当数据无法用业务语言表达时，它的价值何在？

在当今的 Agentic 时代，要实现精准决策并兑现 AI 承诺，保持数据的一致性、可信度及业务关联性比以往任何时候都更为关键。

然而，由于缺乏业务上下文支撑，且每个报表、仪表板和 AI 分析场景都需要重新定义数据指标，众多企业正面临着数据可信度不足与一致性缺失的困境。

Gartner® 在近日发布的《缺乏 AI 就绪数据将置 AI 项目于险境》中预测：到 2026 年，企业将放弃 60% 未获得 AI 就绪数据支撑的 AI 项目。

通过将业务知识深度注入数据，Tableau Semantics（语义层）可帮助企业创建具有一致性与复用性的数字资产，将其转化为唯一可信的事实来源，从而充分释放数据潜能。

Tableau 语义层是什么？

作为一款深度融合 AI 和数据的语义解决方案，Tableau Semantics（语义层）与 Tableau Next 及 Data Cloud（数据云）深度集成，可将企业数据转化为业务语言。

凭借直观的用户界面、内置 AI 智能辅助及 AI Agent 增强功能，Tableau Semantics 将业务知识注入数据资产，从而助力企业生成更精准的响应与相关洞察。如此，就能为人类员工与数字员工提供更丰富、可靠且更具实用价值的 AI 应用体验，从而确保在整个企业内获取一致且深入的洞察。

Tableau Semantics 旨在为企业在 Tableau Next、Cloud 及 Server 平台、Agentforce 等系统中提供统一、可靠且可信的数据源。未来，Tableau 计划将其扩展至与 CRM Analytics 工具及第三方语义层进行连接，让企业能够充分利用现有的数据建模成果。

架构示意图

上图展示了 Tableau 语义层与处于顶部消费层的 BI 和 AI 工具之间的关系；其下是包含语义层的 Data Cloud（中间）以及数据连接层（底部），且所有层都建立在 Salesforce 平台（基础层）之上。

可以看到，Tableau 语义层在其中提供了统一的视图，将复杂数据翻译成熟悉的业务术语，并确保单一可信的数据来源。

Tableau 语义层的核心价值

Tableau Semantics 致力于通过构建统一可信源，提供具备一致性、整合性且富含业务价值的数据与元数据，从而帮助企业弥合原始数据与有效洞察之间的差距。

这有助于企业充分释放数据潜力，突破数据管理与分析中的常见瓶颈：

• 数据孤岛困境：人员和 AI Agent 需整合 CRM、ERP、BI 工具等多源数据才能获取有效洞察，如果数据割裂，将导致全局视角缺失。

• 预处理瓶颈：即使获取了数据，也并非能直接用于分析。数据需要被处理，通常包括添加业务定义等上下文，并定义与其他数据的关联关系。

• 信任危机：很多时候，人们并不信任所获得的数据。不同团队对 ROI 或活跃用户等指标的定义或计算方式各不相同，或在不同仪表板之间存在不一致，进而导致结果不一致，最终产生不信任。

• 重复劳动：冗余的分析会造成时间浪费和效率低下，业务定义难以统一。

• AI 效能折损：数据质量差且业务上下文缺失，从而导致生成式 AI 应用的准确度下降。

通过标准化数据模型实现业务智能工具的统一，Tableau Semantics 将全面提升跨分析场景与应用的数据完整性与治理水平，最终使得数据更易获取、更统一、更具行动指导性。

作为专为自主型 AI 设计的解决方案，Tableau Semantics 将业务知识注入统一数据资产，为 Agentforce 提供更纯净的数据基础，有力支撑 AI Agent 应用。除此之外，通过为数据与元数据注入深度业务上下文，显著提升检索增强生成（RAG）的质量、可靠性和效率。

这样一来， AI Agent 就能基于对业务的理解，提供更准确、更贴合实际需求的回答。

Tableau Next 语义层界面

上图展示了在构建语义模型时 AI 推荐的数据对象关联关系。你可以借助 AI 功能（如关系推荐）降低人工工作量，快速从数据中获取精准相关洞察。

》Tableau Semantics 语义层的主要优势：

01. 提高数据可信度：通过对数据访问和定义进行标准化，Tableau 语义层确保团队达成一致，让人和 Agent 都能在各个仪表板和应用中使用一致且可靠的数据，从而提升整个企业的准确性。

02. 简化数据访问：Tableau 语义层为所有用户提供了通用语言，为数据和元数据注入业务信息，无需具备数据库或查询语言的技术背景。

03. 支持可治理的自助式分析：通过可组合的模型和度量值，Tableau 语义层让团队只需定义一次模型和指标，便可在各处复用，促进协作并减少重复的分析工作。

04. 加速模型创建：内置 AI 功能帮助用户使用自然语言创建计算字段和指标，并通过 AI 生成的数据对象关系建议来简化操作。

05. 提升 AI Agent 的准确性：为 AI Agent 注入可信的业务上下文，能够让 Agent 基于得到治理的数据提供精准回答和相关洞察。

06. 促进 AI Agent 的持续优化：语义学习使 Agent 能够通过实时问答不断扩展知识，同时将业务偏好和现有知识整合进集中式存储库，以实现无缝管理。

Tableau 语义层的工作原理

Tableau Semantics 的核心由“语义数据模型”与“语义查询生成器”构成：

• 语义数据模型：作为业务术语的载体，语义数据模型通过实体定义实现业务概念的标准化。例如“营收”指标的定义包含数据来源、关联关系、连接类型及计算公式。通过添加语义元数据（如将数字字段标记为货币类型），系统可在运行时通过语义查询生成器进行动态转换。

• 语义查询生成器：作为 Tableau 语义层的核心引擎，这项服务可从应用、仪表板、小部件或 API 等终端中获取业务问题，并基于语义定义将其转换为标准的 SQL 查询语句，从而确保查询与“营收（revenue）”、“上个季度（last quarter）”或“按地区（by region）”等业务术语的特定含义保持一致。

Tableau Next 语义模型构建界面

上图展示了“联邦语义模型”支持即席分析的多元数据源接入能力。通过标准化定义连接新数据源，可组合模型在保障治理的前提下实现灵活复用。

》Tableau Semantics 语义层的关键功能

01. 指标存储库：将整个企业的所有指标集中到单一可信来源，以简化管理与治理流程。你可以为指标设定目标并据此触发相应操作，还能通过生成式 AI 获取关于去重、清理和维持指标质量的见解。

02. 可组合模型：通过语义模型这一“积木组件”，让数据专家与分析师发挥更大自主权。这样一来，数据管理员可持续维护单一可信来源，而数据分析师则能在此基础上自助扩展，创建自己的联邦语义模型版本。与只关注结构化和存储原始数据的传统数据模型不同，语义模型会融入业务背景，以更直观的方式定义指标和关系。

03. AI 数据建模能力：Tableau 语义层内置了 AI 功能，可自动为数据对象关系提供建议，并利用自然语言创建计算字段和指标。

04. 语义学习（即将推出）：弥合业务逻辑和术语之间的认知差距，确保 AI Agent 能随着时间的变化不断提供更准确、更贴合业务需求的答案。

05. 生态系统集成（即将推出）：无需迁移现有模型，即可将 Tableau 发布的数据源无缝集成到 Tableau 语义层中。你也可将 Tableau 语义层用作 Tableau 数据源，以轻松探索和可视化 Salesforce 数据。

Tableau Next 管理界面

上图展示了由 Tableau 语义层集中管理的所有指标的视图。用户可以轻松管理并治理所有组织范围内的指标，包括统一目标和操作。

👉 如需了解语义建模与数据建模功能在 Tableau Desktop、Server 和 Cloud 中的不同，请访问这个网址。

快速入门 Tableau 语义层

通过简化数据访问、保障一致性及促进协作，Tableau Semantics 让企业中的每位员工与 AI Agent 都能轻松获取数据驱动的业务洞察。

👉 想要使用 Tableau Next 中的 Tableau Semantics 功能，请通过 Tableau+ 高级套件订阅服务。

这款套件包含了 Tableau AI 最新功能（如 Tableau Next、Pulse 指标洞察增强功能 和 Tableau Agent 对话式 AI 助理）、企业数据治理组件和高级的客户支持服务。

👉 如果你对 Tableau AI 感兴趣，也可观看 Webinar 视频回放！你将全面了解 Tableau Cloud，并感受 Tableau AI 如何助力企业智能分析与洞察，从而推动数据民主化发展。