数据都在表里，换一个角度看就要有人写 SQL、改报表、重搭一版仪表盘。等这一轮做完，那个决策往往已经过去了。
DataMind 去掉中间这段：提问之后自行取数、择图，给出带数字的结论。
企业数据分析助手 · 认知智能
当业务方要看一个角度，须提需求、排期、等分析人员有空。等到结果时，那个决策往往已经做完。
固定 BI 仪表盘只回答搭建时设想的那几个模式。对数据显示的需求变化了，就要回去改数据模型与报表。
表头在第二行、一格两个值、说明与数据混排。工具识别不了，只能先由人手工整理一遍。
三者的共同点：每提一次问题，都要先有人动手。
取名 mind 而非 copilot：问题由它自行分解、图形由它自行选择，不需要人陪着一步步点。
csv 或 excel 拖入页面。上传后即显示行数、列数、每列的含义与前 50 行。原文件始终保留，可随时下载取回，格式与公式不变。
不必写公式，也不必选维度。数据心智会智能地把需求分解为若干步：取数、计算、绘图，中途发现路径不成立会自行回退。
换图形、改口径、只看其中一段，继续说明即可。收藏的图下次打开呈现新的，当天的数据。
应用内附两份公开样例，手边没有数据也能先看它如何工作。
图与图旁的结论均由这份公开样例现算得出，演示时提出同样的问题，得到的是同一批数据。
表头在第几行、说明列、一格装多值、单位写进格子、区间值、数值列里混了文本、一张表两种粒度、空列和稀疏列。每条给出证据、修改方式、影响行数与把握程度。
诊断结果交由人确认，勾选哪几条就只改哪几条，原表保留，结果存疑时可回查原样。自动猜错一列比不猜更糟。
表内的说明文字回配到对应字段，存为字段字典。写 SQL 之前模型必定读到，同一指标由谁提问都按同一算法计算。
一个工作簿上传后是九张表。系统按实测的取值重合度提出哪一列对应哪一列，经人确认后才用于跨表分析。
柱状、折线、面积、环形、散点、热力、直方、小倍数。系列过多时自动改为一组小图，参考线与正常区间可以画出。
相关、拟合、因素重要度、趋势预测、异常点、分组比较、季节分解、聚类。差异是否成立，如实说明。
训练一个预测模型并保存，之后新数据直接套用，不必每次从头计算。
OR、生存曲线、Cox、ROC、前后测配对、一致性、样本量。区间与 p 值如实写在页面上。
另有仪表盘、直接给数字、记录发现、无法推进时反问等若干。被问到「你能做什么」时，它按门类逐项说明。
错报一次，使用者就不再信任整套结果。宁可说不能计算。
全项目没有 exec / eval / subprocess。模型的产出只有两样：SQL 与图表规格，两样都在应用层再校验一遍。
白名单拦截，只放行 SELECT 一类，drop / delete 一律拒绝。建表与导出由应用层完成，不经模型。
登录后各人只看得到自己上传的数据，公开样例所有人可见。表一级的白名单设在取数层，模型无法绕过。
整个目录连同数据一并部署，不依赖外部服务。另有 Windows 桌面版，见下一页。
excel 保存是先写临时文件再改名，刚改动过的文件这一轮不碰，留到下一轮再传。
安装时输入一次，随即换成票据保存，14 天到期后重新登录一次。同一台机器上两个人各自同步各自的目录。
同一文件两侧都改过时，没有依据判断以哪一侧为准，判断错误即覆盖掉当天的工作。因此取回由人逐项确认。
两者并不冲突：固定指标继续看现成的仪表盘，问题超出预设时到这里提问。
无需排期与等待。会议当中改一个口径重新看一版，只需数十秒。
常规取数与出图交给它，人去做真正需要判断的部分。
字段口径与公司自己的规则存在系统内，由谁提问都按同一套算法，不随人变动。
适用场景：销售、库存、客服、门店运营一类每周关注角度不同的数据；医生与研究人员的随访数据分析同样适用。
上传一份自己的数据，十分钟即可判断它是否有用。
DataMind 数据心智 · 认知智能