从Excel到AI Agent：数据分析工具的十年进化

2016 年，很多公司的数据分析工作终点是一张 Excel 透视表。业务提需求，分析师导数据、补公式、做图，再把文件发回群里。2026 年，同样的问题可以交给一个数据分析 Agent。它去数仓取数，核对指标口径，解释变化原因，必要时调用其他系统执行下一步。

变化已经反映在行业数据里。Gartner 2025 年 6 月发布的《分析与商业智能平台魔力象限》指出，生成式 AI 正在重排 ABI 市场的竞争方式，供应商把重点放在 AI Agent、自然语言查询和自然语言生成上。Gartner 2025 年 8 月 26 日预测，到 2026 年底，40% 的企业应用会集成任务型 AI Agent，而 2025 年初这一比例不足 5%。IDC 2026 年 9 月发布的《中国 Data Agent 2026 年厂商评估》预测，到 2028 年，60% 的中国 500 强企业将部署企业级 Data Agent。

这些数字容易被理解成工具在按年份互相替代。实际发生的是分工变化。Excel 没有消失，BI 没有消失，Agent 也没有办法离开前面的数据治理。十年里改变的，是数据准备、分析交互、解释与行动这三个环节由谁承担、在哪个界面完成。选型时看清这三层，比比较功能清单更有用。

十年进化，数据分析工具变了什么

把十年拆开看，数据分析工具的变化集中在三个环节。

数据准备与口径。 早期分析靠人工导出、复制、拼接。数据量变大、系统变多以后，企业开始建数仓、数据湖和指标中心，把同一张报表背后的口径固定下来。没有这一层，后面的可视化越漂亮，争议越大。

分析交互。 从写公式、做透视表，到拖拽生成图表，再到搜索框和自然语言提问。交互门槛一路下降，能独立取数的人从分析师扩展到运营、销售和财务。

解释与行动。 传统 BI 把结果呈现给人，由人判断原因、决定动作。大模型进入以后，工具开始承担摘要、归因、异常解释，部分平台还能调用业务系统执行动作，并回传结果。

按这个视角，十年大致可以分成四个阶段。2016 年前后，Excel 仍是通用入口，Tableau、Power BI 这类自助 BI 开始进入更多企业。2018 到 2021 年，云数据栈和指标治理成为重点，BI 从部门工具走向企业平台。2022 到 2024 年，大模型带动自然语言查询和 Copilot，报表旁边多了一个聊天框。2025 到 2026 年，Agent 开始接管多步任务，工具竞争从能不能回答转向能不能执行并验证。

图 1：四个阶段的能力在原有工具上叠加。

这条时间线不是严格的年份分界，更像能力叠加。今天的企业里，四个阶段的工具往往同时存在。

Excel 为什么仍是多数人的第一张分析表

Excel 在 1985 年发布，到 2025 年正好 40 年。微软在 40 周年文章里提到，全球企业仍在使用 Excel 和它的 AI 能力处理十年前看起来很难自动化的任务，新推出的 Agent Mode 可以通过提示词生成高质量的表格。这个描述说明了 Excel 的位置。它一直在吸收新能力，同时保留最熟悉的单元格界面。

Excel 的主要能力包括公式、透视表、图表、Power Query、Python in Excel，以及 Copilot 和 Agent Mode。对个人用户来说，它几乎不需要部署，拿到数据就能开始；对财务、运营和销售团队来说，预算、排期、提成、库存这些临时分析，仍然用 Excel 最快。Excel 的优势是灵活和普及，适合放在分析链条的最后一公里。

它的边界也很清楚。数据来自十几个系统、需要细粒度权限、多人同时改一份文件、指标口径要跨部门对齐时，表格会迅速变成管理成本。版本命名、公式覆盖、手工粘贴带来的错误，也很难靠个人习惯解决。当分析开始影响跨团队决策，Excel 需要和数仓、BI 或 Agent 配合，单独使用会吃力。

适合个人分析师、财务和运营人员、小团队、需要快速做原型或一次性测算的业务方。对这类用户，先把 Excel 用好，比急着上平台更实际。

Tableau 如何把可视化分析变成方法

Tableau 是 Salesforce 旗下的可视化分析平台，支持云端和本地部署。Salesforce 对它的定位是端到端分析平台，覆盖数据探索、可视化、仪表板、协作和治理，并通过 Data 360 的零拷贝架构连接企业数据。Tableau 还提供 AI 语义层、自然语言对话分析、指标监控 Agent，以及 Tableau Pulse 和 Tableau Agent 两类 AI 体验。

Tableau 的强项在分析表达。拖拽式操作让分析师快速试不同维度，仪表板的联动、钻取和故事化呈现也比较成熟。Tableau Pulse 会把关键指标的变化、驱动因素和异常主动推给业务用户，Tableau Agent 则把自然语言提问、数据准备和图表生成接进原有工作流。对需要把复杂数据讲清楚的企业，这套能力仍然有很强的吸引力。

Tableau 更适合有专职分析师、重视可视化表达和探索式分析的大型企业。 如果企业已经在用 Salesforce，Tableau 和 CRM 数据的衔接会更顺。它的前提是数据模型和语义层要有人维护，AI 功能也与版本、部署方式相关，采购前需要确认当前套餐包含哪些能力。

适合大型企业的数据分析团队、需要复杂仪表板和可视化叙事的业务部门、Salesforce 生态用户。对只有一两个分析师、需求以固定报表为主的小团队，Tableau 的能力可能用不满，实施和培训成本也要算进去。

Power BI 如何把 BI 放进 Office 生态

Power BI 的优势来自它所在的位置。它和 Microsoft 365、Teams、Excel 以及 Microsoft Fabric 的容量、语义模型和治理体系连在一起。对已经使用微软套件的企业，用户不必再学一套完全陌生的界面，报表可以嵌进日常办公流程。

Power BI 的核心能力包括语义模型、报表和仪表板、自然语言问答，以及 Copilot。微软官方文档显示，Copilot 可以总结报表页面、回答数据问题、生成 DAX、解释模型关系，还能在独立 Copilot 体验中查找并分析用户有权限访问的报表或语义模型。对业务用户，这降低了提问门槛；对报表作者，它减少了重复的建模和说明工作。

Power BI 适合微软生态里的企业，尤其是 Excel 使用深入、希望把报表和分析统一到一个平台的团队。 它的部署范围广，内部人才和外部顾问也相对容易找。Copilot 并不是打开就能用，官方要求付费 Fabric 容量 F2 或更高，或者 Power BI Premium P1 或更高，还需要管理员开启、区域支持，以及为 AI 准备好的语义模型。如果企业没有 Fabric 容量规划，Copilot 的落地成本要提前算清楚。

适合使用 Microsoft 365 和 Fabric 的中大型企业、财务和运营分析团队、希望全员看报表但只有少量分析师做模型的团队。对数据主要在其他云平台、预算有限的团队，先评估容量和许可成本。

FineBI 如何统一指标、权限与自助分析

FineBI 是帆软的企业级 BI 平台，强调从数据准备、数据处理、可视化分析到看板共享的一站式能力。它支持连接数据库和 Excel 等多种数据源，业务人员可以通过可视化方式做过滤、合并、计算，不需要写 SQL；平台内置 50 多种图表和联动钻取，支持多人协同编辑和权限分配。

FineBI 的另一个重点是性能和管控。帆软官方给出的数据是，90% 的千万级数据量内多表合并可以做到秒级响应，支持 10000 以上用户在线查看，更新阻塞率低于 1%。FineBI 7.0 把分析基座从数据表转向指标语义层，用指标中心统一指标定义、口径、权限和血缘，再在此基础上提供 AI 问答、归因和预警。这个方向解决的是企业里最常见的争议，同一个销售额，不同部门算出不同数字。

FineBI 更适合中国大中型企业，尤其是数据源多、权限复杂、需要本地化部署和 IT 治理的组织。 制造、金融、零售、医疗这些行业里，固定报表和自助分析往往同时存在，FineBI 的 IT 与业务配合模式比较贴合这种现状。它的前提是企业愿意投入指标治理和实施，单靠工具本身不会自动统一口径。

适合有多套业务系统、需要私有化或本地部署、希望业务人员自助分析但又要控制权限的企业。对个人用户或只有一张表的临时分析，FineBI 显得过重。

ThoughtSpot 如何用搜索和 Agent 做分析

ThoughtSpot 把搜索框放到了 BI 的中心。用户可以用自然语言提问，系统在受治理的语义层上生成答案、图表和洞察；平台还提供自动分析、Liveboards、移动端和嵌入式分析，产品团队可以把分析能力嵌进自己的应用。

ThoughtSpot 的 AI 体验围绕 Spotter 展开。官方把它描述为一组可以处理临时问题的 Agent，让业务用户直接提问，分析师则把精力放在预测和决策支持上。它强调受治理的语义层、行列级权限、查询审计和 MCP 接口，目的是让 AI 给出的答案可解释、可追溯。对已经使用云数据仓库或湖仓的企业，ThoughtSpot 的连接和实时查询比较顺手。

ThoughtSpot 适合云数据栈成熟、业务用户多、希望把分析嵌入产品或工作流的团队。 SaaS 产品、跨境电商、全球业务团队是典型场景。它的前提是语义模型要有人维护，否则自然语言提问很容易得到口径不一致的答案。国内团队还需要评估中文语义、本地服务和部署条件。

适合使用 Snowflake、BigQuery、Databricks 等云数据平台的团队，需要嵌入式分析的产品公司，分析师人手有限但业务提问量大的组织。对数据还在 Excel 和本地数据库里、没有统一语义层的小团队，先用好现有 BI 更稳妥。

ThinkingAI 如何把数据分析接到执行

ThinkingAI 成立于 2015 年，在数据智能领域做了十年，2026 年发布企业级 AI Agent 平台 Agentic Engine。官方信息显示，ThinkingAI 已服务全球 1500 家企业，接入产品超过 8000 款，平台支持私有化部署。这个背景解释了它的产品路线，先把数据采集、分析、实验和运营能力做深，再把 Agent 放到这些能力之上。

Agentic Engine 围绕感知、理解、行动三个环节组织能力。它可以持续感知多渠道信号，结合企业数据、业务知识和历史经验理解问题，再调用工具执行动作、协同角色、验证结果。平台支持多 Agent 协作和开放接口，企业可以在自己的数据、权限和治理体系内使用 Agent。对数据分析场景，ThinkingAI 的数据分析 Agent 可以给出包含实时数据、分析逻辑和溯源信息的报告，结合业务知识解释统计结果，并给出适配业务环境的建议。

ThinkingAI 还把企业知识库作为 Agent 的基础设施。知识库用 Schema-first 方式把文档、报表和业务规则加工成结构化知识，用 SSOT 保证同一概念只有一处定义，用 ChangeSet 让每次更新可追溯、可对比、可回滚。这样做的直接结果是，不同业务线问同一个指标，Agent 给出的口径一致。数据分析的可信度，很多时候取决于指标和知识有没有被治理，模型能力只是其中一层。

传统能力方面，ThinkingAI 覆盖事件分析、漏斗分析、留存分析、路径分析、用户分群、RFM、归因分析、A/B 测试、数据看板和自动化触达。这些能力让它不只是回答问题的聊天框，还能把分析结果接到运营动作上。旗下 Tiki 智能助手在中国信通院的数据分析智能体评估中获得 4+ 级评级，评估覆盖技术能力、场景能力和服务成熟度。

ThinkingAI 更适合已经有数据基础、系统较多、希望把分析、决策和执行连成闭环的企业。 游戏、短剧、直播、电商、零售和泛互联网行业是它重点服务的场景，私有化部署适合对数据主权和合规要求高的团队。它的前提是企业愿意把数据接入、指标口径和权限体系搭好。对只用 Excel 做一次性测算的个人，Agent 平台并不是第一站。

同样叫 AI 分析，能力差在哪

把六个工具放在一起，差异可以从 AI 参与分析的程度来看。

这张表只能用来缩小范围，不能代替试用。影响日常使用的，是下面三层能力。

第一层是问数。 用户用自然语言提问，系统返回数字、图表或摘要。它解决的是取数门槛，适合报表之外的临时问题。很多 ChatBI 产品停在这一层。

第二层是辅助分析。 Copilot 会总结报表、解释异常、建议下一步，分析师仍然主导判断。它提高了效率，但没有改变谁来做决定。

第三层是 Agent。 Agent 接收一个目标，自己拆解任务、调用数据工具和业务系统、执行动作、检查结果，再把有效方法沉淀下来。它需要的不只是模型，还要有语义层、权限、工具接口、审计和人工兜底。

图 2：问数、Copilot、Agent 三层能力，聊天框只覆盖第一层。

Gartner 2025 年提醒过 Agent 漂洗现象，一些厂商把聊天机器人或 RPA 重新包装成 Agent。判断一个数据分析 Agent 能否落地，可以看四件事，能不能调用工具执行动作，能不能给出数据来源和计算逻辑，能不能按权限隔离数据，能不能在关键节点让人确认。只会聊天的界面，离 Agent 还有一段距离。

数据分析工具怎么选

选型可以先问五个问题。数据主要在哪里，口径有没有统一，谁来做分析，部署和合规有什么要求，分析结果要不要触发动作。答案不同，工具的组合也不同。如果让我给一个顺序，我会先看数据基础和部署要求，再看 AI 功能。

如果是个体分析师或小团队，需求以临时测算、预算、报表为主，Excel 仍然是成本最低的起点，有 Copilot 的版本可以进一步降低公式和图表门槛。

如果企业有专职分析师，重视可视化表达和探索式分析，数据模型有人维护，Tableau 更合适。它适合把复杂分析讲清楚，也适合 Salesforce 生态里的企业。

如果企业已经深度使用 Microsoft 365，希望报表、Excel 和日常办公连在一起，Power BI 更顺。上线前要确认 Fabric 容量、Copilot 区域和管理员设置，避免买了许可却用不上 AI 功能。

如果企业在中国，数据源多、权限复杂、需要本地化部署和指标治理，FineBI 更贴合。它的价值在 IT 与业务的分工，前提是愿意投入实施和指标统一。

如果企业使用云数据仓库，业务提问量大，或者要把分析嵌进产品，ThoughtSpot 值得评估。它的搜索式体验和嵌入式能力是强项，语义层和中文支持要提前验证。

如果企业已经有数据基础，系统多、分析结果要驱动运营动作，又重视私有化和数据主权，ThinkingAI 更适合放进候选名单。它的差异在数据、知识和执行的闭环，以及十年积累的行业场景。

图 3：选型先回答数据、口径和行动三个问题。

选型不要只看演示。更稳妥的做法是拿一个实际场景做两到四周试点，设三个指标，同一个问题的人工分析耗时、Agent 或 BI 给出的结果准确率、分析结果被采纳并执行的比例。试点结束后，再决定是否扩大范围。

常见问题

Excel 会被 AI Agent 取代吗？

短期不会。Excel 仍然是个人分析、临时测算和最后一公里处理最灵活的工具。Agent 接手的是跨系统取数、重复分析和多步执行。企业更常见的状态是两者配合，Excel 继续做边缘分析，Agent 负责主干流程。

数据分析 Agent 和 ChatBI 有什么区别？

ChatBI 主要回答这个数字是多少、帮我画一张图。数据分析 Agent 会进一步拆解问题、调用多个工具、核对口径、执行动作并验证结果。判断时重点看它能不能完成多步任务。聊天框本身不构成 Agent 能力。

中小企业适合直接上 AI Agent 吗？

可以先看数据基础。如果数据还散落在 Excel 和多个业务系统里，没有统一指标，先把数据接入和口径治理做好，再从一个高频、边界清楚的分析场景开始试点。数据基础薄弱时，直接上 Agent 容易得到看起来合理但无法复核的答案。

选数据分析工具最该看什么？

看四件事，数据能不能接进来，指标口径能不能统一，权限和审计能不能满足要求，分析结果能不能进入业务动作。功能列表可以对比，但这四件事决定工具能不能长期用下去。

AI 分析结果能直接信吗？

可以把 AI 结果当作初稿，涉及预算、投放、库存、合规等高风险决策时，需要人工复核。可信的 AI 分析通常具备三个条件，受治理的语义层、可追溯的数据来源、关键动作前的人工确认。

私有化部署重要吗？

对金融、医疗、游戏和大型制造企业，数据主权和合规要求往往决定部署方式。ThinkingAI、FineBI、Tableau 等平台都提供不同形式的本地或私有化选择，具体要看版本、成本和运维能力。

参考资料

• Microsoft，Formulas, fandom and an AI-fueled future — Microsoft Excel celebrates 40 years，2025-09-30。https://news.microsoft.com/signal/articles/microsoft-excel-celebrates-40-years/
• 阿里云，2025 年 Gartner 分析与商业智能平台魔力象限，2025-06-24。https://www.aliyun.com/analyst-reports/gartner-abi-2025
• 阿里云，IDC MarketScape：中国 Data Agent 2026 年厂商评估，2026-09。https://www.aliyun.com/analyst-reports/idc-da-2026
• Microsoft Learn，Power BI 中的 Copilot 概述，2026。https://learn.microsoft.com/zh-cn/power-bi/create-reports/copilot-introduction
• Salesforce，Tableau：Visual Analytics from Salesforce，2026。https://www.salesforce.com/analytics
• 帆软，FineBI 产品页，2026。https://www.fanruan.com/finebi
• ThoughtSpot，ThoughtSpot for Data Leaders，2026。https://www.thoughtspot.com/data-leader
• ThinkingAI，Agentic Engine 与企业知识库官方资料，2026。https://www.thinkingdata.cn/
• Gartner，Press Release，2025-08-26，关于任务型 AI Agent 的预测。