几乎所有 ChatBI 产品的演示都无懈可击：一句话提问，图表秒出。但上线三个月后，很多企业的智能问数变成了摆设——业务方试了几次发现数字对不上，从此再也不问。
演示环境和生产环境差的不是技术，是信任。 演示用的是干净的样例数据；你的企业里是三套口径、五个系统和一堆权限规则。选型时真正要考察的，是产品在混乱的真实数据上能不能给出敢用的答案。
选型七问
- 答案带来源吗？ 每个数字能否展开看到指标口径与数据来源？不能追溯的答案，管理层不敢用；
- 口径归谁管？ 产品有没有统一的指标定义层，还是每次提问临时生成 SQL？后者必然出现同题不同答；
- 权限怎么继承？ 员工问到无权查看的数据时会发生什么？权限体系是否与企业现有组织架构联动；
- 能不能追问？ “为什么跌了”之后接着问”抖音渠道呢”，上下文能否延续——单轮问答离真实工作场景很远；
- 答错了怎么办？ 有没有口径修正与反馈机制，修正之后是全局生效还是只对这一次生效；
- 在哪儿用？ 能否在企业微信、钉钉、飞书里直接提问？需要单独打开一个网站的工具，使用率会低一个数量级；
- 数据放在哪？ 是否支持私有化部署，客户数据是否会被用于训练模型——这一条请要求写进合同。
一个判断标准
把你们公司最容易吵架的那个指标拿去测：让产品回答上个月的这个数字，再让财务和业务各自核对。如果双方都认，这个产品才过了真正的门槛——问得准的前提，是先把你的口径管起来。 这也是为什么我们始终认为，智能问数不是一个聊天界面，而是数据治理能力的自然延伸。