阿里-产品体验日记（一）丨quickBI融合LLM的智能小Q

Collect

Collect

Collect

Collect

Collect

Collect

• 新增图表：

  拖拉拽形式新增图表

Collect

设计亮点：

通过使用Tooltip组件即时展示图表使用方法，提供实时反馈和指导，显著降低了学习曲线，提高了用户操作效率和满意度。同时，即时功能说明帮助用户随时获取帮助，减少了理解困难和错误操作，提升了软件的可用性。

设计缺点：

智能小Q在浏览器兼容性差、界面稳定性不足、以及功能反馈缺失方面存在问题，导致信息获取失败、和操作确认不清，页面闪烁现象出现，影响视觉连续性。

• 新增图表：

  智能创建入

Collect

设计亮点：

多快捷键的存在减少了用户的认知负荷，用户不必记住唯一的操作路径，可以根据视觉提示和当前任务快速找到合适的入口。通过提供多个明显且易于识别的操作入口，提升了用户体验的一致性和便捷性。

• 指令唤起

  ：交互理念

Collect

设计亮点：

“盒子展开”理念的交互设计，通过点击放大特定区域并自动展开详细内容和推荐指令，引导用户集中注意力，减少界面干扰。此设计优点在于即时信息获取、降低认知负担，并通过动态展开的动画效果增强互动性和视觉吸引力，为用户提供直观且流畅的使用体验。

• 仪表板：

  建议创建指令-业务类型区分

Collect

设计亮点：

按照业务场景分类为创建图表和生成报表，进行用户快速进入工作流，使用标签视觉颜色区分重点信息，让用户可以高效选择指令时候。

• 数据集AI学习指令推荐

Collect

设计亮点：

智能小Q采用

自动化数据学习与智能推荐

设计，用户选择数据集后自动解析字段并生成可换一换的推荐问题。这种设计简化操作、减少认知负担，提供

引导式分析路径

，帮助用户快速探索数据。同时支持个性化输入，提供高自主性和定制化体验，兼顾便捷性、引导性和灵活性。

• 仪表板：

  数据集选择、指令建议、指令回显。

Collect

设计亮点：

○ 数据集：智能分类与常用推荐：无智能分类与常用推荐，提示将数据集分为“最近常用”和“类型文件夹”，便于加快数据集选择，减少查找时间，提高操作效率。

○ AI驱动的指令建议：根据选定的数据集，AI模型自动提供相关指令建议，减少用户摸索时间，提供直观的操作指引，提高任务完成效率。

○ 实时操作反馈

：

即时显示数据集选择和指令的操作反馈，增强透明度和控制感，用户能实时了解操作状态，减少误操作。

• 打开智能小Q

Collect

设计亮点：

通过

"引导而非强制"

（Nudging）的设计策略和用户体验提升对AI产品的信任感，引导用户行为，而不是直接操控或打断用户的操作流程。尊重用户的选择，减少强制性操作对用户的负面影响。

• 智能小Q：

  用户新手上路的帮助体系

Collect

设计优点：

○ 视频简介：个性化引导：智能小Q启动时提供视频和文档链接，为新手、功能更新和不同场景提供个性化指导，帮助用户快速理解功能。符合尼尔森的帮助与文档原则，降低学习成本，特别是对新手和新功能的适应。

○ 线上文档：即时访问的多模态帮助资源：提供视频和嵌入式文档链接，多途径帮助增强用户自主性和灵活性，满足不同需求，提升控制感和信任感。

设计缺点：

新手没有跳过引导的选择，对于此类产品非常熟悉的用户，首次登录时强制显示视频和帮助文档，没有跳过选项，可能造成操作干扰和界面信息过载，影响使用体验。

• 指令中心：

  分类展示

Collect

设计亮点：

清晰的分类结构提升导航便捷性、动态加载功能保持界面简洁同时允许内容扩展，以及

锚点导航

简化路径并提高操作流畅度。

• 智能小Q-指令嵌入式结构化

Collect

设计优点：

 通过简化操作流程、智能化推荐和增强用户引导，并使用视觉VI色进行区分结构，这些设计提升了用户决策效率，减少了操作复杂度，并提高了整体使用体验。

• BI模型指令-维度/度量/提问问题

Collect

设计亮点：

 打破传统bi的操作路径，用户选择数据集之后bi大模型推荐指令，大大减少了用户路径。

• 仪表板搭建：

  唤起数据配置页面、可视化画布功能。

Collect

设计亮点：

通过并行操作、信息对比、节省屏幕空间和集中化控制，这些设计提升了操作效率、直观性和界面整洁度，同时优化了数据选择和可视化效果。

设计缺点：

左侧抽屉占用屏幕空间减少图表显示区域，可能在小屏设备上影响数据分析体验，以及展开和收起动画可能导致系统响应变慢，降低操作流畅性。

• 报表智能美化：

  主题智能美化功能、生成自动化指令。

设计亮点：

○智能美化与手动配置并存：提供手动配置与智能美化选项，满足个性化和自动化需求，适应不同用户需求。

○智能美化按钮：智能美化按钮鼠标悬停时边框变色并增加阴影，突出交互性并吸引用户注。

○图文介绍：动态提示，鼠标悬停时弹出功能图文介绍，增加操作透明度，帮助用户清晰了解功能。

○可视化画布：当智能美化指令发出后，最左边可视化仪表板进行实时反馈

设计缺陷：

当用户需要点击仪表板画布中的图标模块边缘才能呼出主题编辑界面，这种设计可能导致用户难以准确点击到目标区域，需要增加增加触控区域和视觉提示。

• 智能美化：指令加载与取消

Collect

设计亮点：

通过明确的视觉反馈和视觉上系统通过

VI色提示文字

和

加载动画

来反馈操作状态，减少了因等待而产生的疑虑和不安，系统提升了用户体验的连贯性和舒适度，同时，取消按钮增强了用户的控制权。自动回到当前结果的视图调整提高了操作的流畅性和效率，使用户能够自然地获取和理解系统当前反馈。

• 智能美化：

  指令结果反馈

设计亮点：

设计通过提供自动化调整参数的透明性和多样化的风格主题推荐，提升了操作便利性、个性化体验和预判用户行为推荐下一步指令，让用户的决策更效率。

• 调整美化结果：

  主题色与上传参考色

设计优点：

通过

三分屏布局

将界面功能模块化，分别显示可视化图表、主题配置和AI助手，确保用户操作清晰直观。

非模态弹窗

设计允许用户在调整配色时继续使用其他功能，提升操作的灵活性和便捷性。同时，

实时同步

的颜色更新和参考图片配色提取功能，让用户能即时看到配色效果并应用个性化方案，增强了设计的一致性和用户定制化体验。这些设计亮点共同提高了操作效率、用户反馈的及时性和整体使用舒适度。

• 仪表板：

  单表美化指令

Collect

设计优点：

AI智能小Q通过槽位使用Send question点击【功能推荐】后，快捷指令被填充到输入框内，用户可以自行修改小框的内容，支持下拉选择引导单个图表的配色指令选择，提供灵活配置和详细设置的自主性，帮助用户轻松实现个性化设计。

设计缺点：

设计缺陷包括未在一开始明确告知某些图表类型的额外配置要求，导致用户在操作时可能感到困惑。同时，操作界面之间的切换增加了复杂性，使用户体验不够连贯。此外，这些未提示的步骤提高了新手用户的学习门槛，使他们更难掌握和使用这些功能。

• 美化图表指令应用

  ：已应用、点赞、不喜欢

设计优势：

在智能小Q中完成美化图表指令后，历史指令被置灰并标记为“已应用”，清晰地反馈操作状态，避免重复操作，提高用户操作效率和确认感，减少界面干扰。同时，通过收集用户反馈，优化个性化推荐和改进AI模型，提升整体用户体验和系统信任感。

设计缺陷：

“已应用”置灰处理限制了不可二次编辑等操作灵活性和反馈控制感，而“不喜欢”

反馈缺乏详细路径机制

，影响了系统改进机会和用户满意度。

• 一键优化图表对比：

  手动配置、一建优化、与多伦对话

Collect

• 智能化指令推荐：

  自动解析数据集，生成个性化分析指令和推荐问题，提升数据查询的精准性和效率
• 首次用户引导

  ：多模态的帮助体系，包括视频介绍和线上文档，在多场景下降低用户学习成本
• 盒子交互理念：

  折叠分类的交互设计，有效管理信息展示，操作效率，同时减少视觉干扰
• 智能美化：

  提供低门槛的一键报表美化功能，高效呈现报表，简化了美化过程，提升了用户体验
• 结构化指令：

  标准化操作流程，结合智能推荐和引导功能，优化数据处理过程，提升用户的操作效率和分析体验
• 本地上传图片参考：

  支持本地图片上传，提供个性化定制和颜色一致性，简化颜色选择过程，提高设计效率和视觉反馈的即时性
• 指令取消操作：

  允许在指令执行过程中浏览历史命令并中断操作，提升用户的灵活性和控制感
• 指令加载动画：

  通过视觉反馈的加载动画展示操作进度，减少用户等待焦虑，增强系统响应的透明度。

• 反思机制缺陷：

  无法发展模型的自我修正机制，当模型识别到可能的错误时，应能主动调整逻辑或请求更多信息。
• 浏览器适配问题：

  不兼容多种浏览器，导致页面闪烁和交互错误，影响视觉连贯性和操作稳定性。
• 自然语义能力：

  处理自然语言输入时表现欠佳，难以准确解析复杂语义，影响交互效果和指令执行。
• 个性化单表配置：

  无法达到一建美化，需要手动配置，但单个美化的时候，并没有进行用户提示。导致工作路径加长。
• 信息过载：

  BI传统设计大而全，叠加小Q后信息叠加严重，导致用户认知负担加重
• 角色划分：

  没有通过设定不同的并在内置的prompt中明确它们的职责和工作流程，去优化了任务分工和工作流程，从而提升了系统功能性和用户体验，减少了操作复杂性。
• 上下文感知

  ：缺乏有效的智能体间沟通机制，无法根据上下文选择合适的智能体进行协作，导致问题处理过程不够优化。