① 数据要不要出内网？
这是第一道分水岭。多数 SaaS ChatBI 需要数据上云或通过云端大模型 API 推理——对经营数据敏感、有合规要求或涉及信创场景的企业，这条路直接被堵死。先确认：产品是真·本地化部署（数据和推理都在内网完成），还是「私有化界面 + 云端模型」的半本地方案。ID ONE 采用全本地化部署，自研推理框架支持离网运行，经营数据不上传任何外部云端。
选型指南 · ChatBI / 智能问数
ChatBI 产品怎么选？先问自己这 5 个问题。
「用自然语言问数据」的产品正在爆发：SaaS ChatBI、BI 内置问数模块、大模型问数工具、决策一体机……名字都很像，能力和成本差别巨大。这一页给你一套不绕弯的选型方法。
30 秒结论
选 ChatBI / 智能问数产品，本质上是在回答五个问题：数据能不能出内网、谁来用、回答停在哪一层、指标口径谁来保证、综合成本怎么算。如果你的使用者是老板和分管领导、数据受合规约束不能上云、想要的不只是「查到数」而是「得到结论和建议」，那么你需要的不是一个问数工具，而是本地化部署的决策级方案——这正是 ID ONE 一体机所处的位置，综合成本约为同类传统 BI / 问数方案的 10%—15%。
五个必问问题
选型前，把这五个问题过一遍。
每个问题都会直接淘汰一批不适合你的产品，比看功能清单有效得多。
② 谁来用？业务人员，还是老板？
大多数 ChatBI 为业务人员和分析师设计：懂指标名、会追问、能自己判断结果对不对。但如果目标用户是老板和分管领导，要求完全不同——问题是口语化的（「利润为什么掉了」），期待的是直接可信的答案而不是一堆图表。为「查数的人」设计的产品，交给「做决策的人」用，往往用两周就搁置了。
③ 回答停在哪一层：数、原因，还是动作？
问数产品有三个层级：查到数（利润环比 -8.6%）、解释原因（受成本上升和回款延迟影响）、给出动作（建议优先核查华东回款）。多数 ChatBI 停在第一层，少数做到归因。选型时用你企业真实的经营问题现场测试，看它能走到第几层——这一步比任何产品介绍都诚实。
④ 指标口径谁来保证？
「订单数」要不要剔除测试单？「收入」按开票还是回款？口径不统一，AI 回答得再流畅也是错的——这就是所谓「数据幻觉」在经营场景的真实代价。关键看产品有没有语义层 / 口径校验机制：是直接让通用大模型猜 SQL，还是先在企业语义层里对齐指标定义再执行。ID ONE 的垂直决策模型将业务口径校验作为独立环节，并通过行业指标模板 + 企业语义层定制落地。
⑤ 综合成本怎么算？
别只看软件报价。完整账单 = 软件/订阅费 + 实施与建模服务 + 算力（云端 token 费或本地硬件）+ 长期维护人力。SaaS 看着起步便宜，数据上云的合规成本和按量计费的推理成本会持续累积；传统 BI 路线则重在实施和维护。ID ONE 以一体机形态交付，综合部署成本约为同类传统 BI / 问数方案的 10%—15%（基于同类型公司在相近业务效果下的成本预估，实际以评估为准）。
三类方案对比
SaaS ChatBI、BI 问数模块、决策一体机，差在哪。
| 维度 | SaaS ChatBI | BI 内置问数模块 | ID ONE 决策一体机 |
|---|---|---|---|
| 部署与数据 | 数据上云或云端 API 推理 | 随 BI 私有化，模型多在云端 | 全本地化，数据不出内网，支持离网运行 |
| 主要使用者 | 业务人员、分析师 | 已有 BI 的报表用户 | 老板、分管领导直接提问 |
| 回答层级 | 查数为主，部分支持归因 | 查数 + 图表 | 结论 + 原因 + 行动建议 + 主动预警 |
| 口径保证 | 依赖建模质量，方案不一 | 沿用 BI 建模 | 垂直模型口径校验 + 企业语义层定制 |
| 前置条件 | 需先完成数据建模 | 需先有该品牌 BI | 对接现有数仓/中台/业务库，无需推倒重来 |
| 成本结构 | 订阅 + 按量推理费 | BI license 附加模块 | 一体机交付，约为同类方案综合成本的 10%—15%* |
* 基于同类型公司在相近业务效果下的方案成本预估，实际成本需结合数据规模、部署环境和验证范围评估。各竞品能力以其官方最新说明为准，本表描述的是三类形态的普遍差异。
怎么选
对号入座：你适合哪条路。
选型没有标准答案，只有匹配度。
这些情况，SaaS ChatBI / BI 问数模块就够了
- 使用者主要是业务和数据团队，需求以灵活查数为主
- 数据没有不能上云的合规限制
- 已深度使用某家 BI，加个问数模块成本最低
这些信号出现，该看决策级的本地化方案
- 真正要用的人是老板和分管领导，要答案不要图表
- 经营数据受合规约束，不能出内网，或有信创要求
- 希望系统主动预警异常、解释原因、给出建议，而不是被动等人来查
- 评估过传统 BI + 问数的组合，实施和维护成本超出预算
常见问题
关于 ChatBI 选型，被问得最多的几件事。
ChatBI 和传统 BI 是什么关系？
ChatBI（智能问数）是在 BI 的数据基础上加一层自然语言交互：不用拖拽报表，直接提问拿结果。它降低了「查数」的门槛，但多数 ChatBI 并没有改变产出层级——回答的仍是「是多少」。决策级产品则进一步回答「为什么」和「怎么办」。两者的详细对比可以看《ID ONE 和传统 BI 的区别》。
问数的准确率靠什么保证？
两个环节：一是指标口径——先在语义层对齐企业对每个指标的定义（剔除规则、统计周期、归属逻辑），再生成查询，避免模型「猜口径」；二是可验证性——回答应能追溯到数据来源和计算逻辑。选型时建议用自己企业的真实口径难题（比如有多套口径的「收入」）现场测试。
我们没有数据仓库，可以上 ChatBI 类产品吗？
可以，但路径不同。有数仓/中台的企业可以直接在其上构建语义层；没有的企业需要先梳理核心业务库和指标口径。ID ONE 支持对接数据仓库、数据中台与业务数据库，预约演示时我们会先了解你的数据基础，判断从哪一步开始最划算。
ID ONE 属于 ChatBI 吗？
ID ONE 包含智能问数能力，但定位是决策一体机：除了自然语言查数，核心在于主动预警、原因解释和行动建议，且以全本地化一体机形态交付，面向老板和分管领导的经营决策场景，而不只是业务人员的取数工具。
可以先试再决定吗？
可以。线上 Demo 使用示例数据开放体验，不需要提供任何企业数据；预约演示后，我们会围绕你的行业和真实经营问题准备针对性演示，预约阶段不收集生产数据。
预约演示
拿你的选型清单来，我们逐项给你演示。
围绕你的行业、数据基础和最关心的经营问题准备，预约阶段不收集任何生产数据。
01预约阶段不收集生产数据
仅了解行业、角色、数据基础和关注问题，用于判断演示重点。
02Demo 默认使用示例数据
线上体验不接入真实客户数据库，不展示任何客户生产数据。
03正式接入前先确认安全边界
数据范围、部署环境、权限边界和保密要求以双方确认后的方案为准。