仪表板的消亡
多年来，仪表板是数据工作的核心。我们构建它们、维护它们、在季度评审中展示它们，并在不同团队看到不同数字时为数据辩护。
AI模型价格对比 | AI工具导航 | ONNX模型库 | Vibe Coding教程 | PLC在线仿真器 | Tripo 3D | Meshy AI | ElevenLabs | KlingAI | ArtSpace | Phot.AI | InVideo
多年来，仪表板是数据工作的核心。我们构建它们、维护它们、在季度评审中展示它们，并在不同团队看到不同数字时为数据辩护。整个分析师的工作流程都是围绕着保持它们最新而组织的。
我们正在构建的工具直接读取数据、解释数据并直接回答问题。界面正在改变，问题在于这种改变会走多远。
1、为什么仪表板变得流行
在自助式商业智能（BI）工具出现之前，从数据中获取答案意味着向分析团队提交工单或自己写 SQL。大多数业务用户两者都不做。他们等待其他人拉取数字，打包成报告，然后返回一个答案。
仪表板改变了这一点。像 Tableau 和 Power BI 这样的产品让业务用户无需分析师参与就能探索数据。营销经理可以按活动筛选，产品负责人可以比较用户群体，销售副总裁可以在董事会会议前检查数字。无需工单。
采用速度很快，因为问题是真实的：大多数业务用户需要数据来做决策，但他们没有切实的方法自己获取答案。2010 年到 2020 年间，全球 BI 市场增长 从大约 100 亿美元增长到超过 230 亿美元。一直依赖月度 Excel 报告的公司突然运行在实时、可视化的数据上。
仪表板成为了"我们如何让数据可访问？"这个问题的默认答案。
2、仪表板今天的问题
仪表板的积累速度超过了大多数组织的管理能力。
在许多中大型公司，数量达到数百甚至数千个，造成了治理、重复和采用问题。Gartner 在 2025 年描述了这个问题是"仪表板泛滥、采用有限、业务影响力不足"的循环。
结构性问题在于，仪表板回答的是分析师预期的问题，而不一定是用户当下实际需要问的问题。
考虑一位区域销售总监在查看一个收入仪表板。它显示东北地区的数字下降了。它没有解释原因。所以总监发了一条 Slack 消息给分析师，分析师手动拉取数据。仪表板在那里且可访问，但不足以闭合这个循环。
还有一个信任问题。当多个仪表板因为不同的连接逻辑、不同的日期过滤器或不同的指标定义而对同一时期显示不同的收入数字时，用户会停止信任其中任何一个。仪表板制造了不确定性，而不是消除了不确定性。
维护增加了成本。每一个新的业务问题都变成一个新仪表板或新过滤器。分析师将大量时间花在仪表板请求上，而非实际分析上。
3、对话式分析的兴起
当 LLM 技术变得足够可靠，能够将自然语言可靠地翻译成 SQL 时，这种转变开始了。
自然语言查询（NLQ）工具在 2022 年之前就存在，但它们很脆弱。你必须以特定方式措辞问题。它们会误读模糊术语。它们需要对你的特定数据模型进行大量训练才能产生正确结果。
GPT-4 改变了基准线。Text-to-SQL 以足够的质量开始正常工作，使生产用例变得可行。将其与一个语义层结合，告诉模型"收入"在你的 schema 中是什么意思、"活跃客户"是什么意思，以及哪些表是权威的，你就得到了一个能够可靠回答即兴问题的东西。
概念： 用户输入"上个月平均订单价值的增长是什么驱动的？"，系统生成 SQL，执行它，解释结果，并写出纯英文解释。不需要仪表板。
这就是对话式分析。用户提问。系统回答。
4、驱动这一转变的真实技术
几个汇聚在一起的部分使这变得实际而非理论化。
具备 text-to-SQL 能力的 LLM
OpenAI 的 GPT-4、Anthropic 的 Claude 和 Google 的 Gemini 在给定 schema 上下文时，能够以合理的准确性从自然语言生成 SQL。自 2023 年以来构建的大多数对话式分析产品都以这些模型之一作为核心查询引擎。
语义层
像 dbt Semantic Layer 和 Cube 这样的工具在原始数据模型之上创建了一个业务友好的抽象层。它们以 LLM 可以用于准确查询生成的方式定义了指标、维度和关系。没有这个层，LLM 生成的 SQL 听起来合理但会产生错误的数字。
BI 平台内置的 AI 功能
Tableau Pulse 向用户发送自动化洞察摘要，无需打开仪表板。Power BI Copilot 从自然语言输入生成可视化。ThoughtSpot Sage 在其基于搜索的分析引擎之上添加了 LLM 层。Databricks Genie 让团队配置 Genie Spaces——精选环境，业务用户在其中用自然语言查询数据。
用于上下文检索的向量数据库
像 Pinecone 和 Weaviate 这样的工具让分析系统能够检索相关的先前查询、指标定义和文档，以增强 LLM 响应。这减少了错误输出并提高跨查询的一致性。
这些技术都还不成熟。Text-to-SQL 在复杂连接和模糊业务逻辑上仍然会失败。语义层需要大量的设置投资。不过趋势是清晰的。
5、对用户意味着什么变化
最大的变化在于用户需要做什么。
使用仪表板时，用户到达一个页面，选择过滤器，阅读多个图表，进行比较，并得出结论。认知工作完全在人类端进行。仪表板是被动的。
使用对话式分析时，用户输入一个问题并阅读答案。认知工作转移到系统端。
这是一个有意义的变化——界面是为谁设计的改变了。仪表板降低了访问数据的门槛，但使用得当仍然需要真正的数据素养。一个不知道如何阅读漏斗图，或者不理解过滤器中"cohort"含义的用户无法从大多数仪表板中获得价值。
对话式界面进一步降低了门槛。供应链经理不需要知道哪个表包含采购订单数据。他们只需要提问。
个性化方面被低估了。静态仪表板对每个用户显示相同的视图。对话式界面适应提问的任何人。副总裁获得摘要。分析师获得方法论。区域负责人获得其地理数据，而无需导航全局过滤器。
6、什么将取代仪表板？
仪表板不会消失。
对于监控，它们仍然是正确的工具。值班工程师想在图表上查看服务延迟，而不是输入一个问题。财务团队运行每周结算需要特定指标的固定视图。显示当前系统状态的运营仪表板将继续保留。
正在改变的是临时查询和趋势监控的用例。
临时分析将转向对话式界面。团队不再为一次性问题提交仪表板请求，而是将这些问题路由到 AI 查询工具并直接获得答案。
趋势监控将从用户拉取数据转变为系统发送洞察。业务用户不会每天检查仪表板来注意变化。系统会推送一条消息："企业客户群的流失率周环比上升了 8 个百分点。增长集中在尚未使用新导出功能的客户中。"
自动化的叙述报告将补充定期的 PDF 摘要。由系统读取实际数据并撰写纯英文摘要、针对特定受众生成的每周业务评审。
仪表板类别将缩小而不是消失。它将成为更大工具集中的一个工具，不再是每个分析需求的默认答案。
7、数据分析师的新角色
工作发生了显著变化。
当仪表板是主要输出时，分析师把大部分时间花在上面：需求收集、构建、维护、调试过时过滤器。这些工作中有很大一部分是重复性的。
使用对话式分析时，瓶颈上移。系统需要准确的语义模型、明确定义的指标和干净可信的数据。分析师的工作从构建视图转变为让数据环境足够可靠，以便 AI 正确查询。
剩下的工作是更难的。模糊的指标定义、混乱的源数据、未记录的业务规则、治理空白：这些成为分析师的主要焦点，而非背景噪音。
新的技术工作也出现了。语义层设计、分析工具的提示工程、LLM 生成 SQL 的评估框架、AI 查询准确性的数据质量监控。这些在五年前的职位描述中都不存在。
基本数据访问的门槛提高了。任何有权访问对话式工具的人现在都可以无需分析师参与就能获取数字。这释放了分析师进行更深入的工作，同时也意味着什么才算分析师级别的贡献的标准提高了。这项工作变得更技术化，而非相反。
8、接下来是什么
如果你在数据领域，转变已经在进行中。主要 BI 供应商已经发布或宣布了对话式分析功能。基于 LLM 的查询工具正在各个行业的各大公司中进行试点。
有几件事值得现在就开始做。
审计你的活跃仪表板组合，裁剪未使用的部分。一个更小、可信的核心比一个大而可疑的集合更有用。
投资你的语义层。在 dbt 或 Cube 中明确定义的指标可以在仪表板、对话工具和自动化报告中复用。考虑到这个领域的发展方向，这是你能做的最持久的投资。
运行一个小型试点，使用一个对话式分析工具。Tableau Pulse、Power BI Copilot 和 ThoughtSpot Sage 都有容易入手的入口点。现在就了解差距在哪里，比以后在压力下学习要好。
分析界面正在改变。早期适应的团队将收回大量时间。
原文链接: The Death of Dashboards
汇智网翻译整理，转载请标明出处
