2.1 界面介绍

2.1.1 登录界面

1、访问地址：http://IP:端口/aiweb/
2、输入用户名和密码（此处的用户名和密码同smartbi登录的一致）
3、选择对应的smartbi地址（此处地址是在管理界面中新增服务器配置后的），然后点击登录

2.1.2 展示界面

Smartbi AIChat的操作界面设计简洁明了，采用了大量的白色背景和鲜明的颜色来突出重要的元素。同时，界面提供了丰富的功能和选项，方便用户进行数据查询、分析与洞察。无论是数据分析新手还是资深专家，都能通过Smartbi AIChat轻松实现数据驱动的业务决策。
AIChat前端主要分为如下6个区域：辅助功能区、创建对话区、我的收藏区、历史对话区、对话区、数据模型展示区。

2.1.2.1 辅助功能区

辅助功能区位于操作界面的左侧，为用户提供一系列辅助工具和设置选项。主要功能包括：
当前对话区展示。
使用帮助入口，点击后跳转到AIChat白泽帮助中心。
运维设置对话管理,可以查看到所有问句的对话信息
系统设置入库，鼠标在该图标上悬停，即展示其二级设置菜单：包含"官网入口"、"个性设置"、"操作指引"、"关于白泽"以及"退出登录"功能。其中个性设置又包含"显示代码"、"显示数据面板功能。

2.1.2.2 创建对话区

创建对话区是用户开始新对话的起点，可以创建两种方式的对话：分析模式和专家模式。
分析模式：可以做数据查询、图表生成、数据分析、趋势预测、归因分析等，帮助业务用户提供工作效率。
专家模式：通过挖掘和分析用户提供的业务数据，生成包含关键业务洞察的详细报告，旨在帮助管理者发现潜在的业务问题或机遇，辅助决策。

2.1.2.3 我的收藏区

我的收藏区收藏了用户之前的问句结果，用户可点击相关问句，在对话区快速复原结果查看。用户也可以通过问句后面的按钮 ，进行取消收藏。
主要功能包括：
收藏管理：用户可以将自己感兴趣的问句添加到收藏区中，方便日后查看和使用。
快速访问：通过我的收藏区，用户可以快速访问自己收藏的内容，提高工作效率。

2.1.2.4 历史对话区

历史对话区记录了用户一段时间以来的历史问句及当时的结果，用户可点击相关问题，在对话区快速复原结果查看。用户也可通过问句后方的按钮 ，为问句定义容易识别的别名或者从历史对话中删除和收藏改问句。

2.1.2.5 对话区

对话区是系统完成问答的核心区域，包括"对话模式"、"产品LOGO"、"快捷帮助"、"推荐问句"、"问句功能区域"、"问句输入区"等部分。
"对话模式"的"查询模式"，会显示处理过程的pyhton代码展示区。如：

答复区下方有一排功能按钮 ，从左到右依次为：导出、AI分析报告、赞一下、踩一下、调试。

在对话区下方，如上图，是一个快捷输入功能组及问题输入区域，输入问题后点击右下方的发送问题按钮，获取答复。快捷输入功能组从左到右依次为：
a、单轮对话、多轮对话切换，默认为多轮对话。
b、快捷帮助输入（在问题输入区域输入 "/"符号获取快捷帮助 ）。
c、模型切换按钮，方便用户快捷在多个模型建切换，完成业务问答。
d、历史对话：当前模型下的历史对话的问题展示。
e、推荐问句：当前模型下，系统给与的推荐问句。

2.1.2.6 数据模型展示区

数据模型展示区位于界面右侧，用于展示当前数据模型及其维度和度量信息，方便用户清楚当前模型有那些相关的数据可以查询或者分析。主要功能包括：
模型列表：展示当前可用的数据模型列表，用户可以根据需要在不同的数据模型之间进行切换，以适应不同的分析需求。与"对话区"的【模型切换按钮】作用一致
维度与度量：在模型列表中，系统会显示每个模型的维度和度量信息，帮助用户了解模型的结构和内容。

2.2 数据准备

数据准备地址：http://xxxx/smartbi/vision/index.jsp
在Smartbi AIChat中，数据准备是一个至关重要的环节，它决定了后续数据分析的准确性和有效性。进行数据准备时，主要涉及到一系列步骤和工具，以确保数据的质量、可用性和适用性，为后续的数据分析和可视化提供坚实基础。以下是数据准备过程中涉及的主要步骤：

2.2.1 明确分析需求

在开始数据准备之前，首先要明确分析的目标和需求。确定需要分析的数据维度和度量，以及可能涉及的数据源。

2.2.2 数据连接与导入

2.2.2.1建立数据连接

首先，需要建立与数据源的连接。Smartbi支持多种数据源，包括关系数据库（如MySQL、Oracle等）、Excel文件、CSV文件等。
在Smartbi界面上，通过填写数据源的相关信息（如数据库名称、驱动程序类型、连接字符串、用户名和密码等），建立与数据源的连接。

2.2.2.2 导入数据

在成功建立数据连接后，可以将数据源中的数据导入到Smartbi平台中。导入的数据可以包括表、视图、存储过程等。

2.2.3 数据预处理

2.2.3.1 数据清洗

对导入的数据进行清洗，包括处理缺失值、异常值、重复值等。
可以使用Smartbi提供的清洗工具，如数据过滤、数据替换、数据填充等功能。

2.2.3.2 数据转换

根据业务需求，对数据进行转换，如数据类型转换、数据格式转换等。还可以使用计算列、派生列等功能，基于原始数据生成新的数据列。

2.2.4 数据建模

2.2.4.1 创建数据模型

在Smartbi中，可以创建数据模型来组织和管理数据。
数据模型可以包括多个表或视图，并通过表关系（如主键-外键关系）来定义它们之间的联系。

2.2.4.2 设置维度和度量

在数据模型中，需要设置维度和度量。维度是描述数据的属性或分类的字段（如日期、地区、产品等），而度量是用于量化分析的字段（如销售额、利润等）。可以通过拖拽点选的方式，在Smartbi界面上轻松设置维度和度量。

2.2.5 数据抽取与增量更新

2.2.5.1 数据抽取

如果数据源的性能不够好，或者需要创建复杂的数据分析模型，那么数据抽取就变得非常必要。
在Smartbi中，可以定义抽取规则，包括定时抽取、立刻抽取、全量抽取、增量抽取等。

2.2.5.2 增量更新

对于需要定期更新的数据，可以设置增量更新规则，以确保数据模型的时效性和准确性。

2.2.6 构建AI图谱

进入构建界面：运维设置->自然语言配置->图谱管理。
点击   按钮，选择需要构建知识图谱的数据模型或业务主题（例如给数据模型"订单模型"构建模型图谱。），接着点击下一步。

选择需要训练的维度，点击训练 开始构建知识图谱。
某些毫无意义的维度字段（例如ID、描述、详情等长字符串并且对模型训练和查询毫无意义的字段），会严重影响查询的准确率和模型训练效率，需要手动将其在训练维度中排除掉。

上一步：如果选择错误的数据模型或业务主题，可点上一步进行重新选择；
知识图谱构建成功后会提示显示"操作成功"，并且能在模型管理的列表内查看到新增的模型知识图谱。

2.3 使用说明

2.3.1 前提条件

产品预置了部分数据模型，供用户体验快速问答。如果用自己的数据进行分析，可参见《2.2 数据准备》，上传自己的数据，进行建模及问答体验。

2.3.2 快速使用

2.3.2.1 登录系统

地址：{+}https://aichat.cloud.smartbi.com.cn/aiweb+ 本地或线上登录地址，输入账号\密码，选择默认服务器，进行登录。
登录成功后，用户可通过以下三种方式之一快速开始试用（内置已训练好的模型）。

2.3.2.2 开始对话

• 输入问句

     在"对话区"的"问句输入区"，输入具体问句（问句要求参见：《2.5 问句指南》），点击【发送问句】按钮，获取回答。

• 推荐问句

      点击"对话区"中【推荐问句】，获取AI回答。

      用户提交问句后，AI会将问句转换为数据模型的查询，并返回结果。

• 手动选择数据维度、指标

      点击"数据模型展示区"相关具体维度成员及度量下具体指标后，点击【发送问句】按钮 ，获取回答。

2.3.2.3 图形展示

 图形使用：系统答复数据默认以表格展示，如需以其他图形方式展示，需在问题中明确以何种图形展示，例如下图展示：

支持的图形有：

2.3.2.4 聚合查询（无需预计算）

支持的多种无需预先计算查询种类有：

2.3.3 专家模式

2.3.3.1 登录系统

地址：{+}https://aichat.cloud.smartbi.com.cn/aiweb+ 本地或线上登录地址，输入账号\密码，选择默认服务器，进行登录。

2.3.3.2 新建对话

点击新建对话下拉框，选择专家模式。

2.3.3.3 开始对话

说明：该示例使用的数据模型非预置模型，用自己的数据进行分析，可参见2.2 数据准备。

问句1：大学专业与员工离职率的关系？

问句2：只看京沪粤苏浙闽皖这几个省份的

问句3：按照部门对工作升级容易性进行评价?

2.4 应用场景

说明：数据模型请先选择"经营分析模型-精简版"。

场景1：自然语言对话式查询与交互

请按照以下顺序向AIChat提问，用户可以通过自然语言轻松创建出高质量的图表，并对图表的各种配置项进行设置和调整。AIChat会在多轮对话中保持回复的连贯性、准确性和深入性。

问句1：看一下近3年各个省份的合同金额。

问句2：只看京沪粤苏浙闽皖这几个省份的。
AI会理解上述省份的简称，并用上一个输出结果进一步过滤。

问句3：作图。
AI会自动选择图形类型。

问句4：省份在X轴
可以通过自然语言设置图形的属性。

问句5：只看业绩排名前5的省份。

问句6：添加红色平均线，并标注。

场景2：数据计算能力
体验同比、环比、累计等时间智能计算。

问句1：看一下近3年各个季度的商机个数。

问句2：添加同比

问句3：添加年累计

问句4：作图，柱线双Y联合图，不包含同比字段。

问句5：图例显示在图形上方，顶部，居中

场景3：归因、预测及数据解释

AIChat内置了多种机器学习算法，并且还和Smartbi挖掘平台打通，能够调用挖掘平台的算法，实现复杂深入的分析。

问句1：看一下去年各月份的合同金额、同比，并作图。

问句2：为什么2023年10月份合同金额大幅下降了?

问句3：预测一下未来3个月的合同金额趋势。

场景4：复杂嵌套式查询

在上一步查出的数据基础上，一步步查出更复杂的业务场景，实现嵌套式查询。

问句1：看2022年1月到2023年3月的合同额

问句2：找出合同额连续3个月增长的销售分部

问句3：查找出这几个分部，每个分部在2023年合同额最高的3个销售姓名

2.5问句指南

2.5.1 数据分析查询常用词

在通常的分析场景中，我们会通过各种维度去查询数据，或者通过时间计算查询指标的同环比增长等情况，亦或是希望图表结合的方式呈现数据，下表是我们总结归纳的可满足大部分使用场景的查询常用词，接下来我们将一一为您例举示例。

2.5.2 问句示例

2.5.2.1 实体罗列

首先我们需了解何为"实体"？
实体是信息世界和现实世界中的基本单元，是构建数据模型、进行信息抽取、语义理解和知识表示的基础元素。
实体在不同领域有着不同的含义，但通常来说，实体是指具有独立存在意义且可以相互区别的事物、对象或概念。在计算机科学、人工智能、数据库、知识图谱等领域中，实体常常用来指代现实世界或抽象概念中的具体项目，比如一个人、一个地点、一个组织、一个事件或者是某个具体的数据对象。实体可以作为信息存储、处理和分析的基本单位。
进行实体罗列的时候需要包含维度和指标，否则无结果反馈。以下是罗列合同相关实体，包括合同名称、行业名称、商机类型、合同类型、合同金额

以下是错误示例，罗列的实体中仅包含维度不包含指标，此时是无结果返回的。

2.5.2.2 不同年份的相同月份进行对比

2023年1-9月与2024年1-9月销售额对比

将图形的X轴，统一用月份表示，同一个月份不同年份的柱子放到一起对比

2.5.2.3 指标再聚合

查询各省份的销售额；用柱图显示，显示数值；并加上中位数线，显示标线名字和数值

各省份的销售额、中位数、平均值、最大值、最小值、方差

2.5.2.4 时间智能

广东省2024年上半年各月份销售额 、同期值、同比、前期值、环比 

用双Y图展示，柱图展示销售额 、同期值、前期值；线图展示同比、环比

在本示例中我们可以发现：两个问句是有连贯的，第一个问句的结果是第二个问句的基础，也就是说当我们在向AIChat提问题的时候可以直接基于同一个分析需求进行拓展延伸。

2.5.2.5 条件的逻辑组合

金融行业销售额大于100万并且制造业小于50万的城市 金融行业销售额大于100万或者制造业小于50万的城市

2.5.2.6 TOPN

今年每个区域销售额最高的三个品牌

2.5.2.7 生成计算度量

合同均价等于合同金额除以合同个数；各省份的合同均价，保留两位小数

广州和深圳销售额之和大于50万的行业
增加两列：广州销售额， 深圳销售额

2.5.2.8 生成分组字段

将去年的销售额按行业分组，分组为：300万以上、200万到300万、100万到200万、100万以下，显示个分组销售额以及各分组包含的行业

2.5.2.9 对全部、所有的理解

广州分部在金融行业的销售额；显示所有销售名称，没有销售额的显示0
2022年上半年每月都有销售额的分部，线图显示

Y轴使用对数轴

2.5.2.10 中英文实体模糊匹配

有哪些是采购自助分析的合同，合同金额多少

2.5.2.11 连续增长

销售额连续5个月增长的行业有哪些？ 请列出他们分别是哪几个月出现了连续增长

2.5.2.12 归因分析

看一下2022年各月销售额同比情况，并作图 为什么2022年5月合同金额同比大幅下降
同时，若是想让AI直观的给出结论，我们可以使用【AI数据解释】，让AI全面分析问题后告诉我们造成这个结果的原因以及对此有什么建议。

2.5.2.13 趋势预测

通常，我们在做趋势预测的时候需要有前置条件，即要先查询一个时间范围的结果，然后基于这个时间范围做预测分析，不过这里我们需要注意的是为了确保预测结果的相对准确，尽可能预测的时间不要超过3个月。
示例问句：2021年到2023年各月的销售额并预测未来3个月的销售额。