大数据+大模型：构建企业新一代智能分析Agent，释放数据要素价值

分 享 主 题 大数据+大模型：构建企业新一代智能分析Agent，释放数据要素价值 岑 润 哲数势科技|数据智能产品总经理 目录 数据民主化：实现数据要素价值释放的关键01 解决思路分享：指标平台与AIAgent能力融合，突破数据价值化难题02落地案例分享：围绕消费零售与金融行业，解析Data+AI如何释放数据要素价值03总结与展望：重点突破的难点和未来展望04 数据民主化：实现数据要素价值释放的关键 Ø当前集中式数据分析的企业现状与痛点Ø从集中式到民主式数据分析的演进过程Ø民主式数据分析赋能企业每一个公民实现从数据消费到决策 企业集中式数据分析现状：数据需求无限，开发资源有限，需求排队严重 解决思路分享：指标平台与AI Agent能力融合，突破数据价值化难题 Ø数据业务化：以指标体系和指标平台弥合业务人员与技术人员的数字鸿沟，实现数据即业务Ø数据价值化：为人人配上数据智能小助手AI Agent，让数据获取和洞察像聊天一样简单 数据业务化：以指标语义层和指标平台弥合业务人员与技术人员的数字鸿沟 •统一语义层（Unified Business Semantic Layer）是现代数据栈中的一个独立且可互操作的部分，它位于数据源与数据使用者之间。统一语义层使得所有的数据端点，无论是BI（商业智能）工具、嵌入式分析，还是AIAgent，都能使用相同的业务语义和底层数据，从而得到一致且可信赖的洞察。 指标语义层怎么建：仓内语义（NL2SQL）繁琐复杂，业务指向性差 •ODS-> DWD-> DWS-> ADS,语义建在哪一层？ •数据产品经理、数据开发、终端数据使用者，谁来建数据语义？ 指标语义层怎么建：仓外语义灵活便捷，更加贴近业务 •数据建模右移，更贴近数据消费endpoint，更便于LLM Agent规划推理； •基于虚拟层做数据编织，口径管理更灵活、便捷 Data Agent怎么建：仓外语义LLM Agent方案--NL2semantic 数据可信，准确率高 •预设数据指标的定义与管理，避免业务理解对不齐•借助思维链分析与歧义反问，提升泛化性，避免直接从文本到SQL ②学习成本低 •无需对大模型做预训练，仅需依据指标语义和知识库做用户意图理解，增强prompt语义•全流程白盒，企业客户用业务语言描述查询过程，方便快速排查 性能提升且稳定 •基于自研的数据查询加速引擎，智能优化查询语句•P95可实现从检索到回答的秒级出数 ④数据安全可保障 •利用指标分析平台的权限管理能力，结合RBAC基础，对数据与指标进行精细化的权限管控，实现数据查询的安全可控 ⑤能力覆盖更全 •高级数据分析问题，可通过精准的指标进行关联与展示，实现单项数据可查、报表可展示、总结报告可生成 落地案例分享：围绕消费零售与金融行业，解析Data+AI如何释放数据要素价值 Ø智慧门店：万店连锁新消费企业，如何用数势SwiftAgent打造新一代智慧门店经营决策体系Ø智慧金融：大模型+Agent+指标语义层，提升领导驾驶舱从数据到价值的快速转化。 某零售消费案例背景：承接数字化转型战略，建立一套经营决策的指标分析体系 在原有的数据仓库基础上，构建一套完整的指标体系框架，并帮助其打造一套可供战区负责人（管理团队）和门店督导（一线业务人员）快速使用的低门槛智能数据分析助手，推进数字民主化进程 解决思路：以产品分析和门店运营切入，建设统一的分析思路、语言和工具 面向门店督导人员的SwiftAgent助手如何赋能门店稽核（Demo演示） SwiftAgent在某金融机构支持的核心场景 以该金融机构的数据应用场景为例，通过自然语言指标取数，系统能够快速准确地获取相关数据；智能归因分析则帮助找出业务发展中的关键因素和问题所在；自动报告生成则以直观的方式呈现分析结果，为银行的决策制定、风险管理、业务优化等提供有力支持。这些场景展示了在银行业中运用自然语言处理和数据分析技术的重要性和实用性，有助于提高银行的运营效率和决策科学性。 分支行业绩对比 客户行为分析 运营团队提出“客户流失率与哪些因素相关”，系统进行智能归因分析，找出导致客户流失的关键因素，如服务质量不佳、产品缺乏竞争力等，为银行改进服务提供依据。 在评估贷款风险时，询问“近期贷款领导想要比较各分行的贷款业务总量，询问“A分行和B分行今年的贷款业务总量对比如何”，系统通过自然语言取数与报告生成，为总行领导提供业务指导提供参考。 风险评估 理财产品销售分析理财经理需要了解上个月理财产品的 销售情况，询问“上个月哪几款理财产品销售额最高”，系统通过自然语言指标取数，帮助理财经理了解市场需求，优化产品推荐策略 财务分析违约主要集中在哪些行业”，利用智能归因分析，找出贷款违约集中的行业领域，为信贷部门调整信贷政策、加强风险管理提供重要依据。 信用卡业务分析 财务部门经常询问“各项业务对利润的贡献比例是怎样的”，系统通过智能归因和自动报告生成，综合考虑各项业务的收入、成本、风险等因素，计算出各项业务对利润的贡献比例，并以图表和报告的形式展示，帮助财务部门进行成本控制和利润优化 常见问题如：“信用卡逾期率最高的客户群体是哪些”，系统通过自然语言交互形式，从信用记录、消费行为、收入情况等多维度数据，找出逾期率最高的客户群体特征，以便银行采取针对性的措施降低风险 总结与展望：重点突破的难点和未来展望 Ø自然语言表述的模糊性如何解决Ø业务场景内的专有名词黑话如何让大模型理解Ø如何突破当前ChatBot的产品形式并进化为真正的“增强分析” 难点1：当用户提问模糊的时候，怎么提升交互体验 容错原则（Help users recognize, diagnose, and recover from errors）理想中 的“让 用 户随 便说一句话 ， 大 模 型 产 品马上开 始 完 全自动化 执 行”，往 往 是不太可 能的 ，因为用 户 天生 就 是“懒”的 ，而 且语 言本 身 也具 有 一 定 的 模 糊 性，因 此 在产 品设 计 环 节 里， 可 以增 加 反 问模块， 让 大 模 型更 好的 理 解 用 户需 求，一步一步 把 需 求“精 细化”， 提 升 正确结 果概 率，增 加 使用者的信任感 Human-in-the-loop：用户可干预，让LLM反问并协助澄清 情况1：时间维度表述不清楚 情况2：指标表述不清楚 难点2：业务场景内的专有名词黑话如何让大模型理解 贴近场景原则（Match between system and the real world）利用 大 模 型原 生的知 识 库技 术（ex .RAG），来 更 好 地让 用 户说 他 熟 悉的 用 词 、短语 和 黑 话 ，而不是 强 迫他 说系 统 术 语 。 通过知识库配置让大模型读懂每个企业内部的“黑话”与“行话” SwiftAgent产品内置企业知识库配置区域 通用文档 企业内部专有名词 不同的业务角色在提出相似的问题时，分析场景和常用维度肯定是不一样的，因此需要预置让大模型理解。 企业内部的专有名词管理（如指标的在企业内的常见简称、缩写，还有一些行业或者企业内部的黑话） 多源数据读取：兼容不同格式的数据读取和处理，例如Word、PDF、CSV等向量召回：查询向量数据库，并得到相似度TOP的文本块Prompt构建：按照一定的规则组合Prompt，提高问答的准确率。文本向量化：清洗数据，将文本切块，并向量化存入数据库中。 •举例：当用户运营团队分析“门店情况”时，更多看的是新客首单人数、成熟用户复购人数、流失召回人数这类指标；而经营分析团队提出相似问题的时候，更多看营收、成本和利润类指标 •R12M指的是Rolling12Month•年级指的是会员年限•新客代表新增有效会员数 难点3：如何突破当前ChatBot的产品形式并进化为真正的“增强分析” •我现在是拿到我想要的数据了，然后呢？•我接下来可以问什么类型的问题？•老板肯定不止要一份“数据”，要的是结论呀 难点3：如何突破当前ChatBot的产品形式并进化为真正的“增强分析” 难点3：如何突破当前ChatBot的产品形式并进化为真正的“增强分析”