嵌入式分析成功的六大规则

目录表 引言 3 结论22 简介 《嵌入式分析的新标准》 作为一名产品领导者，您已经知道数据的重要性。您跟踪行为以验证概念、精炼功能和提升用户体验。您已经打造了一个数据驱动的产品。 但其他人也都是如此。 下一个前沿是在决策时刻使那些数据在你的产品中变得可访问和有用。虽然人工智能带来了巨大的机遇，但也带来了新的挑战。用户能否在不离开他们的工作流程的情况下获得他们所需的信息，以及他们能否足够信任这些答案以采取行动？ 如果基于人工智能的分析只是坐在原始数据之上的大型语言模型，那么答案可能不一致，且难以大规模信赖。 正如行业分析师唐纳德·费尔纳所指出的，许多AI附加组件在与定义业务意义的语义层脱节时都会遇到困难。如果您的AI不理解您的定义、指标和关系，它可能生成听起来正确但实际上错误的结果。在面向客户的产品中，信任就是这样消失的。 在您寻找适用的人工智能用例的同时，成熟度差距正在迅速扩大。Gartner研究发现，只有22%的企业报告说生成式AI工具产生了显著的效益，这意味着其余78%的企业在其业务中使用了AI，但却无法指出具体的成果。 嵌入式分析代理提供了实现差异化价值的清晰路径。当洞察力直接存在于您的产品中，用户已经工作的地方，您不是要求他们采用另一个工具或切换到分析模式。您正在升级他们已经依赖的工作流程。 在六条规则中，我们将分享来自产品团队的故事，展示如何在不偏离您的路线图的情况下，提供感觉本土化、赢得信任并带来投资回报的体验。 让我们开始吧。 第1条 数据必须易于理解 您登录BI工具，寻找一个简单的数字。45分钟后，您打开了三个标签页，一个半完成的图表，以及一封发给分析师的消息，开头是“快速问题”，结尾却充满了遗憾。 如果这在内部令人沮丧，那么它将致命地影响你的产品。这种用户体验将“见解”转化为支持工单，让产品构建者从投资核心产品上分心。 可理解性问题 传统的分析工具是为了分析师构建的，目的是为其他人打包完美的仪表盘和报告。用户体验假设用户理解数据模型、筛选器和图表逻辑。 正如WEX首席数字官Karen Stroup所说，客户很少要求“一个AI解决方案”。他们是在要求问题变得更简单。 您的客户不需要这样做。他们只想得到一个可以直接使用而不需要上课学习新语言或提交请求的答案。 产品团队也感受到了冲击范围。产品领导联盟发现，三分之二的组织表示产品分析归产品经理负责，对数据科学工具的投资正在急剧增加——从下一年计划的3.9%增至23.5%——因为团队试图跟上步伐。PM们最终只能做报告筛选，而不是制定产品战略。 立即收听 自然语言可以使演示中的分析看起来更简单，但当系统无法可靠地将收入、活跃客户或客户流失映射到实际业务定义时，它很快就会崩溃。 正如唐纳德·费尔默所说，没有语义层，人工智能容易产生幻觉指标或创造不存在的逻辑。 底线：易懂的分析并非特色，它是使用与流失之间的区别。 《什么是美好》 使答案易于提问，易于信任，易于探索。 将可理解性视为您的产品必须同时完成的三个任务。 说用户的语言。 以客户词汇和心智模型为中心构建模型度量，然后将其映射到底层数据。“预订量与收入”和“用户与账户”是产品需求，而非训练问题。通过精选仪表板和推荐问题来启动体验，让用户有一个起点，而不是一张空白的条形图。 展示你的工作。 在做出决策的瞬间呈现定义——哪些收入包括在内，应用的时效窗口以及起作用的过滤器。能够深入查看底层行并追踪逻辑的用户不需要请分析师验证他们所查看的内容。 保持线索。 第一个问题永远不会是最后一个。用户会问发生了什么，然后为什么，然后该怎么做。在后续的问题中保持上下文，以便用户可以细化而不是重新开始，并呈现建议的下一个问题，以保持探索的连贯性。 贷款市场集团 贷款市场集团，澳大利亚最大的抵押贷款聚合机构，面临一个熟悉的问题：经纪人依赖于定制报告和分析师支持来回答本应自助解决的问题。 借助ThoughtSpot嵌入式技术为他们的旗舰MyCRM分析体验提供动力，Loan Market Group推出了一款以搜索优先的体验，将复杂数据置于平台上的每位经纪人可触及的范围之内。 我们知道，我们已经找到了大幅缩短产品上市时间、使其变得极具粘性和互动性的关键。 高级产品经理 关键教训： 结果： 不到3个月从项目启动到发布 如果用户需要翻译服务，他们不会自行解决问题。他们要么会寻求客服支持，要么就会流失。 14倍预计增长每月活跃用户与数据互动 自然语言仅在基于一致业务意义的语境中发挥作用。 3倍规模，从市场到企业 8,000+平台总用户数 为序列而非一次性查询设计。理解和深入分析实际上发生在上下文和深入挖掘过程中。 从内部使用扩展到面向客户的产品 规则2 想想在智能手表出现之前，你多久会想起自己的步数。以前，如果你想追踪步数，必须佩戴一个独立的设备。现在，人们不断地检查它。 您的产品工作方式相同。如果用户必须离开他们正在做的事情去查找数据，大多数人不会这么做。即使他们尝试过一次，这种工作流程的摩擦也会破坏习惯的养成。采用率保持浅薄，留存率没有变化，而数据分析成为另一个在路线图审查中看似美好但在实际生产中默默无闻消失的功能。 更广泛的市场正在相应地变动。 Gartner预测，到2027年，75%的新分析内容将为智能应用进行情境化，特别是为了在洞察与旨在为其提供信息的决策之间建立更紧密的联系。 这是产品领导者被评判的标准。见解需要出现在决策发生的地方——而不是多一个标签。 《什么是美好》 本土化，本地化，工作场所无处不在 分析应该与您的产品其他部分无法区分——相同的速度、相同的设计、与您的UX已经建立的现实预期一致。 在决策点嵌入，而不是在单独的目的地。 将洞察力置于用户已经选择、批准、路由、优先排序或升级的地方。这包括产品界面、Slack警报、运营队列和人工智能助手——决策真正发生的地方。 构建组件而非iframe墙的原生体验。 用户能感受到自己被丢进别人的产品中。原生嵌入意味着将搜索、可视化和仪表板直接嵌入到您的用户界面中，与您的设计系统相匹配，并保持交互模式一致。加载时间应与您的产品其他部分相匹配——任何低于这个标准都会破坏这种错觉。 使身份和权限不可见（但坚如磐石）。 嵌入必须尊重SSO、权限和租户边界，而不让用户感到任何不便。如果用户对是否被允许查看某物感到不确定，他们就不会相信他们所看到的。 客户故事： WEX WEX，一家服务于35,000多名承包商的B2B支付公司，通过其现场服务管理平台提供报告体验，但自己的团队都拒绝演示。一个iframe标签，五分钟的等待超时，用户带着问题离开。 我们的客户期望远远超过了我们产品的水平。 张华，产品经理，WEX 关键教训： 结果： 报告：加载时间下降从5分钟以上到3秒以下 如果分析是目的地，采用将趋于平稳。如果是工作流程，它就变成了习惯。 30倍更快报告交付 嵌入式分析是用户体验和架构——而非功能：组件、身份、权限、性能。 65% of interactions涉入90天内启用AI功能（Spotter/ AssistIQ） 35,000+承包商随嵌入式见解提供 “无处不在”现在包括助手和代理，而不仅仅是您的用户界面。 用户平均花费每天5小时在平台上 规则3 数据必须是可信的 嵌入式分析中，信任是产品。当用户怀疑答案错误的那一刻，整个体验就会崩塌。 在那个阶段，它加载得多快无关紧要，用户体验有多好，或者嵌入得有多无缝。在人工智能驱动的分析领域，赢得这种信任比看起来要难。 人工智能分析中的信任差距 许多人工智能分析经验仍遵循相同的模式：在数据之上叠加一层对话层，希望模型能找出商业意义。问题是语言模型擅长语言，但在你的定义上不可靠。如果“活跃客户”根据团队、地区或合同条款可以代表三种不同的含义，一个大型语言模型会自信地选择其中之一。在面向客户的产品中，一个自信的错误答案可能会让你失去续订、升级和交易。 行业分析师对这一差距直言不讳。只有24%的受访者对GenAI生成的洞察力完全有信心——这意味着绝大多数人正在使用他们不完全信任的AI分析。用户不会长期容忍这种情况。一旦他们发现一个系统有用但不可靠，该功能就变成了新鲜事物而不是习惯。 Gartner明确指出：“到2028年，60%仅依赖MCP的代理分析项目将因缺乏一致的语义层而失败。” 语义层是区分在生产中经得起考验的AI分析和在演示中给人留下深刻印象的AI分析的关键。它是您业务的规范化表示——哪些指标意味着什么，如何计算，实体之间的关系——为AI提供所需上下文，使其能产生一致、可解释和受控的答案。 《什么是美好》 这里有一个区分良好实施和卓越实施的见解：正确并不等同于被信任。 正确回答问题并不等同于建立对其为正确答案的信心。 在实践中，可信赖的嵌入式分析有四个要求： 在您的业务定义中寻找答案，而不是依赖模型的最佳猜测。 自然语言只有在语义层约束下才能在生产中起作用：你的指标、定义、时间逻辑和关系。 “收入”意味着你定义的含义。“季度”与你的财务日历相匹配。“客户”对应正确的实体。系统不会猜测。 使验证成为一流体验，而非分析师工作流程。 用户应该能够看到答案背后的内容：定义、过滤器、时间窗口和钻取路径到底层细节。如果一个用户看到客户流失数量激增，他们应该能够通过两次点击就查看相关的账户——而不是提交一个请求。 将治理视为产品用户体验，而非后端设置。 行级安全、权限、租户隔离和可审计性一旦嵌入分析就不再是可选项。承包商不应看到另一位承包商的数据。企业客户不应看到竞争对手的指标。当权限自动跟随用户时，信任是隐形的——这正是它应该工作的样子。 设定一个可靠性标准，并不断提升。 在产品发布前定义一组规范问题，并用它们测试你的数据模型。然后随着模型的演变持续测试——你的用户会在你的团队之前注意到偏差，而“标记此问题”按钮的成本远低于信任问题。 客户故事： FrankieOne FrankieOne，一个受250多家银行和金融科技公司信赖的数字身份平台，包括Shopify和Westpac，位于合规性、欺诈检测和监管风险交汇处——错误成本不仅在于失去的时间。 在ThoughtSpot之前，每次深入分析和“为什么这个数字是这个样子？”的问题都要经过数据团队。当利益相关者发现令人担忧的指标时，他们无法快速调查以采取行动。 借助ThoughtSpot嵌入式，FrankieOne将自助式分析直接扩展到客户门户，让客户能够实时查看自己的上线表现，无需分析师支持。 最大的胜利是将其保持在端口中，使其对我们的终端客户可用，而且我们做到了相对快速地实现这一点。 ——范萨娜·费尔恩斯，KYC和数据高级产品经理 关键教训： 结果： 六位数年生产力节约内部 信任是将数据分析变成习惯的关键。没有它，“人工智能驱动”将变成一种支持负担。 每周232小时为高级用户解锁以进行高效数据分析 自然语言本身不是解决方案。语义扎根才是使其可靠的关键。 冲刺级实施具备需花费数月时间才能建立的能力 在受到监管的行业中，可解释性和治理是使自助服务能够大规模部署的关键所在。 “年度数据倡议”——2025年亚洲金融科技奖 卓越的合规科技2025芬妮斯（连续第三次获胜） 规则4 每次开始的方式都一样：顾客问一个简单的问题。支持团队联系产品部门。产品部门联系数据部门。有人导出CSV文件，有人截图图表，等到答案到来时，要么已经太晚，要么已经被质疑。 尺度问题 随着您的产品采用率增加，问题并非线性上升，而是成倍增长。每位客户都希望拥有自己的独特部分。每个利益相关者都想要略有不同的分割。 如果提供个性化需要每次都由您的产品团队进行干预，你会得到以下三种同样的结果： 决策放缓。支持负载上升。分析成为永久的反馈报告。 2026 年的一项针对数据和业务领导者的调查量化了这个问题