在數(shù)字化時(shí)代，如何更高效地挖掘數(shù)據(jù)是諸多企業(yè)關(guān)注的問(wèn)題。ChatBI讓數(shù)據(jù)分析擺脫復(fù)雜操作，以對(duì)話形式輕松實(shí)現(xiàn)。而DeepSeek的出現(xiàn)是否能進(jìn)一步提升ChatBI的準(zhǔn)確率、響應(yīng)速度與結(jié)構(gòu)化輸出，使其成為會(huì)思考的智能分析師。兩者的融合又是否會(huì)成為行業(yè)變革新引擎，這仍需要探索和實(shí)踐。

本文將結(jié)合思邁特軟件的實(shí)踐，探討ChatBI對(duì)話式分析如何保障高準(zhǔn)確率，為企業(yè)數(shù)字化轉(zhuǎn)型尋找突破口。

01

ChatBI應(yīng)用場(chǎng)景及價(jià)值

ChatBI一詞去年開(kāi)始出現(xiàn)，此前該領(lǐng)域統(tǒng)稱(chēng)商業(yè)智能，即BI，其已有二十多年發(fā)展歷史。在傳統(tǒng)BI領(lǐng)域，主要通過(guò)報(bào)表交付或大屏交互，供業(yè)務(wù)人員、分析師進(jìn)行分析與決策。這類(lèi)場(chǎng)景多服務(wù)于中高層管理人員，輔助其依據(jù)各類(lèi)經(jīng)營(yíng)指標(biāo)進(jìn)行決策。傳統(tǒng)開(kāi)發(fā)一張大屏或報(bào)表，通常需數(shù)月時(shí)間，在某些金融領(lǐng)域周期更長(zhǎng)。隨著AIGC領(lǐng)域的發(fā)展，各類(lèi)應(yīng)用均向AI靠攏，許多產(chǎn)品面臨重塑，由此進(jìn)入智能化3.0的BI時(shí)代。

智能化3.0時(shí)代以大模型為主導(dǎo)，區(qū)別于以往以IT或業(yè)務(wù)為主導(dǎo)的2.0時(shí)代。通過(guò)大模型自動(dòng)生成分析見(jiàn)解與報(bào)告。對(duì)于多數(shù)金融客戶，數(shù)據(jù)獲取是一大難題。在AIChat場(chǎng)景下，借助大模型交互，可快速獲取所需數(shù)據(jù)，擺脫對(duì)IT的依賴，這對(duì)傳統(tǒng)方式產(chǎn)生了顛覆性影響。此外面對(duì)復(fù)雜問(wèn)題，傳統(tǒng)方式往往是業(yè)務(wù)人員借助Excel反復(fù)加工，有時(shí)甚至需要專(zhuān)業(yè)的數(shù)據(jù)分析人員使用Python進(jìn)行處理，多次加工后才能得到真正的數(shù)據(jù)分析結(jié)果。如今隨著大模型出現(xiàn)，可直接利用大模型自動(dòng)進(jìn)行數(shù)據(jù)加工，從而很好地解決各類(lèi)復(fù)雜問(wèn)題。

自智能化3.0時(shí)代到來(lái)，業(yè)務(wù)人員和管理人員可通過(guò)零門(mén)檻的方式自由獲取數(shù)據(jù)，甚至對(duì)所有復(fù)雜場(chǎng)景進(jìn)行深入分析。這對(duì)傳統(tǒng)方式形成了顛覆，數(shù)據(jù)響應(yīng)時(shí)間達(dá)到秒級(jí)或分鐘級(jí)，所有人都能快速獲取數(shù)據(jù)。當(dāng)前智能BI領(lǐng)域能帶來(lái)一下具體價(jià)值：

• 首先是單指標(biāo)查詢，通過(guò)對(duì)話方式能獲取任何想要的單指標(biāo)數(shù)據(jù)。傳統(tǒng)方式下開(kāi)發(fā)了大量報(bào)表，在經(jīng)營(yíng)領(lǐng)域，客戶報(bào)表數(shù)量常常多達(dá)上千張。對(duì)業(yè)務(wù)人員而言，找到特定報(bào)表獲取所需數(shù)據(jù)難度極大，且找到的數(shù)據(jù)也未必符合需求。因此，我們提出AIChat的第一個(gè)功能——智能問(wèn)數(shù)，以此實(shí)現(xiàn)指標(biāo)查詢。在指標(biāo)查詢中，還會(huì)運(yùn)用大模型的泛化性思維。例如問(wèn)句為“查詢?nèi)ツ?/span>每個(gè)月的銷(xiāo)量情況”，這是一個(gè)泛化類(lèi)指標(biāo)并非明確指標(biāo)，因?yàn)榕c銷(xiāo)量相關(guān)的指標(biāo)眾多。大模型會(huì)結(jié)合用戶歷史查詢記錄或其泛化性思維，給出相關(guān)指標(biāo)供用戶參考，用戶也可通過(guò)多輪交互獲取所需數(shù)據(jù)。

• 第二是多指標(biāo)查詢，包含同比及排序等方式。業(yè)務(wù)人員拿到數(shù)據(jù)后需進(jìn)行分析，常用分析方案有同比、環(huán)比等。在傳統(tǒng)方式中，這些通常由IT人員提前加工處理，例如在金融領(lǐng)域中，月均、日均這類(lèi)指標(biāo)都由IT人員提前計(jì)算。但這種提前計(jì)算會(huì)消耗大量IT人力。如今通過(guò)大模型，可采用任意指標(biāo)加工方式自動(dòng)進(jìn)行加工，不再依賴IT人員計(jì)算，簡(jiǎn)化了IT處理數(shù)據(jù)的過(guò)程。

• 第三是嵌套查詢多輪對(duì)話。在數(shù)據(jù)分析領(lǐng)域，很多情況并非簡(jiǎn)單查數(shù)。例如，用戶詢問(wèn)“23年銷(xiāo)量前三的車(chē)型以及其銷(xiāo)量”，這是典型的多輪和嵌套方式。結(jié)合大模型思路，它會(huì)自動(dòng)拆分用戶問(wèn)句，編寫(xiě)嵌套SQL語(yǔ)句來(lái)生成所需數(shù)據(jù)，這屬于較為復(fù)雜的查詢方式。

• 第四，業(yè)務(wù)人員獲取數(shù)據(jù)后通常以圖形方式呈現(xiàn)。傳統(tǒng)方式是先提取數(shù)據(jù)，再導(dǎo)入BI工具，在BI工具中查找設(shè)置項(xiàng)來(lái)設(shè)計(jì)精美的圖形。業(yè)務(wù)人員需熟知眾多BI屬性設(shè)置項(xiàng)，例如圖例、字體大小等數(shù)百個(gè)BI設(shè)置項(xiàng)。如今，借助大模型，可通過(guò)對(duì)話生成并修改圖形。例如客戶提出“生成一個(gè)銷(xiāo)量分析的駕駛艙”，大模型會(huì)基于此段對(duì)話自動(dòng)拆解。它會(huì)從時(shí)間維度、產(chǎn)品維度、區(qū)域維度等各種維度進(jìn)行自動(dòng)分析，分析完成后結(jié)合駕駛艙生成一段解析內(nèi)容，助力用戶理解數(shù)據(jù)。

ChatBI的應(yīng)用場(chǎng)景：

場(chǎng)景一、智能問(wèn)數(shù)

與傳統(tǒng)方式相比，智能問(wèn)數(shù)有顯著改善，傳統(tǒng)方式存在諸多問(wèn)題：

1. 查找特定指標(biāo)時(shí)，需找到對(duì)應(yīng)的報(bào)表，這一過(guò)程往往令人困擾；

2. 獲取的數(shù)據(jù)可能需要二次加工，需先導(dǎo)出數(shù)據(jù)，再借助Excel進(jìn)行處理。若對(duì)數(shù)據(jù)需求緊急，加工過(guò)程會(huì)顯得繁瑣；面對(duì)復(fù)雜需求，加工處理時(shí)間會(huì)更長(zhǎng)。

而智能問(wèn)數(shù)可通過(guò)統(tǒng)一管理口徑避免歧義，其產(chǎn)品自帶大模型，具備上下文理解能力。借助大模型，用戶能通過(guò)對(duì)話自動(dòng)、及時(shí)地獲取所需數(shù)據(jù)。同時(shí)，產(chǎn)品內(nèi)置DSL方案，如同比和環(huán)比等，由提前預(yù)置好的算法直接無(wú)縫調(diào)用，確保不出錯(cuò)。產(chǎn)品還內(nèi)置Python二次計(jì)算功能。在產(chǎn)品應(yīng)用中，常使用SQL提取簡(jiǎn)單數(shù)據(jù)，對(duì)于復(fù)雜關(guān)聯(lián)場(chǎng)景，則運(yùn)用Python進(jìn)行二次加工。Python在數(shù)據(jù)分析方面具有強(qiáng)大優(yōu)勢(shì)，從而使產(chǎn)品功能更為強(qiáng)大。這是智能問(wèn)數(shù)中最常用的四個(gè)場(chǎng)景，包括指標(biāo)查詢、同環(huán)比計(jì)算、子查詢、圖形生成以及駕駛艙相關(guān)內(nèi)容。

場(chǎng)景二、歸因分析

目前市面上同類(lèi)的ChatBI產(chǎn)品大多具備歸因分析功能，該功能通常適用于以下場(chǎng)景：業(yè)務(wù)分析員常面臨領(lǐng)導(dǎo)的關(guān)鍵提問(wèn)，例如“上個(gè)月業(yè)績(jī)?yōu)楹蜗陆担?/span>”“某產(chǎn)品銷(xiāo)量為何不達(dá)標(biāo)？” 接到此類(lèi)指令后，業(yè)務(wù)分析員需查找對(duì)應(yīng)數(shù)據(jù)，探尋導(dǎo)致效率下降的原因。傳統(tǒng)方式是，業(yè)務(wù)分析員要制作各類(lèi)維度的報(bào)表，如基于月度、不同銷(xiāo)售區(qū)域、產(chǎn)品類(lèi)型等分別制作報(bào)表，之后將這些維度的數(shù)據(jù)進(jìn)行手工統(tǒng)計(jì)，把所有報(bào)表整合起來(lái)，形成報(bào)告向領(lǐng)導(dǎo)匯報(bào)。

如今基于大模型的ChatBI產(chǎn)品，用戶可通過(guò)對(duì)話獲取想要的結(jié)果。比如用戶詢問(wèn)“上個(gè)月銷(xiāo)量為何下降？”，產(chǎn)品會(huì)自動(dòng)查找與銷(xiāo)量相關(guān)的所有指標(biāo)，包括行業(yè)、區(qū)域、人員等各個(gè)維度，進(jìn)而找出影響最大的因素。數(shù)據(jù)導(dǎo)出后會(huì)進(jìn)行排序、總結(jié)，生成圖表報(bào)告以供參考。

在業(yè)務(wù)分析領(lǐng)域，常發(fā)現(xiàn)一個(gè)指標(biāo)會(huì)受其他指標(biāo)影響。例如，毛利與合同個(gè)數(shù)、合同金額、人均單價(jià)等有關(guān)。傳統(tǒng)維度歸因僅能從地區(qū)等維度分析，而因果歸因可自動(dòng)尋找與毛利相關(guān)的指標(biāo)并形成具體報(bào)告。舉例來(lái)說(shuō)，若合同貢獻(xiàn)毛利下降，因果歸因能列出受影響的指標(biāo)，如商機(jī)個(gè)數(shù)，且不僅明確受影響的指標(biāo)，還能指出商機(jī)個(gè)數(shù)與哪些成員相關(guān)，即與哪些維度相關(guān)，比如哪個(gè)地區(qū)商機(jī)不足、哪個(gè)地區(qū)人均單價(jià)下降等都會(huì)列出。從數(shù)據(jù)角度看，大模型分析更加全面，能依據(jù)用戶問(wèn)句生成報(bào)告。

場(chǎng)景三、深度智能報(bào)告

這是一種專(zhuān)家模式，去年12月份結(jié)合某客戶測(cè)試HR場(chǎng)景開(kāi)發(fā)，從而發(fā)布的新功能。以下是當(dāng)時(shí)所做的HR部門(mén)的例子，該部門(mén)有10萬(wàn)員工，需要經(jīng)常進(jìn)行分析，如離職率這類(lèi)簡(jiǎn)單場(chǎng)景，還有諸如加班對(duì)離職率是否有影響、薪酬提升比例對(duì)其是否有影響等問(wèn)題。這類(lèi)問(wèn)題并非常規(guī)分析問(wèn)題，所以當(dāng)時(shí)為其打造了專(zhuān)家模式分析。例如，面對(duì)“企業(yè)為員工做了什么努力”這樣一個(gè)泛化性問(wèn)題，系統(tǒng)會(huì)自動(dòng)生成帶有圖表和數(shù)據(jù)的分析報(bào)告及結(jié)論，供業(yè)務(wù)人員參考。

這是去年的成果，今年與客戶交流發(fā)現(xiàn)此功能深受客戶喜愛(ài)。原因在于，DeepSeek具備深度思考能力，在深度思考過(guò)程中會(huì)自動(dòng)找出所有相關(guān)數(shù)據(jù)并整合，通過(guò)CoT思維鏈總結(jié)后輸出，專(zhuān)家模式與之類(lèi)似。

具體案例：某銷(xiāo)售型企業(yè)，銷(xiāo)售人員每月都要撰寫(xiě)總結(jié)性報(bào)告，且每次報(bào)告命題不同。用戶提出需要寫(xiě)一篇銷(xiāo)量總結(jié)報(bào)告，整理和分析去年銷(xiāo)售的情況，同時(shí)找出優(yōu)缺點(diǎn)。這是一個(gè)泛化類(lèi)問(wèn)題，常規(guī)的ChatBI數(shù)據(jù)分析產(chǎn)品難以達(dá)成。該產(chǎn)品會(huì)類(lèi)似DeepSeek進(jìn)行總結(jié)性思考，思考銷(xiāo)量情況涉及哪些指標(biāo)并尋找相關(guān)數(shù)據(jù)。例如，對(duì)于銷(xiāo)售相關(guān)數(shù)據(jù)，它會(huì)擴(kuò)展出省份、城市、車(chē)系等不同類(lèi)別，以及銷(xiāo)量規(guī)模、車(chē)均價(jià)等大模型認(rèn)為與銷(xiāo)量有關(guān)的內(nèi)容。

首先找出這些維度和指標(biāo)，將相關(guān)數(shù)據(jù)呈現(xiàn)出來(lái)，所有相關(guān)數(shù)據(jù)明細(xì)都會(huì)列出，便于分析人員確認(rèn)數(shù)據(jù)可信度，而傳統(tǒng)BI在分析過(guò)程中不展示數(shù)據(jù)。接著，用戶提出“找出去年做得比較好和比較差的品牌的情況”，大模型自動(dòng)展開(kāi)分析。對(duì)于汽車(chē)銷(xiāo)售企業(yè)，最直觀的分析角度是銷(xiāo)量，于是大模型直接找出銷(xiāo)量排名前十和后十的品牌，整個(gè)過(guò)程由大模型自動(dòng)進(jìn)行泛化和總結(jié)。在交互過(guò)程中，用戶可隨機(jī)中斷并補(bǔ)充額外知識(shí)。最終，產(chǎn)品會(huì)生成總結(jié)內(nèi)容，例如，從車(chē)型維度、SUV市場(chǎng)、經(jīng)濟(jì)型車(chē)型等方面提供總結(jié)報(bào)告。

但用戶可能發(fā)現(xiàn)分析結(jié)果不夠徹底，因?yàn)樘釂?wèn)是關(guān)于去年的情況，而報(bào)告似乎遺漏了時(shí)間維度。此時(shí)，用戶可進(jìn)行多輪交互，要求產(chǎn)品加上季度和月度的數(shù)據(jù)對(duì)比。添加該需求后，產(chǎn)品會(huì)自動(dòng)引入季度和月度數(shù)據(jù)，并在明細(xì)中列出相關(guān)數(shù)據(jù)，使分析方案更具可信度。完成上述操作后，查看分析總結(jié)，能看到已加入季度和月度數(shù)據(jù)對(duì)比，明確了哪個(gè)月銷(xiāo)量好、哪個(gè)月銷(xiāo)量差，從季度層面也進(jìn)行了分析。然而，用戶可能仍覺(jué)得總結(jié)不夠全面，維度和指標(biāo)不足，此時(shí)可繼續(xù)對(duì)話，要求產(chǎn)品總結(jié)得更加詳細(xì)，如此循環(huán)，分析報(bào)告將不斷完善。

這是去年所采用的專(zhuān)家模式方案。未來(lái)產(chǎn)品將進(jìn)一步迭代，后續(xù)可能會(huì)深入結(jié)合DeepSeek推理模型，將企業(yè)內(nèi)所有數(shù)據(jù)納入，以挖掘更多分析思維，減少人工干預(yù)。目前的場(chǎng)景仍需不斷交互，最終將報(bào)告導(dǎo)出，提交給領(lǐng)導(dǎo)。

場(chǎng)景四、報(bào)表助手

在大模型場(chǎng)景中提到的ChatBI產(chǎn)品，其本身是結(jié)合BI開(kāi)發(fā)的。前面的場(chǎng)景可能適用于新用戶，那么針對(duì)BI老用戶，有哪些功能擴(kuò)展？為此推出了報(bào)表助手。報(bào)表助手適用于以下場(chǎng)景：若用戶此前制作了大量報(bào)表，如何充分利用這些報(bào)表？現(xiàn)在新增報(bào)表助手功能，在報(bào)表上添加一個(gè)小按鈕，點(diǎn)擊后可進(jìn)行對(duì)話，如“分析這張報(bào)表并作出總結(jié)”，系統(tǒng)會(huì)自動(dòng)將報(bào)表數(shù)據(jù)傳輸給大模型進(jìn)行深入總結(jié)。用戶還能持續(xù)對(duì)話，使總結(jié)更加完善。若原本是表格形式的報(bào)表，還可通過(guò)不同類(lèi)別添加圖形。

第二類(lèi)是駕駛艙助手。傳統(tǒng)駕駛艙的指標(biāo)維度固定，管理人員若想從更多維度分析，以往需讓開(kāi)發(fā)人員新增指標(biāo)。現(xiàn)在無(wú)需如此，駕駛艙隱藏了助手功能，點(diǎn)擊后可通過(guò)對(duì)話獲取駕駛艙以外的指標(biāo)，還能對(duì)駕駛艙進(jìn)行深入分析。

02

ChatBI技術(shù)原理解析

首先來(lái)看技術(shù)框架，從底層而言，產(chǎn)品是結(jié)合BI底座實(shí)現(xiàn)的。在平臺(tái)層，更多體現(xiàn)BI特性。例如在傳統(tǒng)BI中，可對(duì)接企業(yè)的各類(lèi)寬表、實(shí)時(shí)表，構(gòu)建信息模型、雪花模型，對(duì)于通過(guò)API提供數(shù)據(jù)的企業(yè)，也能實(shí)現(xiàn)接入。接入完成后，利用BI常規(guī)功能進(jìn)行數(shù)據(jù)建模關(guān)聯(lián)，這是必要步驟，旨在讓大模型知曉其中的表、維度及其關(guān)聯(lián)方式。配置數(shù)據(jù)模型后，新增企業(yè)相關(guān)知識(shí)，由于每個(gè)企業(yè)對(duì)指標(biāo)定義不同，因此涉及企業(yè)私有化知識(shí)的導(dǎo)入。經(jīng)訓(xùn)練后，業(yè)務(wù)人員可在上層通過(guò)對(duì)話式分析進(jìn)行問(wèn)數(shù)、問(wèn)圖、問(wèn)表，開(kāi)展跟進(jìn)分析與預(yù)警預(yù)測(cè)。

結(jié)合BI功能具有以下優(yōu)點(diǎn)：

• 權(quán)限無(wú)縫繼承。此前為企業(yè)制定大量數(shù)據(jù)處理方案，并進(jìn)行精細(xì)權(quán)限管控，使用該產(chǎn)品后，權(quán)限得以延續(xù)，就像傳統(tǒng)模式下只能看到個(gè)人數(shù)據(jù)報(bào)表一樣，對(duì)話模式下權(quán)限也受同樣限制。

• BI中常用的分析報(bào)表與思維可無(wú)縫繼承到新平臺(tái)。后續(xù)平臺(tái)會(huì)分析業(yè)務(wù)人員操作習(xí)慣，了解其常分析的報(bào)表并進(jìn)行自動(dòng)推薦。

這是數(shù)據(jù)建模的標(biāo)準(zhǔn)化流程，在此過(guò)程中，通過(guò)建立數(shù)據(jù)關(guān)系圖譜，將產(chǎn)品表和銷(xiāo)售表進(jìn)行維度相關(guān)的關(guān)聯(lián)配置。關(guān)聯(lián)完成后構(gòu)建AI圖譜，構(gòu)建時(shí)將所有產(chǎn)品名稱(chēng)、產(chǎn)品編碼以及相關(guān)聯(lián)的表和信息，全部嵌入向量庫(kù)進(jìn)行學(xué)習(xí)，這是RAG過(guò)程，是提升準(zhǔn)確性的首要步驟。訓(xùn)練完成后，需添加企業(yè)自身的一些額外知識(shí)，包括復(fù)雜分析示例，即特定問(wèn)句返回特定結(jié)果。通過(guò)QA類(lèi)方式為企業(yè)提供這些示例的配置方案，企業(yè)完成配置后可快速獲得精準(zhǔn)結(jié)果。這是構(gòu)建AI圖譜的過(guò)程，也是保證精準(zhǔn)性的第一步。

構(gòu)建完成后，需從技術(shù)路線上確保其準(zhǔn)確性。第一種是直接將大模型轉(zhuǎn)換為SQL方案，目前在企業(yè)中的應(yīng)用領(lǐng)域較少。原因在于，在全球評(píng)測(cè)排行榜中，BERT生成SQL的準(zhǔn)確性僅有60%多，準(zhǔn)確性較低。并且若提供全量表，無(wú)法進(jìn)行權(quán)限管控，在處理多表時(shí)，大模型也難以確定與指標(biāo)相關(guān)的表，所以該方案很少被采用。在此基礎(chǔ)上發(fā)展出第二版，即新增類(lèi)似數(shù)據(jù)模型關(guān)聯(lián)的視圖，針對(duì)主題進(jìn)行提問(wèn)。封裝完主題后，需定義自己的DSL（領(lǐng)域特定語(yǔ)言），將其封裝成一種語(yǔ)言供大模型學(xué)習(xí)，如SQL、JSON或MDX等。因?yàn)橐庋b權(quán)限等內(nèi)容，所以需要對(duì)大模型進(jìn)行微調(diào)。當(dāng)前，所有ChatBI廠商基本都會(huì)封裝自己的DSL。

但這種方式存在一定局限性，必須進(jìn)行訓(xùn)練，且訓(xùn)練周期較長(zhǎng)，后續(xù)若增加新類(lèi)型問(wèn)題，還需再次訓(xùn)練，過(guò)程較為繁瑣。目前市面上的產(chǎn)品大多采用第三種技術(shù)路線，新增一個(gè)向量庫(kù)，將指標(biāo)、表關(guān)聯(lián)關(guān)系等內(nèi)容存入其中。最初提問(wèn)時(shí)，先通過(guò)向量進(jìn)行匹配，匹配完成后讓大模型生成SQL或DSL，這種方式使準(zhǔn)確性大幅提升，基本達(dá)到80%以上，且無(wú)需對(duì)大模型進(jìn)行微調(diào)。

隨著Agent框架的推出，分析場(chǎng)景中存在更多復(fù)雜情況，不只是簡(jiǎn)單查數(shù)，還可能需要進(jìn)行深入歸因、撰寫(xiě)PPT或報(bào)告等。此類(lèi)場(chǎng)景出現(xiàn)后，單一的技術(shù)路線無(wú)法滿足需求。基于此，推出了Agent框架。在Agent框架概念中，用戶提問(wèn)后，它會(huì)先思考問(wèn)題的目的，進(jìn)行意圖識(shí)別判斷，判斷該問(wèn)題是用于歸因、數(shù)據(jù)查詢還是報(bào)表制作等。若判斷為復(fù)雜的數(shù)據(jù)分析問(wèn)題，它會(huì)依據(jù)規(guī)劃器原理將任務(wù)拆分，可能拆分成多個(gè)數(shù)據(jù)查詢?nèi)蝿?wù)，甚至包括跨表關(guān)聯(lián)或跨數(shù)據(jù)關(guān)聯(lián)模式，形成多個(gè)子任務(wù)并進(jìn)行合并與關(guān)聯(lián)。完成后，再結(jié)合分析性插件整合數(shù)據(jù)。這是整個(gè)Agent框架，它能處理各類(lèi)復(fù)雜的數(shù)據(jù)分析相關(guān)內(nèi)容，通過(guò)這種方式大幅提高了業(yè)務(wù)分析的準(zhǔn)確性。

完成上述操作后，探討在問(wèn)句提問(wèn)后如何精確查找指標(biāo)，這涉及字段精確召回流程。業(yè)務(wù)人員先進(jìn)行提問(wèn)，提問(wèn)完成后，利用分詞小模型拆分問(wèn)句，進(jìn)行實(shí)體識(shí)別，之后以向量形式進(jìn)行向量匹配。同時(shí)，對(duì)問(wèn)句進(jìn)行意圖識(shí)別，判斷該問(wèn)題屬于查數(shù)據(jù)、知識(shí)問(wèn)答、預(yù)測(cè)性分析還是歸因分析等類(lèi)型。將問(wèn)句拆分并完成向量匹配后，生成多個(gè)前述的SQL，再對(duì)SQL進(jìn)行融合。

案例分析：客戶提問(wèn)“有一位現(xiàn)金大于1萬(wàn)的客戶，查詢他的資產(chǎn)負(fù)債以及健康狀況”。這是一個(gè)復(fù)雜問(wèn)句，客戶信息、資產(chǎn)信息、負(fù)債信息記錄在不同的多表中。收到該問(wèn)句后，對(duì)其進(jìn)行實(shí)體識(shí)別與拆分，將日期單獨(dú)拆分出來(lái)，把現(xiàn)金也拆分出來(lái)，然后將這些字段分別在項(xiàng)目中檢索以找到對(duì)應(yīng)的字段。系統(tǒng)會(huì)識(shí)別出具體的日期字段，問(wèn)句中涉及客戶編碼，現(xiàn)金屬于資產(chǎn)名稱(chēng)中的一類(lèi)并將其納入。

由于向量是通過(guò)模糊匹配形式返回結(jié)果，不夠精準(zhǔn)，所以將這些字段輸入大模型，結(jié)合問(wèn)句和場(chǎng)景進(jìn)行二次精排與選擇，更明確地確定涉及的表和字段，再將字段輸入大模型生成自定義DSL，此時(shí)可以看到DSL的內(nèi)容。生成的DSL相當(dāng)于兩段SQL。對(duì)于生成的兩段SQL如何合并的問(wèn)題，傳統(tǒng)方式可能使用SQL進(jìn)行合并，而在本產(chǎn)品中采用Python進(jìn)行合并。Python在跨表關(guān)聯(lián)、復(fù)雜分析場(chǎng)景以及計(jì)算方面具有優(yōu)勢(shì)，例如取前三可直接使用精確的head函數(shù)。因此，將生成的SQL簡(jiǎn)化為多個(gè)簡(jiǎn)單SQL，再用Python進(jìn)行二次加工，可大幅提高復(fù)雜問(wèn)句處理的準(zhǔn)確性。最終合并完成后，通過(guò)Python加工將結(jié)果返回給用戶。

DeepSeek推出的推理模型對(duì)數(shù)據(jù)分析有一定提升。從數(shù)據(jù)分析智能體流程來(lái)看，推理模型擅長(zhǎng)以下方面：

• 一是意圖識(shí)別，以思維鏈方式進(jìn)行思考，在最初問(wèn)題分析時(shí)加入DeepSeek的意圖識(shí)別功能可增強(qiáng)效果；

• 二是當(dāng)出現(xiàn)復(fù)雜問(wèn)句時(shí)，能通過(guò)其方式進(jìn)行復(fù)雜任務(wù)的拆分與推理，實(shí)現(xiàn)適應(yīng)與增強(qiáng)；

• 三是結(jié)合企業(yè)數(shù)據(jù)形成智能洞察結(jié)果，其語(yǔ)義理解和推理能力更強(qiáng)?；诖?，結(jié)合專(zhuān)家模式，讓推理模型R1進(jìn)行深入思考，以形成更完善的總結(jié)。

通過(guò)對(duì)非結(jié)構(gòu)化數(shù)據(jù)的識(shí)別，結(jié)合DeepSeek的推理過(guò)程，自動(dòng)尋找對(duì)應(yīng)的數(shù)據(jù)分類(lèi)分析工具，從而形成分析結(jié)果。

03

案例分享

案例一：某上市證券公司，每年需采購(gòu)價(jià)值上百萬(wàn)的人力服務(wù)來(lái)開(kāi)發(fā)大量報(bào)表和駕駛艙。隨著大模型出現(xiàn)該客戶嘗試突破，不再依賴大量報(bào)表開(kāi)發(fā)，期望業(yè)務(wù)人員能隨時(shí)獲取數(shù)據(jù)。

實(shí)施方案：調(diào)研業(yè)務(wù)領(lǐng)導(dǎo)常用的數(shù)據(jù)分析方案，梳理涉及的指標(biāo)和具體場(chǎng)景。例如，作為證券公司，涉及基金客戶、CRM相關(guān)客戶信息、財(cái)富管理委員會(huì)的需求以及源數(shù)據(jù)需求等明確業(yè)務(wù)場(chǎng)景。收集這些場(chǎng)景并調(diào)研相關(guān)指標(biāo)后，搭建指標(biāo)知識(shí)庫(kù)，構(gòu)建相關(guān)數(shù)據(jù)模型，對(duì)涉及的表進(jìn)行關(guān)聯(lián)。關(guān)聯(lián)完成后，業(yè)務(wù)人員和領(lǐng)導(dǎo)可隨時(shí)進(jìn)行問(wèn)詢。整個(gè)項(xiàng)目上線周期約兩個(gè)月。最終，管理人員通過(guò)對(duì)話方式，可隨時(shí)獲取這幾個(gè)場(chǎng)景相關(guān)的數(shù)據(jù)問(wèn)答。

對(duì)于該證券公司而言，以往每年需采購(gòu)價(jià)值上百萬(wàn)的人力服務(wù)用于制作報(bào)表，如今所有取數(shù)需求都通過(guò)對(duì)話式分析實(shí)現(xiàn)，復(fù)雜報(bào)表也不再依賴開(kāi)發(fā)人員編寫(xiě)SQL。從增效方面來(lái)看，由于該客戶屬證券行業(yè)，存在數(shù)據(jù)安全隱患。傳統(tǒng)方式下，需業(yè)務(wù)人員進(jìn)行審核后才能提取數(shù)據(jù)，而現(xiàn)在通過(guò)設(shè)置精細(xì)化的權(quán)限管控，實(shí)現(xiàn)了秒級(jí)響應(yīng)。

案例二：某制造業(yè)企業(yè)產(chǎn)品上萬(wàn)種，銷(xiāo)售人員每次報(bào)價(jià)時(shí)，首先要查詢產(chǎn)品報(bào)價(jià)，這一過(guò)程相對(duì)簡(jiǎn)單。但當(dāng)面對(duì)一些大客戶采購(gòu)多批量不同品種的產(chǎn)品時(shí)，由于公司有一定的毛利需求，例如有成本價(jià)要求，假設(shè)客戶要采購(gòu)一批產(chǎn)品，公司要求這批產(chǎn)品最終達(dá)到15%的毛利率。傳統(tǒng)方式是將所有批次產(chǎn)品的成本價(jià)、銷(xiāo)售價(jià)等信息提取出來(lái)，導(dǎo)入Excel，經(jīng)過(guò)復(fù)雜加工后形成報(bào)價(jià)策略。

而現(xiàn)在通過(guò)大模型則更加便捷，將相關(guān)數(shù)據(jù)輸入大模型后直接提問(wèn)，大模型會(huì)自動(dòng)生成報(bào)價(jià)策略，并且還可以通過(guò)多輪對(duì)話得出優(yōu)選方案。例如A產(chǎn)品價(jià)格比平時(shí)高，要求下調(diào)10%，大模型會(huì)自動(dòng)對(duì)其他產(chǎn)品價(jià)格進(jìn)行相應(yīng)計(jì)算。通過(guò)這種方式，為企業(yè)銷(xiāo)售人員帶來(lái)極大便捷，他們可隨時(shí)隨地獲取最優(yōu)報(bào)價(jià)方案。由于大模型具備智能記憶功能，會(huì)自動(dòng)記錄報(bào)價(jià)策略，下次報(bào)價(jià)時(shí)，可結(jié)合上次報(bào)價(jià)方案作為參考。

點(diǎn)擊圖片，領(lǐng)取完整版視頻實(shí)錄和課件

思邁特AI售前總監(jiān)朱海，深耕商業(yè)智能領(lǐng)域十余年，為南方電網(wǎng)、湖北電網(wǎng)、中國(guó)石化、三一重工、長(zhǎng)江存儲(chǔ)、長(zhǎng)沙銀行等50+央國(guó)企及行業(yè)頭部客戶提供數(shù)字化轉(zhuǎn)型解決方案，擅長(zhǎng)將企業(yè)級(jí)BI技術(shù)與業(yè)務(wù)場(chǎng)景深度融合，聚焦AI智能決策技術(shù)創(chuàng)新，推動(dòng)企業(yè)從"數(shù)據(jù)可視化"向"決策自動(dòng)化"的范式躍遷。