TwinBI: An Agentic Digital Twin for Efficient Augmented Interactions with Business Intelligence Dashboards

📄 arXiv: 2606.13731v1 📥 PDF

作者: Jisoo Jang Wen-Syan Li

分类: cs.AI, cs.MA

发布日期: 2026-06-11

🔗 代码/项目: GITHUB

💡 一句话要点

提出TwinBI以解决商业智能仪表板交互不一致问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 商业智能 数字双胞胎 大型语言模型 用户交互 数据分析

📋 核心要点

  1. 现有的商业智能仪表板在多步骤分析中，用户的直接操作与自然语言查询之间常常不同步，导致分析状态不一致。
  2. TwinBI框架通过结合LLM代理系统与可执行的BI仪表板状态，提供了一种统一的交互方式，增强了分析过程的连贯性。
  3. 实验结果显示，TwinBI在准确性和超时率方面均有显著提升，用户在集成的仪表板和聊天工作流中表现出较高的任务准确性。

📝 摘要（中文）

商业智能（BI）日益将仪表板交互与基于大型语言模型（LLM）的辅助结合，但在多步骤分析中，这两种模式常常不同步。用户在直接操作仪表板和自然语言查询之间切换时，难以保持过滤器、层次、指标和图表上下文的一致分析状态。本文提出了TwinBI，一个代理数字双胞胎框架，将基于LLM的代理系统与可执行的BI仪表板状态结合。TwinBI通过从统一的交互日志重建的共享分析状态，统一了对话交互、仪表板操作、语义基础和来源追踪。我们在两个互补的方式中评估了TwinBI，结果表明TwinBI在分析可靠性和用户支持方面均有显著提升。

🔬 方法详解

问题定义：本文旨在解决商业智能仪表板在多步骤分析中用户交互不一致的问题。现有方法在用户切换操作模式时，难以保持一致的分析状态，影响分析的连贯性和准确性。

核心思路：TwinBI通过将基于LLM的代理系统与可执行的BI仪表板状态结合，创建一个共享的分析状态，从而实现对话交互与仪表板操作的统一，提升用户体验和分析的可靠性。

技术框架：TwinBI的整体架构包括四个主要模块：对话交互模块、仪表板操作模块、语义基础模块和来源追踪模块。通过统一的交互日志，系统能够重建共享的分析状态，确保用户在不同交互模式下的一致性。

关键创新：TwinBI的核心创新在于其代理数字双胞胎框架，能够将可见的仪表板状态转化为更丰富的可操作上下文，与现有方法相比，显著提高了分析的可靠性和用户支持。

关键设计：在设计中，TwinBI采用了统一的交互日志记录机制，支持多种数据格式的输出（如SQL、日志等），并引入了/insights命令用于状态基础的分析总结，确保用户在不同交互模式下的状态一致性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，TwinBI在A/B测试中将准确匹配率从43.3%提升至63.3%，部分信用准确率从48.3%提升至70.8%，超时率显著降低，从40.0%降至10.0%。用户在集成的仪表板和聊天工作流中表现出高任务准确性和良好的用户体验。

🎯 应用场景

TwinBI的研究成果在商业智能领域具有广泛的应用潜力，尤其是在需要多步骤分析的场景中，如数据分析、市场研究和决策支持等。通过提升用户与仪表板的交互体验，TwinBI能够帮助企业更高效地进行数据驱动的决策，未来可能影响商业智能工具的设计和使用方式。

📄 摘要（原文）

Business intelligence (BI) increasingly combines dashboard interaction with LLM-based assistance, but these two modes often fall out of sync during multi-step analysis. As users switch between direct dashboard manipulation and natural-language queries, it becomes difficult to preserve a consistent analytical state across filters, hierarchies, metrics, and chart context. We present TwinBI, an agentic digital-twin framework that couples an LLM-based agent system with an executable BI dashboard state. TwinBI unifies conversational interaction, dashboard manipulation, semantic grounding, and provenance tracking through a shared analytical state reconstructed from a unified interaction log. It also exposes artifacts such as schema views, SQL, logs, and an /insights command for state-grounded analytical summaries. We evaluate TwinBI in two complementary ways. In a controlled A/B benchmark with the same backbone agent, TwinBI improves exact-match accuracy from 43.3% to 63.3%, partial-credit accuracy from 48.3% to 70.8%, and substantially reduces timeout rate from 40.0% to 10.0% relative to Dashboard alone. In a usability study, participants benefited from the integrated dashboard-and-chat workflow, with high task accuracy, moderate workload, and favorable ratings for state-aware interaction mechanisms. These results suggest that TwinBI improves both agent-level analytical reliability and user-facing analytical support by turning visible dashboard state into richer actionable context. Our dataset and source code are available at: https://github.com/simonjisu/TwinBI