企业数据分析项目:从 Excel 开始,如何逐步走向 Agent-Ready?

💡 核心看点

从 Excel 到智能体，不是把一张表交给 AI，而是把隐藏在文件、公式和个人经验里的业务知识，逐步沉淀为稳定的数据、统一的指标、清晰的业务语义、可调用的分析能力，以及可治理的 Agent 行为。

企业的数据分析项目，往往不是从数据平台、Power BI 或人工智能开始的。它通常始于一张 Excel 表。

销售部门导出订单，财务部门提供成本，运营人员补充退款、折扣和促销信息，再由一位熟悉业务的同事完成数据合并、公式计算和图表制作。最终，一份「销售与利润分析表」成为月度经营会议的重要依据。

随着业务增长，这张表会不断扩展。最初只统计销售额，后来需要分析区域、产品、客户和渠道；最初只计算毛利，后来还要考虑返利、物流费用、价格调整和促销投入。直到有一天，企业发现：Excel 文件越来越多、Power BI 报表越来越丰富，管理者能够提出的问题也越来越复杂。与此同时，AI 和数据 Agent 开始进入企业视野。于是，一个新的问题出现了：

这正是企业从传统数据分析走向 Agent-Ready 时，需要认真回答的问题。

Agent-Ready 目前并不是一个拥有唯一行业定义的标准术语。在企业数据分析场景中，我们可以把它理解为：

这比AI 能不能查询数据更进一步。一个数据 Agent 不仅要找到相关数据，还可能需要理解用户意图、选择数据源、调用查询工具、组合多个结果，并根据权限和业务规则组织答案。

如果允许 Agent 执行操作，它还可能生成报告、创建任务、发送提醒，甚至调用业务系统完成后续动作。因此，Agent-Ready 至少包含五个条件：

它不是在数据库上增加一个聊天入口，也不是给 Power BI 加上一个对话框。Agent-Ready 的本质，是把企业已有的数据分析能力，改造成智能体可以可靠使用的基础设施。

Excel 之所以成为大量企业数据分析项目的起点，是因为它足够灵活，也足够贴近业务。

假设一家企业最初只需要进行销售与利润分析。销售部门提供订单数据，财务部门提供产品成本，分析人员通过公式和数据透视表，就可以计算不同区域、产品和客户的销售额、成本与毛利。在业务规模较小时，这种方式完全可以满足需求：

因此，企业仍然使用 Excel，并不意味着数据分析能力落后。真正的问题在于：随着业务复杂度提升，Excel 开始承担超出个人工具边界的组织级任务。

当一张销售与利润表需要连接 ERP 订单、财务成本、CRM 客户、渠道返利和促销活动数据时，它实际上已经是一套隐藏在 Excel 中的小型数据系统。

这套系统同时保存着三类重要资产：

前两类内容或许还能在工作表和公式中找到，第三类内容却经常只存在于制表人员的经验里。这意味着，企业拥有的并不是一套稳定的数据能力，而是一套依赖个人理解运行的分析过程。

而从 Excel 走向 Agent-Ready 的第一步，就是把这些隐藏在文件、公式和个人经验中的规则逐步提取出来，使其能够被组织管理，也能够被机器理解。

企业谈 AI、智能问数或数据 Agent 之前，首先要解决的仍然是数据基础问题。

Data-Ready 并不只是已经把数据集中到数据库。它意味着数据的来源、含义、粒度、关系和质量已经达到可以稳定使用的程度。

仍以销售与利润分析为例。企业首先需要明确：一条数据记录究竟代表什么？它可能代表一张订单，也可能代表一条订单明细、一次发货、一张发票或一笔收入确认。

如果订单表以订单明细为粒度，成本表以产品和月份为粒度，直接关联就可能造成成本重复。如果同一个客户在 CRM 和 ERP 中使用不同编码，客户贡献分析就可能出现重复或遗漏。除此之外，企业还要处理一系列看似细小、实际上会直接影响结果的问题：

这些问题不是报表展示问题，而是数据事实如何被定义的问题。

如果底层粒度和关联关系没有处理正确，后续 Power BI 模型、自然语言问数甚至数据 Agent，都只会更高效地使用错误数据。因此，Data-Ready 至少需要完成几项基础建设：

到了这个阶段，企业解决的是数据能否稳定使用，还没有解决企业是否能够形成统一分析。

Data-Ready 之后，企业需要把数据进一步建设为可以被组织重复使用的分析能力。这正是 Power BI 语义模型的重要价值。

不少企业把 Power BI 项目理解为把 Excel 报表迁移到可视化平台。原来用柱状图，现在换成更漂亮的柱状图；原来通过筛选按钮切换区域，现在改用交互式筛选器。如果项目只完成了这些工作，它改善的是展示方式，并没有从根本上改变企业的数据分析能力。

一个真正具备复用价值的 Power BI 项目，首先要建立正确的数据模型。销售、退货和成本等业务事实，需要与产品、客户、区域、渠道和时间等分析维度建立清晰关系。在此基础上，企业还需要把指标从个人公式变成公共定义。以「销售额」为例，企业系统中可能同时存在：

这些指标可能都有业务价值。指标统一并不意味着企业必须删除其中四个，只保留一个「正确数字」。真正的统一，是相同名称具有相同含义，不同含义使用不同名称，并明确每个指标适用于什么分析场景。

同样，「利润」也需要明确：

当这些规则被沉淀为可复用的度量值和语义模型后，销售额、成本、毛利和毛利率就不再属于某一张报表，而成为整个企业分析体系共同使用的标准指标。

同一套模型可以支持管理层经营看板、区域销售分析、产品盈利分析、客户贡献分析，也能成为后续 AI 和数据 Agent 调用的基础。

一套面向人类分析人员设计的语义模型，不一定天然适合 AI 使用。

人可以根据经验判断字段含义，也知道某个指标应该在什么条件下使用。AI 更多依赖模型中的名称、描述、关系、上下文和使用示例。

例如，一个 Power BI 模型中可能同时存在：

报表开发者可能知道它们之间的区别，但 AI 未必能够稳定判断用户口中的「销售额」对应哪一个指标。模型中还可能存在大量技术字段、辅助排序列、系统编码和中间计算结果。对开发人员而言，这些内容有其用途；对 AI 而言，它们可能增加选择错误字段的概率。

因此，从 BI-Ready 走向 AI-Ready，需要对语义模型进行专门准备。企业可以从几个方面提升模型对 AI 的友好程度：

1. 缩小 AI 可见的数据范围

并不是模型中的所有表、字段和度量值都应该交给 AI 使用。企业需要根据应用场景选择一组相关、清晰且经过治理的数据对象，使 AI 在更有限的范围内进行判断。AI 可见范围越聚焦，字段歧义越少，查询也更容易保持稳定。

2. 使用业务语言描述数据

DIM_GEO_01、TR_AMT 或 CST_ACT 等技术名称，可能对开发人员很熟悉，但不适合 AI 理解业务含义。企业需要为表、字段和度量值使用清晰的业务名称，并补充必要描述：

这些描述不是普通的数据字典装饰，而是在告诉 AI 应该如何解释模型。

3. 补充企业特有的业务规则

AI 不会天然知道一家企业如何定义「重点客户」「有效订单」「低毛利产品」或「销售未达标」。这些概念需要转化为明确的业务语义。例如：

4. 建立问题测试集

不能只通过几次演示判断模型是否已经 AI-Ready。企业需要收集一批真实业务问题，并为这些问题建立经过确认的标准答案。以销售与利润场景为例，测试问题可以包括：

测试不仅要检查最终数字，还要检查 AI 是否：

只有这些问题经过持续测试，AI-Ready 才不只是一个配置状态，而是一种可以被验证的能力。

AI-Ready 主要解决AI 能否理解数据。Agent-Ready 则需要进一步解决：

假设管理者向智能体（以智能小V为例）提出：

传统报表只能展示已经设计好的页面。自然语言问数可能把问题转换为一次查询。智能小V则会完成更完整的分析过程：

过去，分析人员需要在多个报表页面之间切换，或者重新组合字段完成这些工作。在 Agent-Ready 的数据基础上，智能小V可以围绕同一个业务目标组织多步骤分析，用户不再需要先找到正确报表，再手动完成下钻，而是直接从经营问题出发。

但这里必须明确一个边界：

它回答得是否准确，依赖的仍然是底层数据、Power BI 语义模型、指标定义、AI 使用说明和权限体系，通过把企业已经建设好的数据能力，以更自然、更主动的方式交付给业务人员。

因此，Agent-Ready 的数据基础，本质上是一组明确的使用契约。智能体（智能小V）不仅要知道「这里有什么数据」，还要知道「这些数据应该如何使用、在什么范围内使用，以及什么时候不能继续行动」。

传统 BI 项目经常以报表上线作为完成标志。Agent-Ready 则不能只依靠一次性交付。业务指标会变化，数据源会调整，组织架构会更新，用户的问题也会不断增加。即使模型上线时表现良好，后续一次字段重命名或指标调整，也可能影响 Agent 的理解和查询结果。

企业需要持续运营以下内容：

这与传统报表运营有明显区别。过去，用户发现报表没有某个指标，会提交一个新增需求；现在，用户可能直接提出一个模型从未见过的问题。企业需要判断这是已有模型表达不清，还是底层数据能力确实缺失。因此，Agent-Ready 不是一个「已开启」的功能状态，而是一套持续评估、维护和治理的数据运营机制。

企业不需要一次性让所有数据都变成 Agent-Ready。更现实的方式，是从一个高频、重要、口径相对清晰的业务场景开始。销售与利润分析通常是一个适合的起点，因为它连接订单、产品、客户、区域、渠道和成本，也对应管理层持续关注的经营问题。

建议（从一个场景、一个模型、一组问题开始）按以下顺序逐步推进：

从 Excel 到 Power BI，再到 AI 和数据 Agent，看起来是工具不断升级的过程。但背后真正发生的，是企业数据能力逐步从个人经验走向组织资产，再从组织资产走向机器可调用能力。

Excel 帮助业务人员把经验转化为数据、公式和报表；Data-Ready 让这些数据能够稳定使用；BI-Ready 把数据关系和指标口径沉淀为统一语义模型；AI-Ready 让模型更容易被人工智能理解；Agent-Ready 则让智能体能够在明确权限、业务规则和验证机制下调用这些能力。

因此，企业从 Excel 走向 Agent-Ready，不是把一份表格直接交给 AI。它需要把隐藏在文件、公式和个人经验中的业务知识，逐步转化为：

报表准备好给人看，只是 BI-Ready。数据准备好被智能体理解、调用、验证和治理，才是真正的 Agent-Ready。