罗雷_腾讯音乐-融合 ChatBI 与 HeadlessBI 新一代数据分析平台实践

01 数据分析平台现状

• 业务团队痛点：
  • SQL学习门槛高，难以理解复杂库表字段信息
  • 看板不灵活，开发效率低
  • 当前模式（数据团队保姆式服务）效率低下
• 业务团队诉求：
  • 将数据主动权交予业务团队，实现自由灵活的可视化分析
• 数据团队痛点：
  • 指标口径无法统一，指标无法复用，治理困难

02 架构演进思考

• 引入Headless BI解决数据治理问题：
  • 通过语义模型、S2SQL、物理SQL转换实现指标统一、复用和权限控制
• 引入Chat BI解决业务易用性问题：
  • 基于大模型问答交互，支持自然语言、零门槛、自由探索、界面统一、随问随答
• 当前Chat BI问题：
  • 问题+Prompt模式依赖人工，效率低

03 ChatBI与HeadlessBI融合实践

• 融合ChatBI+HeadlessBI初始版本：
  • 结合Chat BI（LLM驱动）和Headless BI（语义层驱动）
  • 核心技术：
    • Schema Mapper提升语义实体识别准确性
    • QueryFilterMapper支持CopilotChat模式
    • Semantic Corrector解决大模型幻觉问题
    • 记忆管理持续学习领域知识
    • 引入Agent解决复杂数据需求
  • 核心要点：
    • 将Mapper、Parser、Corrector、Semantic Layer作为Text2SQL内置工具
    • 整合三方服务以Agent方式动态注册
    • 数据团队聚焦开发数据工具，增加数据解读功能
  • 抽象核心组件+SPI机制解决框架扩展性问题
  • SuperSonic开源项目提供技术支持

04 未来展望

• Headless BI：
  • 结合移动端和语音转文字技术
  • 持续推进血缘构建、物化加速建设
  • 集成更多数据工具，优化召回准确率
  • 探索LLM智能建模降低人工成本
• Chat BI：
  • 拓展更多场景，提升便捷性