以自然语言搜索分析数据的 BI 平台——这是 ThoughtSpot Spotter 最主要的用途，也是本文讨论的前提。

看文档和设置项时遇到的术语，这里用一两句话解释清楚。

术语表

  • 口径：指标的定义与计算规则，不同口径会得出不同结论。
  • 文本转 SQL：把自然语言问题转换为数据库查询语句。
  • 语义层：把业务指标定义统一管理，让 AI 查询时口径一致。
  • 异常检测：自动发现偏离正常范围的数据点。
  • 追踪（Tracing）：记录大模型应用每次调用的输入输出与耗时。
  • 评测集：用于反复检验模型或应用效果的标准问题集合。

和 ThoughtSpot Spotter 相关的补充

  • 在线服务：ThoughtSpot Spotter 的产品形态，决定了安装、权限和数据存放方式。
  • 同类产品：Power BI Copilot、Tableau、Looker。
  • 所属方向：数据与分析。

把概念用起来

写 SQL 查询

适用情况：手头有数据库表结构说明时。

根据以下表结构写 SQL：统计每个月新增用户数和其中完成首单的比例。请说明关联条件和可能存在的口径问题。

验收标准：说明了口径问题。

延伸练习

数据清洗方案

准备材料：一份有缺失和异常值的数据。

分析这份数据的质量问题：缺失值比例、异常值、格式不一致的字段，给出处理建议，并说明每种处理方式对结论的影响。

验收标准：说明了处理对结论的影响。

指标异动解读

输入：一个突然下降的业务指标。

日活本周下降了，请列出可能原因的排查清单，按「数据问题 / 产品变化 / 外部因素」分类，每项写明需要查看的数据。

检查点：先排查数据本身问题。

图表建议

输入：一组需要汇报的数据。

根据这些数据推荐合适的图表类型，说明理由，并指出容易误导读者的画法（如截断坐标轴）。

检查点：指出了误导风险。

常见问题：问数结果看似合理但错误

准备几道已知答案的问题做抽检。

常见问题：图表结论被过度解读

区分相关与因果，在报告中标注假设。

常见问题：AI 算出的数字和报表不一致

检查口径和过滤条件，要求它输出 SQL 或公式逐步复核。

概念补充：文本转 SQL

把自然语言问题转换为数据库查询语句。

概念补充：追踪（Tracing）

记录大模型应用每次调用的输入输出与耗时。

适合人群：咨询顾问

咨询顾问可以用 ThoughtSpot 处理行业研究、访谈整理等工作。需要注意：客户机密遵守保密协议，研究结论注明来源。

适合人群：电商运营

电商运营可以用 ThoughtSpot 处理商品详情与主图、活动方案与客服话术等工作。需要注意：商品参数和促销规则必须与后台一致，避免虚假宣传。

适合人群：科研人员

科研人员可以用 ThoughtSpot 处理文献检索与阅读、实验记录与数据整理等工作。需要注意：遵守期刊和机构关于 AI 使用的披露要求，引用逐条核对。

使用提醒

本文基于 ThoughtSpot Spotter 公开的定位与通用用法编写，具体功能、套餐与可用地区以官方页面为准，产品更新后界面和名称可能变化。

文中提示词和示例仅作示意，实际效果取决于你的材料和 ThoughtSpot 当前版本，重要内容请人工核对后再使用。

延伸阅读