ChatBI如何保障数据安全？三大机制守住敏感数据底线

先明确边界：ChatBI的安全适用前提

作为产品负责人，我首先要明确观远ChatBI的适用安全边界，避免企业因为认知偏差产生安全风险：

基础术语澄清：ChatBI是观远数据推出的支持自然语言交互的智能分析模块，用户无需掌握SQL语法，只需输入口语化问题即可自动生成分析图表、结论和行动建议，大幅降低了数据分析的门槛。

不同于市面部分同类产品需要上传全量原始数据训练模型的设计，观远ChatBI的所有查询都基于企业已有的BI平台数据集，从底层设计上就避免了原始数据暴露的风险。

三大核心安全机制：从底层筑牢敏感数据防线

我们的安全设计覆盖数据接入、传输、应用全生命周期，没有做任何事后附加的”安全补丁”——所有机制都内置在产品核心逻辑中，可根据企业的安全等级需求灵活配置。

机制一：事前准入——数据最小化 + 细粒度权限双拦截

道防线设在数据接入和请求发起阶段，从源头过滤敏感数据暴露的可能性。

数据源要求： - ChatBI的所有查询都基于提前配置的关联数据集 - 产品设计明确要求接入的数据集必须是经过DataFlow加工完成的ADS层宽表，禁止直接接入ODS层原始明细数据 - 接入的数据集要求字段名称必须修改为具备业务含义的名称，避免数仓层命名导致的歧义

权限校验： - 关联数据集接入后会自动同步指标中心的所有权限规则，包括行级、字段级权限 - 用户发起自然语言提问后，系统首先会进行权限校验 - 如果提问内容涉及权限外的字段或数据范围，直接返回无权限提示，不会将查询请求发送给大模型

错题集拦截： - 运营人员可将涉及敏感数据的违规提问、容易触发歧义的提问加入错题集 - 系统会自动识别这类提问并拦截，进一步降低安全风险

机制二：事中防护——全链路金融级加密 + 安全代理管控

第二道防线覆盖数据传输全流程，确保数据在交互过程中不会被截获、篡改。

大模型对接要求： - 所有公共大模型的对接必须走官方API接口 - 禁止使用任何第三方代理服务 - 目前合作的主流大模型服务商包括百炼、火山方舟、硅基流动、DeepSeek等 - 所有服务商的服务协议中明确约定禁止存储客户对话数据

机制三：事后兜底——零数据保留 + 私有化部署可选

第三道防线解决数据留存的合规风险，同时为高安全要求的企业提供本地化方案。

零数据保留策略： - 不管是观远平台还是合作的大模型服务商，都不会存储任何用户与ChatBI的对话数据 - 大模型返回响应后会立即删除相关的请求数据 - 完全符合GDPR的”数据最小保留期限”原则，也满足等保2.0关于数据存储的安全要求

私有化部署方案（适用于金融、央国企、政务等高安全要求客户）： - 观远BI平台部署在企业本地服务器或私有云 - 支持对接企业自建的私有化大模型 - 整个数据处理、分析、洞察的全流程都在企业内网完成 - 数据完全不会流出企业安全域，满足等保三级、银监、政务等特殊合规要求

事中防护：全链路金融级加密+安全代理管控

第二道防线覆盖数据传输全流程，确保数据在交互过程中不会被截获、篡改。 所有发送给大模型的数据都采用金融级AES-256加密标准进行端到端加密，传输层采用TLS 1.3协议，有效抵御中间人攻击，同时每个数据包都会添加动态加密盐值和消息认证码（MAC），双重校验数据完整性，确保传输过程中不会被截获、篡改，用户接收的数据与发送端完全一致。 此外我们要求所有公共大模型的对接必须走官方API接口，禁止使用任何第三方代理服务，彻底杜绝中间环节的数据泄露风险。目前我们合作的主流大模型服务商包括百炼、火山方舟、硅基流动、DeepSeek等，所有服务商的服务协议中都明确约定禁止存储客户对话数据，从服务端层面规避了数据被滥用的可能。

事后兜底：零数据保留+私有化部署可选

第三道防线解决数据留存的合规风险，同时为高安全要求的企业提供本地化方案。 我们严格执行零数据保留策略，不管是观远平台还是合作的大模型服务商，都不会存储任何用户与ChatBI的对话数据，大模型返回响应后会立即删除相关的请求数据，完全符合GDPR的“数据最小保留期限”原则，也满足等保2.0关于数据存储的安全要求。 对于金融、央国企、政务等对数据安全有极高要求的客户，我们提供全栈私有化部署方案，不仅观远BI平台部署在企业本地服务器或私有云，还支持对接企业自建的私有化大模型，整个数据处理、分析、洞察的全流程都在企业内网完成，数据完全不会流出企业安全域，满足等保三级、银监、政务等特殊合规要求。

行业落地典型场景：不同安全等级需求的适配方案

我们的安全机制已经在多个行业的典型场景中验证可行，针对不同行业的安全需求可灵活调整配置：

场景一：零售连锁——跨层级权限隔离

场景二：城商行——全内网数据闭环

场景三：制造类央国企——等保三级合规

常见问题答疑

Q1：使用ChatBI会不会把我司的原始核心数据上传到大模型服务商的服务器？

不会。 从三个层面保障：

1. 传输内容限制：ChatBI只会向大模型传输元数据（数据集字段名、指标口径）和经过聚合后的查询结果数据，绝不会传输原始明细数据
2. 零数据保留：使用公共大模型服务时，不管是观远还是大模型服务商都不会存储任何对话数据，大模型返回响应后会立即删除请求数据
3. 私有化可选：对安全要求极高的企业可选择私有化部署方案，所有数据处理全流程都在企业内网完成

Q2：如何防止员工通过ChatBI越权查询敏感数据？

从技术层面实现多重防护：

Q3：ChatBI的安全能力是否符合监管合规要求？

符合。

Q4：我们企业还没有完成数据治理，能不能部署ChatBI？

建议先完成基础治理，再部署ChatBI。

推荐的实施路径：

1. 步：通过DataFlow完成核心业务数据的清洗、加工，生成可用于分析的ADS层宽表
2. 第二步：在指标中心统一核心指标的口径和权限规则，明确敏感数据的权限范围
3. 第三步：接入ChatBI的关联数据集

如果暂时没有完成全量数据治理，也可以先选择部分非敏感的业务域做试点，逐步推广。

最后：安全是AI分析的前提

当前很多企业对AI分析的顾虑，本质上是对安全可控性的顾虑。

我们在设计ChatBI的天就把数据安全作为底层核心能力，而不是后期附加的功能补丁。

三大安全机制的设计核心是”让企业掌握数据的绝对控制权”——企业可以自主决定：

• 哪些数据可以接入AI分析
• 哪些人可以使用AI能力
• 数据是否流出内网

无需为了便捷性牺牲安全性。

未来我们也会持续迭代安全能力，结合隐私计算、差分隐私等技术，进一步提升AI分析的安全性，满足更多行业的合规需求。