腾讯Data×AI内部实践

内部实践背景及痛点

• 需求响应时间长：临时分析需求需数据部门排期配置新报表，响应时间长达天至周级别。
• 分析门槛高：经营分析数据指标多且复杂，结论依赖专业分析师人工解读，业务部门理解困难。
• 使用场景局限：原有经营分析系统逻辑复杂，仅支持PC端，外出查看不便。
• 缺乏知识沉淀：分析思路离散在分析师脑海中，难以沉淀和复用。

内部实践实现思路

• 问答式分析：通过大模型实现对话式分析，提升效率，降低使用门槛。
• 自动化解读和归因：大模型自动解读数据并输出分析结论，解决人工解读难题。
• 精简交互逻辑：优化为对话式分析，支持移动端，满足外出场景需求。
• 构建知识库：沉淀业务黑话、计算逻辑、分析思路等，实现知识复用。

内部实践落地挑战及解决思路

• 挑战1：复杂计算及方言适配问题
  • 问题：NL2SQL在复杂计算和SQL方言转换中易出错。
  • 解决方案：采用NL2DSL为主、NL2SQL为辅的方案，由BI系统转换SQL，降低模型难度并复用方言能力。
• 挑战2：经营分析数据指标口径多，用户提问口语化严重
  • 问题：用户提问模糊，如仅问“腾讯云BI收入”无法确定具体口径和时间。
  • 解决方案：新增意图澄清模块，主动触发用户明确时间、字段等要素。
• 挑战3：经营分析业务黑话多
  • 问题：业务黑话（如“渗透占比”）和客户别名（如“某某帮”）难被模型理解。
  • 解决方案：构建知识库，录入业务黑话解释和客户别名，自动提供数据表信息，沉淀分析思路。
• 挑战4：用户权限不一
  • 问题：同一份数据不同用户权限不同，如部门老板仅看部门数据。
  • 解决方案：支持行列权限控制，实现差异化数据访问。
• 挑战5：用户不知该问哪张数据表
  • 问题：业务用户不熟悉数据表结构，难以选择正确表格。
  • 解决方案：训练大模型根据提问内容智能选表，支持单表或多表关联分析。

总结

智能分析Agent在腾讯内部经营分析场景落地，通过对话式分析、自动化解读、知识库沉淀等功能，大幅提升分析效率，降低对分析师的依赖，支持移动端使用，并解决权限控制和选表难题，实现业务部门低门槛、高效率的数据分析需求。