许多企业带着“数据民主化”的愿景启动分析 Agent 项目，希望人人都能自然语言问数，希望降低数据开发的工作量和业务等待时间。
这个愿望具象化的标准通常是：要能问数、归因、出报告，回答要准，速度要快。
但一路进入厂商交流、体验甚至 PoC 后，项目大多不了了之。
这个情况其实困惑我们挺久的，一度怀疑是不是技术还不够成熟。但渐渐地终于发现了这种项目的一个共性：它们在调研和选型之前都跳过了一个更前置的问题——
企业准备把数据分析 Agent 放进哪个业务场景？
没有具体场景就没有明确需求，更无法设定 PoC 的验证目标。如果只是用一组抽象的功能去测试一个未定义的业务问题，项目注定容易失败。
01
认知校准——
“看数据”不等于“做分析”
要找到合适的场景，首先必须厘清两类数据工作的边界：
看数据（交由 BI 和指标平台）： 查看固定 KPI、常规趋势以及既定筛选条件下的结果读取，现有工具已能稳定服务。
做分析（交给分析 Agent）： 比如一场活动后销售不及预期，业务需要知道是新客还是老客流失？券门槛有无影响？哪个渠道质量差？下一次该如何调整策略？ 这类问题需要结合标准指标、业务明细、历史复盘等分散信息，涉及临时口径取数，并经过连续追问、组织证据，最终形成可用于会议和决策的材料。
这类工作高频发生，业务人员很难自助完成，也不可能拥有无限的分析师资源，才是 Agent 最该发挥价值的阵地。
02
价值标尺——
适合 Agentic 化的四大特征
企业引入 Agent 要投入资金、数据接入、权限配置、口径校准和培训推广等综合成本。一个场景若只提供“新鲜的问答体验”，不改变实际业务节奏，将无法支撑持续投入。真正值得投入的场景应具备以下四个特征：
1、触发连续追问：问题不会停留在“降了多少”，而是会沿着区域、渠道、人群等维度层层展开，形成一段完整的分析过程，让 Agent 展现超越“看报表”的价值。
2、数据与上下文分散：真实分析往往需要跨越标准指标、业务明细、临时 Excel 文件、历史经验等多个信息源。现有 BI 应对这类临时组合的成本极高，而这正是 Agent 的强项。
3、结论直接影响业务动作（核心）：这一点最重要，但往往没有被意识到。值得投入的场景，结果会进入复盘会、任务清单、补货计划、投放调整、销售跟进、人员排班、资源分配或管理节奏，分析的结果会影响动作，会有人负责。如果只是“人人能问”，但答案不会导致任何结果，企业不会为此持续投入。因此，立项前必须追问：这个场景有没有明确的 Owner？谁来裁定争议口径？谁判断结论可用？谁负责执行后续动作？
4、分析方法可跨组织复用： 跑通一套优质的分析逻辑（如某次活动复盘）后，能够无缝复制到其他门店、区域或下个月的业务中，实现经验资产的规模化复用，从而显著放大产品的组织价值。
03
落地节奏——
场景切入的“三步走”策略
不同场景的价值、风险和组织准备度各不相同。选对第一落脚点，PoC 就成功了一半：
第一批（首选落地）
高频、权责清晰、风险可控。例如：活动复盘、门店/区域复盘、部门周月复盘。虽然单点看起来不够惊艳，但验证机会密集，且跑通后极易复制扩大。第二批（逐步扩展）
依赖深层数据与治理。例如：异常归因、目标差距解释、跨区域对比、客户/会员分群复盘。这类场景能体现连续分析能力，但对明细数据和口径治理要求较高。第三批（谨慎后置）
高价值但高敏感、低容错。例如：高管追问、跨部门口径争议、经营预测、资源配置建议。必须在确立了极强的可信机制和数据边界后，再让 Agent 介入。避坑指南（现阶段不适合）
固定 BI 看板、纯单点取数、以及超出现有数据边界的“愿望式需求”（无数据接入、口径没有责任人、无权限管控的项目必然失败）。
04
极简评估——
8 个问题框定首发阵容
在实操选型时，可以通过以下两组问题进行内部快速自查：
Q1
第一组：评估该场景“值不值得”做？（看分析本身）
1、业务人员靠现有 BI 或报表是否难以自助完成？
2、是否需要解释、归因、连续追问并形成交付物？
3、依赖的数据和上下文是否分散在多个来源？
4、结论是否会明确进入会议、任务清单或经营动作中？
Q2
第二组：评估该场景“适不适合”先做？（看组织就绪度）
1、是否有明确的业务 Owner 来判断结果是否可用？
2、底层数据是否基本可用，关键口径是否有专人裁定？
3、分析结论出炉后，业务端是否还有干预和调整的窗口？
4、验证成功后，这套方法能否快速复制到其他团队、门店或周期？
也可参考下图，更直观：
当一个场景同时具备分析复杂度、业务动作、数据基础和复制空间，它就具备了被验证的条件。
但选对场景只是起点。下一步，企业还需要明确如何定义问题、划定数据边界、设计验收标准。这些问题会决定 PoC 最后是在验证一段真实分析工作，还是又回到功能演示。
