ThoughtSpot Spotter 怎么和其他工具组合：一条可落地的工作流
ThoughtSpot Spotter 是一款在线服务：以自然语言搜索分析数据的 BI 平台。
单独用一个工具往往只解决一段问题，这篇讲怎么把它和上下游工具串起来。
推荐组合：ThoughtSpot Spotter + 知乎直答
知乎直答的定位是：基于知乎内容的 AI 问答搜索。两者分工可以是：ThoughtSpot Spotter 负责「自然语言问数」这一步，知乎直答负责检索资料、核对来源或管理知识库。
工作流步骤
- 明确交付物和验收标准，例如：给出了可复核的计算过程。
- 准备输入：一张销售明细表，先去掉敏感信息。
- 在 ThoughtSpot Spotter 中执行核心步骤（提示词见下文）
- 把结果交给知乎直答做下一步处理，或从知乎直答取得所需材料。
- 人工检查关键事实与格式，记录发现的问题。
- 把这次用到的提示词和设置保存为模板，下次复用。
自然语言问数
输入：一张销售明细表。
请基于这张表回答：上个季度销售额最高的 3 个地区是哪些？与前一季度相比变化多少？请同时给出你使用的计算方法或 SQL，便于我复核。
检查点：给出了可复核的计算过程。
交接时最容易出问题的地方
- 格式不兼容：两边导入导出的格式提前测试一次。
- 信息丢失：每次交接附上来源和版本号。
- 责任不清：约定哪一步由谁做最终确认。
- 成本叠加：两个工具都可能计费，先估算用量。
如果暂时不想引入第二个工具，也可以先用 Power BI Copilot 等同类产品替代其中一环，跑通流程后再决定。
补充练习
图表建议
准备材料：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。
指标异动解读
准备材料：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。
验收标准：先排查数据本身问题。
评测大模型应用
准备材料：一批真实用户问题和应用回答。
为这批回答设计评测：定义 4 个评分维度，写出评分标准，抽取 20 条进行人工打分，并统计各维度的问题类型。
交付前确认：评分标准清晰可复用。
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：生成的 SQL 运行报错
提供准确的表结构和字段说明，先在测试库运行。
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。
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：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。
写在最后
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。
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。