• 克雷西 發(fā)自 凹非寺
  量子位 | 公眾號 QbitAI

在互聯(lián)網(wǎng)時代，數(shù)據(jù)已成為企業(yè)發(fā)展的必經(jīng)之路。

從電商平臺的用戶行為記錄，到工業(yè)傳感器的實時監(jiān)測，數(shù)據(jù)滲透在商業(yè)活動的每個環(huán)節(jié)，成為驅(qū)動決策的基礎(chǔ)資源。

然而數(shù)據(jù)的價值并不在于簡單的堆砌，未經(jīng)梳理與解讀的原始數(shù)據(jù)如同散落的拼圖碎片，既無法呈現(xiàn)完整圖景，也難以支撐業(yè)務(wù)判斷。

商業(yè)智能（BI）作為數(shù)據(jù)調(diào)取和分析的基礎(chǔ)工具，通過結(jié)構(gòu)化查詢與報表生成，曾為企業(yè)提供關(guān)鍵的信息整合能力。

但隨著大數(shù)據(jù)技術(shù)迭代，數(shù)據(jù)分析需求正發(fā)生質(zhì)變

當數(shù)據(jù)規(guī)模突破傳統(tǒng)數(shù)據(jù)庫的承載極限，當動態(tài)流數(shù)據(jù)取代靜態(tài)報表成為常態(tài)，傳統(tǒng)BI在實時性、復雜算法支持及非結(jié)構(gòu)化數(shù)據(jù)處理等方面逐漸顯現(xiàn)出局限性

現(xiàn)在，大模型向智能體的演進正在打破這一困局

在海外，傳統(tǒng)的國際BI巨頭Tableau，最近發(fā)布的Tableau Next已摒棄了原來的BI架構(gòu)，轉(zhuǎn)變?yōu)橥耆闹悄荏w（Agent），通過自然語言交互重塑數(shù)據(jù)行業(yè)。

另一方面，DeepSeek等創(chuàng)新力量憑借大模型訓練成本的大幅壓縮，正從另一個角度推動著數(shù)據(jù)分析向“智能體化”躍遷。

數(shù)據(jù)特征改變，傳統(tǒng)BI要招架不住了

當前，企業(yè)數(shù)據(jù)來源已從單一的數(shù)據(jù)庫表單擴展至日志、音視頻、傳感器信號等多模態(tài)信息，并且非結(jié)構(gòu)化程度也越來越強

傳統(tǒng)BI依賴的關(guān)系型數(shù)據(jù)庫，對這類數(shù)據(jù)的存儲和索引效率低下。

例如文本情感分析需要自然語言處理能力，圖像識別依賴計算機視覺算法……但傳統(tǒng)BI的標準化報表工具無法直接調(diào)用此類分析模塊，導致大量高價值數(shù)據(jù)處于“不可用”狀態(tài)。

另一方面，越來越多的實時決策需求也與傳統(tǒng)BI的批量處理模式存在本質(zhì)沖突。

當前業(yè)務(wù)場景如金融反欺詐、物流路徑優(yōu)化等，往往要求基于實時數(shù)據(jù)流在秒級內(nèi)完成分析，而不是像往常一樣做“事后諸葛亮”。

可以說，數(shù)據(jù)變化帶來的新需求，讓BI開始受到掣肘，而現(xiàn)實中的情況更為復雜，并且已經(jīng)有傳統(tǒng)BI導致的“慘案”發(fā)生了。

老王是一家連鎖便利店的區(qū)域負責人，他在BI系統(tǒng)中查看了各門店的銷售數(shù)據(jù)、客流量和庫存情況，發(fā)現(xiàn)有一家門店銷售額很高，但庫存周轉(zhuǎn)率卻比較低。

這樣的異常引起了老王的注意，但僅憑BI系統(tǒng)生成的靜態(tài)圖表，老王依然是丈二和尚摸不著頭腦，無奈之下只能召集團隊開會，手動分析數(shù)據(jù)，耗費了大量時間，最終得出的結(jié)論仍然不足以讓他信服。

直到一次偶然的機會，老王到這家門店巡查，翻閱記賬本時發(fā)現(xiàn)，這家店竟然把退貨額也算在了銷售額中，難怪銷量會和庫存不匹配。

老王的故事說明，雖然BI在處理靜態(tài)數(shù)據(jù)時表現(xiàn)尚可，但無法對深層原因進行歸因分析和動態(tài)判斷，也無法分析不同指標呈現(xiàn)的結(jié)果是否合理，給出決策建議就更是天方夜譚了。

然而，BI雖然在數(shù)據(jù)深度挖掘上能力一般，使用門檻卻不低，操作專業(yè)性很強，需要具備專門能力的人進行操作。

說到這，就不得不提到另一個故（事）事（故）。

小張是某公司的一名職員，第二天要在一個重要會議上匯報工作，于是向數(shù)據(jù)分析師小李提出處理需求。

不巧的是小李打開BI工具時，發(fā)現(xiàn)系統(tǒng)中還有其他部門的10個需求正在排隊，一排就是兩個小時，等到小李終于開始編寫SQL調(diào)取數(shù)據(jù)，卻發(fā)現(xiàn)小張的需求描述不夠清晰再次返回與小張溝通確認。

等小張收到數(shù)據(jù)時，已經(jīng)錯過了會議時間，小張因未能及時完成數(shù)據(jù)統(tǒng)計工作，被公司記錄了一次重大失誤。

小張的經(jīng)歷又暴露了傳統(tǒng)BI的另一個缺陷，就是由于過于專業(yè)化，導致由專人統(tǒng)一處理的時效，難以保證業(yè)務(wù)部門的數(shù)據(jù)分析時效需求。

當然，到了AI時代，BI工具也做了進化，和大模型進行了結(jié)合，但效果……就很難評。

小劉所在的公司，在數(shù)據(jù)分析上選用了配有大模型的ChatBI工具，這讓數(shù)據(jù)分析工作繁忙的小劉覺得自己找到了救命稻草。

于是小劉把大模型的結(jié)果作為報表的唯一數(shù)據(jù)來源，結(jié)果到了年末，管理層發(fā)現(xiàn)公司實際ROI比報表中低了80%，最終小劉被問責。

所以，雖然結(jié)合大模型的思路沒有錯，但如果不解決失真問題，使用時又不認真核對，效果可能適得其反。

大模型和數(shù)據(jù)分析，只差一個AI智能體

當前大模型與BI工具的簡單嫁接存在明顯短板，但也不能因此否認向數(shù)據(jù)分析中引入AI技術(shù)的必要性。

關(guān)鍵在于，數(shù)據(jù)分析中的AI，需要從簡單的問答模型向智能體進化

AI智能體通過任務(wù)規(guī)劃、工具調(diào)用與結(jié)果驗證的三層架構(gòu)，能夠?qū)⒛：枨筠D(zhuǎn)化為可執(zhí)行的分析鏈路，從被動響應(yīng)升級到主動規(guī)劃、自我反饋，是突破當前瓶頸的核心路徑。

基于智能體的任務(wù)自動化特點，可以為其預設(shè)“月度經(jīng)營分析”“日報自動生成”等流程，然后由智能體到點自動運行并推送結(jié)果。

智能體還擁有更強的環(huán)境適應(yīng)能力，能夠更好地面對更龐大、非結(jié)構(gòu)化程度更高的數(shù)據(jù)場景，甚至適應(yīng)不同側(cè)重點的分析任務(wù)——

如果需要深度，智能體可以挖掘數(shù)據(jù)背后的深層次原因，探索數(shù)據(jù)背后的關(guān)聯(lián)，給用戶提供行動建議；

如果需要實施決策，智能體也能即時響應(yīng)業(yè)務(wù)變化，自動觸發(fā)預警并推送應(yīng)對策略。

并且，智能體還打掉了傳統(tǒng)BI應(yīng)用的技術(shù)門檻，易用性高，無需安排專門人員進行操作，避免了數(shù)據(jù)分析還要排長隊的窘境。

除了智能體本身的優(yōu)勢，DeepSeek的爆發(fā)，也大幅降低了作為智能體“大腦”的大模型使用成本，不僅憑借強推理能力保證智能體的任務(wù)質(zhì)量，更能平衡智能體消耗巨量Token所帶來的模型或算力成本。

如果這時回頭再看老王、小張和小劉的經(jīng)歷，如果有了智能體，他們遇到的困境就能夠避免了。

數(shù)據(jù)分析智能體，哪里能用到？

說了這么多智能體的好處，那么究竟有沒有人在這樣做呢？

開頭提到的Tableau，就是一個傳統(tǒng)BI巨頭通過智能體進行“自我革命”的代表。

其最新的產(chǎn)品Tableau Next，已經(jīng)完全推翻了基于數(shù)據(jù)集的舊架，改為通過指標語義層（semantic layer）+智能體（Agent）的架構(gòu)來幫助其客戶解決數(shù)據(jù)分析的場景。

我們可以看到在Tableau Next 新的工作模塊中，分析流程結(jié)合了數(shù)據(jù)源連接、數(shù)據(jù)準備、語義模型、可視化等功能。

Tableau Next將Tableau智能體（Tableau Agent）與Tableau Pulse（AI驅(qū)動的指標中樞）進行深度融合，通過自動化的工作流程提供智能洞察。

無論是分析師、業(yè)務(wù)用戶還是架構(gòu)師，Tableau Next都能大幅提升他們的數(shù)據(jù)分析效率。

一枝獨秀不是春，事實上，Tableau在指標語義層與智能體架構(gòu)上的探索也并非孤例。

隨著企業(yè)對實時決策需求的增長，越來越多廠商開始采用類似方法突破傳統(tǒng)BI的局限，包括國內(nèi)企業(yè)也在這條路徑上進行了探索。

比如數(shù)勢科技就基于這樣的技術(shù)路徑，在智能體的概念還更多存在于學術(shù)界的2023年，研發(fā)出了數(shù)據(jù)智能分析平臺SwiftAgent

它以國內(nèi)通用大模型為基座，應(yīng)用RAG和AI Agent核心技術(shù)，幫助企業(yè)非技術(shù)人員通過自然語言完成數(shù)據(jù)查詢、數(shù)據(jù)分析，以及深刻洞察和決策建議。

并且通過構(gòu)建統(tǒng)一的指標語義層，即自然語言到指標語義（Natural Language to Metrics）的方式實現(xiàn)精準取數(shù)，解決了通過大模型直接生成SQL導致的數(shù)據(jù)不準問題，同時還基于指標行列的權(quán)限管控，來保障數(shù)據(jù)安全。

數(shù)勢科技介紹，SwiftAgent和Tableau Next二者在產(chǎn)品架構(gòu)、技術(shù)路線與交付形式都非常相似，表明數(shù)勢的策略和技術(shù)都不落后于國際巨頭。

經(jīng)歷一年多的迭代更新，再加上今年DeepSeek帶來了強大又經(jīng)濟的新模型，SwiftAgent已經(jīng)在國內(nèi)大批量“上崗”，幫助解決了“事實、洞見、原因、決策”這四大企業(yè)核心痛點。

作為新型數(shù)據(jù)分析工具，基本功依然要扎實，或者說，傳統(tǒng)BI能干的活，Agent就更要干得好了。

其中最關(guān)鍵的“生命線”，便是準確性。

而SwiftAgent不僅分析準確，甚至能夠看出數(shù)據(jù)本身存在的問題，比如前面連鎖便利店的老王，他所遇到的統(tǒng)計方式問題，SwiftAgent就能輕松看破。

當然準確無誤只是及格標準，數(shù)據(jù)的可視化也是呈現(xiàn)分析結(jié)果的關(guān)鍵步驟，SwiftAgent在這方面做得同樣很好。

特別是在接入 DeepSeek-R1后，SwiftAgent的數(shù)據(jù)可視化能力又得到了進一步加強，可以根據(jù)輸入的需求，瞬間生成各式各樣豐富、易懂的圖表。

但真正困住打工人的，還未必是這些圖表，把一個個圖表串聯(lián)起來，形成分析報告才是真正的重頭戲，也是最耗時費力的環(huán)節(jié)。

作為一個智能體助手，SwiftAgent也選擇幫忙幫到底，只需簡單輸入報告主題和要求，就能在短時間內(nèi)整合相關(guān)數(shù)據(jù)。

同時利用DeepSeek-R1的動態(tài)思維鏈生成能力，針對不同場景，不同形式的數(shù)據(jù)結(jié)構(gòu)，自動生成結(jié)構(gòu)清晰、內(nèi)容詳實的行業(yè)報告

而且既然接入了DeepSeek-R1，就要把它的能力發(fā)揮到最大，因此SwiftAgent還可以對報告進行“深度定制”，根據(jù)企業(yè)的品牌風格、語言習慣進行文案設(shè)定，從數(shù)據(jù)圖表到文字闡述，都能精準符合企業(yè)需求。

這樣的報告定制，可以說已經(jīng)遠遠超越了傳統(tǒng)BI的能力范疇，成為了數(shù)據(jù)分析的一種新形態(tài)。

但SwiftAgent并未止步于這種數(shù)據(jù)的表明，在做出報告之后，它還可以進一步利用DeepSeek-R1，進行精準的歸因分析

比如當企業(yè)的某項業(yè)務(wù)指標出現(xiàn)波動時，SwiftAgent 不再只是簡單展示數(shù)據(jù)變化，而是深入挖掘背后的因素。

人們在面對出現(xiàn)的異常情況時，可能會因為種種原因無法在第一時間冷靜分析，判斷出問題的來源。

但SwiftAgent不會被感性因素所干擾，能夠?qū)栴}原因或者排查方向給出準確及時的判斷，幫助人們穩(wěn)住陣腳，并快速找到異常的誘因。

的確，發(fā)現(xiàn)問題比解決問題更重要，但既然已經(jīng)發(fā)現(xiàn)問題，為什么不一道解決呢？

所以，SwiftAgent把最終的落腳點設(shè)定在了決策建議，全面挖掘數(shù)據(jù)價值，可以綜合分析各種內(nèi)外部數(shù)據(jù)為企業(yè)提供多個可行的決策方案，并評估每個方案的潛在風險和收益。

這樣一來，從原始數(shù)據(jù)到最終決策，SwiftAgent幫助人們完成了數(shù)據(jù)處理的全套流程

實際成績也證明，SwiftAgent不僅獲得了權(quán)威機構(gòu)的認證，也已經(jīng)得到了金融、零售、快消、餐飲等各種行業(yè)的用戶認可。

某銀行客戶系統(tǒng)上線后，經(jīng)過多方評估與打分，用戶意圖識別率＞98%，復雜任務(wù)規(guī)劃準確率＞95%，證明系統(tǒng)具有較高的穩(wěn)定性和可靠性，其負責人表示：

這個項目真的給我們帶來了很大的便利，以前我們需要花費大量時間收集和整理數(shù)據(jù)，現(xiàn)在通過SwiftAgent，我們可以快速獲取準確的分析結(jié)果，為我們的決策提供了有力支持。

可以想象，在未來工作場景中，如果對智能體規(guī)模進行擴展，讓多個智能體能夠形成集群，進行分工協(xié)作，完成更復雜的數(shù)據(jù)處理任務(wù)，甚至是數(shù)據(jù)之外的場景。

比如在銀行貸款業(yè)務(wù)當中，客戶咨詢時，需求理解Agent精準把握客戶的需求。申請?zhí)峤缓螅L險評估Agent整合多方數(shù)據(jù)評估風險。接著，貸款審批Agent依風險評級和規(guī)則進行審批決策。貸款發(fā)放后，貸后管理Agent持續(xù)監(jiān)控還款和信用狀況，發(fā)現(xiàn)風險及時預警。

總之，無論是海外的Tableau還是國內(nèi)的數(shù)勢，都在告訴全體從業(yè)者，AI Agent正在成為數(shù)據(jù)分析的新技術(shù)范式。

它標志著數(shù)據(jù)分析從被動響應(yīng)到主動決策的躍遷

傳統(tǒng)BI時代，企業(yè)需人工定義問題、提取數(shù)據(jù)、運行分析，本質(zhì)是“人驅(qū)動數(shù)據(jù)”的單向流程，而AI智能體構(gòu)建起了“數(shù)據(jù)驅(qū)動人”的雙向閉環(huán)。

并且這場轉(zhuǎn)型已非單純的技術(shù)升級，而是商業(yè)邏輯的重構(gòu)。

當AI Agent能夠自主完成“監(jiān)測數(shù)據(jù)-發(fā)現(xiàn)問題-歸因分析-生成策略-驗證效果”的全鏈條時，企業(yè)競爭力的衡量標準將從“擁有多少數(shù)據(jù)”轉(zhuǎn)向“多快將數(shù)據(jù)轉(zhuǎn)化為行動”。

是否擁抱這一變革，正在成為企業(yè)不可回避的戰(zhàn)略抉擇。