新。

這一步的好處是：用戶不需要切換工具，在看數據的同時就能看到AI的解讀。

注：涉及數據隱私，圖片僅為效果參考

3.3 Before與After：同樣的數據，不同的體驗

純BI階段BI+AI階段老板看到費用上漲開始問原因，安排人查AI已標注主因和關聯因素分析師回復細節1-2個工作日后AI當場給出初步結論月度分析報告手動寫初稿，人工潤色AI生成初稿，人工審核數據異常發現靠人工盯著，或者客戶先發現系統自動標注

四、進階：從”用戶問AI”到”AI主動推”

上面的方法跑通2到3個月之后，你會發現有些分析模式是固定重復的——每周一早上，各航線成本對比每月費用異常預警（環比超過某個閾值）特定船型超過預算時的提醒

這些場景觸發條件明確，分析邏輯固化，每次都是同一套結論。那就不需要人去找AI了，讓AI主動來找人。

這就是AI定時任務，主動推送洞察。每天早上 9:00 → WorkBuddy讀取BI關鍵指標 → 發現異常（環比變化超過閾值） → 通過企業微信/郵件推送洞察報告

推送內容大概是這個樣子：

航運成本早報 · 2024年10月15日
?? 發現2條異常：A航線油料成本環比+18%，主因國際油價波動，持續關注C船型港口使費連續3周上升，建議核查靠泊計劃
? 無需關注的正常波動：人工成本下降2%，屬季節性因素

這一步做起來也簡單，因為分析規則已經固化了——上一步的產出，就是這一步的規則來源。

建議的順序：先跑通BI+AI API對接，等積累了足夠的分析案例，再上AI定時任務，主動推送洞察。

不要一上來就做主動推送，那樣分析規則不成熟，推出來的內容質量不可控。

五、BI+AI融合的方法論

經過這個項目的驗證，我總結了一套”三段論”：

第一階段：BI打通數據 統一數據口徑、實時監控、權限管控。這是大多數企業已經完成的事情。

第二階段：AI解讀數據 用企業在用的WorkBuddy等AI智能體對BI導出的JSON做分析，輸出可讀的洞察結論。這是現在最值得投入的環節。

第三階段：AI主動推送 固化分析規則，用定時任務替代人工觸發，從”人找數據”變成”數據找人”。這是下一階段的目標。

兩個注意點：

1. 數據安全是底線 企業內數據不要上傳公有云AI。WorkBuddy企業版是內部部署，數據不出域，這是基本前提。你可能會覺得”只是一些費用數據”，但對于貿易型企業，一條成本數據就是談判籌碼。

2. AI結論需要人確認 AI做分析輔助，但最終結論需要業務負責人確認后再使用。六、寫在最后

寫這篇文章的時候，我回想了一下過去十年做數據分析的歷程。

Excel時代，我們學會了”怎么把數據整理干凈”。 BI時代，我們學會了”怎么讓數據被看見”。 AI時代，我們才開始思考”數據背后的業務問題是什么”。

工具變了，但有一件事沒變：數據本身不會說話，說服人的永遠是數據背后的分析和洞察。AI做的，是幫我們發現背后隱藏的信息，人再做綜合判斷。

本文來自公眾號：豆芽悟 作者：豆芽悟