6月25日,數勢科技數據智能產品總經理岑潤哲在愛分析第三屆AI大模型高峰論壇中出席分享,以金融、央國企連鎖零售行業為例,帶來數據智能決策Agent的最新實踐。
隨著國家推動AI滲透率與智能決策化率提升,國央企及金融機構對數據分析的需求愈發迫切。Data Agent通過構建指標體系與語義層,讓大模型理解自然語言需求,從被動取數升級為智能歸因分析與報告生成,推動數據消費范式從 “人找數據” 向 “數據找人” 轉變。本文將深入解析Data Agent的技術突破、行業實踐案例及未來演進方向,展現其如何為企業決策提供高階價值,成為智能時代的決策中樞。
分享嘉賓|
數勢科技數據智能產品總經理岑潤哲
內容已做精簡,如需獲取專家完整版視頻實錄和課件,請掃碼領取。
01
行業范式革命,從被動分析到智能決策中樞
近兩年眾多國央企及金融機構積極開展數據分析智能體項目建設,希望落地數據分析智能體,其原因可以由以下圖表進行說明。
1.首先數據分析領域存在不同層次,許多企業已有數據倉庫及BI工具,卻仍需落地Data Agent。目前大部分企業的現有數據倉庫加BI工具,更多滿足的是L1級別的數據提取,僅這一層就有很多機構招聘數百名分析師,以人工方式低效地進行數據提取與報表分析。而在更高層次,沒有精力開展指標歸因、報告生成等工作。大模型與企業現有數據的融合是重大機遇,因為這能提升數據提取效率,使指標歸因更智能,且行業化報告也可通過大模型生成。
2.從宏觀層面來看,國家計劃在2027年之前實現AI滲透率超過40%、智能決策化率超過30%,這是大趨勢。許多央國企領導在交流中表示,在所有AI Agent的落地場景中,他們會優先選擇數據分析,原因在于數據分析與決策的關聯性最強。例如,AI Coding及各類創意場景雖可落地,但與企業經營決策、財務等領域并非直接相關,而數據分析恰恰是與企業經營決策最相關的落地場景,這也是眾多國企優先選擇落地數據分析相關領的原因。
3.Data Agent能夠改變企業的數據消費范式。目前眾多央國企及金融機構,其現狀如上圖所示:招聘一批專業數據分析師及數據工程團隊,為業務方及領導提供服務。業務方或領導提出報表等需求,交由工程師和分析師處理,這一流程相對較長。但是當企業內部構建好指標的數據語義層后,大模型能更好地理解自然語言需求,無論是撰寫報告還是開展分析。這種方式能極大地推動企業內部的數據民主化進程,提升數據消費的效率與價值。
當前許多企業的需求是希望通過大模型查詢企業內部的財務指標,但實際上僅能查詢數據的價值很低,原因在于,當企業內部有幾百張報表時,對業務方而言,查詢到數據本身并不代表價值;更大的價值在于明確數據背后指標變化的原因,以及能采取哪些措施提升這些指標。目前數勢科技開發了AI報告能力,可將企業內不同指標轉化為行業化報告,呈現給領導和業務方。這樣能從數據本身的“是什么”遷移到“為什么”和“怎么做”,為業務方帶來更高層次的價值。
02
技術突破與行業場景解構
近兩年頭部國央企及金融機構落地Data Agent時面臨著諸多挑戰,數勢科技與甲方共同實踐總結出解決方法,主要包括三個方面:
第一,許多企業的內部技術團隊嘗試開展ChatBI,但存在數據取不準的問題;
第二,如何從數據基礎提取躍遷到智能歸因分析;
第三,如何通過報告能力解決匯報最后一公里的問題。
很多企業原有技術團隊在嘗試利用大模型能力與已有數據倉庫進行NL2SQL嘗試,但嘗試后發現,直接將底表交給大模型生成SQL不僅難度大,還存在數據準確性問題。數勢科技的技術路線是先構建指標體系,通過NL2Semantics技術讓大模型將用戶請求轉譯為指標與維度的語義,再與底層數據庫交互,從而更準確地實現數據分析查詢能力。
具體技術路線如下:不讓大模型直接穿透到底表,而是先讓其理解用戶意圖。例如用戶想查詢公司利潤率趨勢,大模型需先提取這句話中的時間要素、指標要素,此時大模型只需完成類似語文題的任務。至于底層指標體系對應的SQL片段,更多采用召回邏輯。通過這種方式,能確保像國央企CFO等查詢財務指標時,每次查詢都穩定輸出準確結果,而非讓大模型即時生成隨機的SQL片段。
解決指標準確性問題后,另一個問題隨之而來:領導認為提取數據這一工作BI工具也能完成,AI并未帶來增益價值,對指標進行更高階的預測、歸因,才是相比傳統BI工具的提升之處。
例如,若想查詢企業內部利潤下降的原因,系統會通過指標歸因、因子歸因、維度歸因等算法能力,解釋指標變化的原因。這一能力是企業內部領導真正需要的——不僅要呈現財務數據,還需解釋某省份分公司利潤下降的原因、外部事件對指標下降的影響,并結合企業內部知識給出建議,如通過何種策略或SOP進行優化。
數勢科技為某國央企性質的金融機構打造的場景:該機構使用數勢科技的工具,既可進行指標提取分析,又能結合行內指標開展智能歸因洞察。作為銀行,其關注貸款余額、信用卡等指標,業務方通過前端輸入自然語言查詢指標增長情況,在具備基礎提數能力后,可在前端快速查看SQL代碼并保存為卡片供未來使用。
對該行領導而言,最重要的模塊是對指標本身進行解釋。例如,若某分行指標下降,可通過大模型調用歸因小模型算法,明確指標變化的核心原因,如某分支行、某類產品、客戶或貸款出現異常。通過大小模型協同,直接向用戶呈現指標背后的原因,使用戶不僅知曉指標數值,還能了解可能是哪些分支行的指標存在問題,從而開展針對性優化。這是該機構的核心使用場景。
在解釋清楚數據的“是什么”和“為什么”之后,還需解決最后一步問題:終端用戶多為業務分析師,完成數據分析后需向領導匯報或在內部復盤會中使用。因此希望借助大模型的生成式能力,解決這最后一公里的問題——將數據表格及歸因分析結論轉化為領導可讀的業務報告。目前這一步驟多依賴人工,數勢科技近期開發了名為“AI Report”的新功能,可通過深度研究機制持續挖掘數據異常原因并進行總結,生成完整報告供領導使用。
例如,以往僅能提取數據,但幾千行數據對領導而言難以直接閱讀。現在通過大模型的深度研究機制,使其理解企業內部指標體系,生成完整架構,并將報告以圖表、文字等清晰形式呈現,便于開展深度歸因復盤。
具體方法是撰寫完整的數據復盤報告,在數勢科技產品體系內包含五個核心要素,第一個模塊是結構化指標及指標間的關系,這一層面至關重要,還需為其設計行業化提示詞及提供半截化信息。例如,企業內部報告的撰寫方式,以及報告中會用到的同環比分析、趨勢分析等算法算子庫,讓大模型理解這些背景信息后,自行組合技能、指標及元信息生成報告,這是底層核心要素。
其實現效果是,用戶在前端無需詳述細節,只需說明需求(如零售行業的利潤情況),系統會通過類似DeepSeek R1的思維鏈,明確呈現思考過程,并提供可編輯大綱。用戶可從趨勢等角度編輯大綱,向大模型傳遞分析思路。底層由大模型執行異步任務,花費5分鐘深度思考推理報告生成需求,最終在后臺自動生成銷售趨勢、占比等相關圖形及結論。
以某國央企為例,其以往人工撰寫報告需兩天,且效果不及系統生成;如今15分鐘內即可完成,財務部門得以從冗余的查數、寫報告工作中釋放出來。只要模板設定完成,15分鐘內即可生成報告,且可導出為Word或Excel進行編輯。其優勢在于適配匯報場景,能融合指標體系、挖掘數據洞察并呈現給用戶,這是解決業務最后一公里的核心功能。
03
多行業實踐案例
案例一:某大型國央企銀行面臨的主要問題是數據團隊難以支撐眾多業務部門的需求:其數據分析團隊有200人,而業務方達上千人,無法通過招聘等量分析師滿足需求,且指標混亂。
針對這些問題,數勢科技提出相應解決方案:
技術架構層面,做好指標口徑管理,這屬于業務知識沉淀,是大模型無法完成的工作,包括明確財務指標數量及分析維度等;完成統一指標管理后,可借助DeepSeek R1等模型理解指標,實現自動化報告生成及交互式指標問詢。
場景層面,數勢科技為該銀行服務了多個場景,其中客戶最關注的有三個:財務分析、風險評估、分支行業績對比。當領導想了解各分支行的貸款增速情況,可通過前端自然語言詢問實現快速查詢。
銀行領導使用產品的方式是:系統會主動推送信息,例如提示北京某分支行網點出現問題需關注,領導通過自然語言交互查詢數據明細、對數據異常原因進行歸因分析總結并生成報告。這種使用流程與傳統BI工具完全不同,以往培訓領導使用BI工具可能需要一個月,且對方未必愿意使用,而現在的交互如同微信聊天,以純自然語言形式提供數據洞察能力。
案例二:某國央企性質車企,其痛點在于車型試制場景涉及10萬個指標,需通過指標分析組合輔助新車型研發。數勢科技搭建指標體系并提供智能問數功能后,試制工程師的日常取數及計算時間減少80%,工作效率提升5倍以上,同時加快了該車企新車版本的迭代速度。
04
Data Agent領域未來演進方向:
第一,從被動響應向主動洞察躍遷。當前工具如DeepSeek、豆包等,均為被動響應模式,需用戶主動提問才給出答案。但企業內部財務、市場營銷、供應鏈等指標繁多,用戶難以提前預判哪些指標出現問題。因此,需要大模型主動掃描數據庫,提示可能存在問題的指標,實現主動式洞察。
第二,提升通用Agent的個性化能力。使用記憶(memory)機制,增強Data Agent對用戶個性化需求的理解,例如記錄用戶當天關注的問題,次日可基于該主題提供相關信息,這也是今年的主流趨勢。
第三,從同步化向異步化轉變。今年以來,隨著DeepSeek、Manus等的興起,人們逐漸認識到,并非所有需求都需大模型在5秒內響應,用戶可接受其花費5-10分鐘生成報告。未來將有更多異步化復雜任務支持企業業務方及領導開展高階工作,這對價值提升將更為顯著。
若僅將大模型應用于簡單的Chat Data層面,并無實際價值。必須將業務方關注的報告、歸因等內容,以更高級的形式呈現給終端用戶,才能整體提升Data Agent項目的價值。
前頭部互聯網公司資深量化運營負責人,多年零售與金融行業數據挖掘與用戶運營策略設計經驗,曾為多家大型企業搭建從目標設定、數據診斷、策略設計到優化復盤的全鏈路數字化運營平臺。
特別聲明:以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布,本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.