岑润哲-替代NL2SQL，Agent+业务语义的创新产品设计DataFunSummit2024_DigitForce

智能分析产品研报总结

引言：大模型技术解决数据分析痛点

• 管理团队痛点：现有数据产品无法快速产出深度结论，存在Data ≠ Insight、Speed is Everything、The Golden Why Question等核心问题。
• 业务人员痛点：BI产品学习门槛高（SQL、BI报表配置），分析依赖人工，大量时间用于Excel处理。
• 数据分析师/工程师痛点：报表需求多变（临时表冗余）、指标口径不一致、难以实时响应新增指标需求。
• 解决方案：大模型的Agent架构结合数据语义层加速数据民主化，降低使用门槛，提升数据参与度。

解决方案：智能分析产品设计思路与优化路径

• 仓内指标语义实现路径：繁琐复杂，业务指向性差。
• 仓内语义结合LLM方案：存在准确率低（60-70%）、成本高、性能差、数据安全风险、能力单一等问题。
• 仓外数据语义结合LLM Agent方案：NL2semantics2API，优势包括数据可信（准确率高）、学习成本低、性能提升且稳定、数据安全可保障、能力覆盖更全。

技术架构：Agent架构结合数据语义层

• Agent架构必要性：复杂数据分析场景需Agent架构支撑，具备任务规划、数据理解、高效计算能力。
• 技术架构：用户通过大模型Agent进行自然语言数据分析，结合数据语义层实现智能解读与归因。

应用场景：零售连锁行业智能分析助手案例

• 项目内容：构建统一指标体系框架，打造低门槛智能数据分析助手，推进数字民主化。
• 场景覆盖：门店巡检（目标设定、巡店计划、门店KPI查询/归因、门店稽核、效果验收）。
• 产品能力：SwiftAgent（数据分析技能）、知识问答技能。
• 核心成果：帮助门店督导与总部管理团队分析提效。

产品设计理念与挑战：LUI+GUI融合

• 设计理念：结合LUI与GUI优点提升数据分析体验。
• 常见挑战与解决思路：
  • 用户提问模糊：通过反问模块逐步细化需求，提升正确结果概率。
  • 用户使用企业内部“黑话”：利用大模型知识库技术（如RAG）支持企业术语。
  • 用户需要分析思路：预置场景分析模板，支持多源数据读取与文本向量化。
• 创新价值：持续反思学习形成追问机制，解决特定场景问题。

未来展望：智能数据分析产品演进

• DataAgent未来展望：
  • 总结归纳并自动决策（如生成报告并连接系统执行）。
  • 像业务专家一样规划（从本科生到研究生/博士生的垂直领域规划能力）。
  • 从能听懂人话升级为帮人说话（生成适合场景的问题）。