在互聯(lián)網(wǎng)時(shí)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(tái)的用戶行為記錄，到工業(yè)傳感器的實(shí)時(shí)監(jiān)測(cè)，數(shù)據(jù)滲透在商業(yè)活動(dòng)的每個(gè)環(huán)節(jié)，成為驅(qū)動(dòng)決策的基礎(chǔ)資源。

然而數(shù)據(jù)的價(jià)值并不在于簡(jiǎn)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(wú)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(guò)結(jié)構(gòu)化查詢與報(bào)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(dāng)數(shù)據(jù)規(guī)模突破傳統(tǒng)數(shù)據(jù)庫(kù)的承載極限，當(dāng)動(dòng)態(tài)流數(shù)據(jù)取代靜態(tài)報(bào)表成為常態(tài)，傳統(tǒng)BI在實(shí)時(shí)性、復(fù)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(jìn)正在打破這一困局。

在海外，傳統(tǒng)的國(guó)際BI巨頭Tableau，最近發(fā)布的Tableau Next已摒棄了原來(lái)的BI架構(gòu)，轉(zhuǎn)變?yōu)橥耆闹悄荏w（Agent），通過(guò)自然語(yǔ)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(xùn)練成本的大幅壓縮，正從另一個(gè)角度推動(dòng)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(dāng)前，企業(yè)數(shù)據(jù)來(lái)源已從單一的數(shù)據(jù)庫(kù)表單擴(kuò)展至日志、音視頻、傳感器信號(hào)等多模態(tài)信息，并且非結(jié)構(gòu)化程度也越來(lái)越強(qiáng)。

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

例如文本情感分析需要自然語(yǔ)言處理能力，圖像識(shí)別依賴計(jì)算機(jī)視覺(jué)算法……但傳統(tǒng)BI的標(biāo)準(zhǔn)化報(bào)表工具無(wú)法直接調(diào)用此類分析模塊，導(dǎo)致大量高價(jià)值數(shù)據(jù)處于“不可用”狀態(tài)。

另一方面，越來(lái)越多的實(shí)時(shí)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(dāng)前業(yè)務(wù)場(chǎng)景如金融反欺詐、物流路徑優(yōu)化等，往往要求基于實(shí)時(shí)數(shù)據(jù)流在秒級(jí)內(nèi)完成分析，而不是像往常一樣做“事后諸葛亮”。

可以說(shuō)，數(shù)據(jù)變化帶來(lái)的新需求，讓BI開(kāi)始受到掣肘，而現(xiàn)實(shí)中的情況更為復(fù)雜，并且已經(jīng)有傳統(tǒng)BI導(dǎo)致的“慘案”發(fā)生了。

老王是一家連鎖便利店的區(qū)域負(fù)責(zé)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(kù)存情況，發(fā)現(xiàn)有一家門店銷售額很高，但庫(kù)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(wú)奈之下只能召集團(tuán)隊(duì)開(kāi)會(huì)，手動(dòng)分析數(shù)據(jù)，耗費(fèi)了大量時(shí)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(jī)會(huì)，老王到這家門店巡查，翻閱記賬本時(shí)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(huì)和庫(kù)存不匹配。

老王的故事說(shuō)明，雖然BI在處理靜態(tài)數(shù)據(jù)時(shí)表現(xiàn)尚可，但無(wú)法對(duì)深層原因進(jìn)行歸因分析和動(dòng)態(tài)判斷，也無(wú)法分析不同指標(biāo)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(qiáng)，需要具備專門能力的人進(jìn)行操作。

說(shuō)到這，就不得不提到另一個(gè)故（事）事（故）。

小張是某公司的一名職員，第二天要在一個(gè)重要會(huì)議上匯報(bào)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(kāi)BI工具時(shí)，發(fā)現(xiàn)系統(tǒng)中還有其他部門的10個(gè)需求正在排隊(duì)，一排就是兩個(gè)小時(shí)，等到小李終于開(kāi)始編寫(xiě)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(rèn)。

等小張收到數(shù)據(jù)時(shí)，已經(jīng)錯(cuò)過(guò)了會(huì)議時(shí)間，小張因未能及時(shí)完成數(shù)據(jù)統(tǒng)計(jì)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(gè)缺陷，就是由于過(guò)于專業(yè)化，導(dǎo)致由專人統(tǒng)一處理的時(shí)效，難以保證業(yè)務(wù)部門的數(shù)據(jù)分析時(shí)效需求。

當(dāng)然，到了AI時(shí)代，BI工具也做了進(jìn)化，和大模型進(jìn)行了結(jié)合，但效果……就很難評(píng)。

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(jué)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(bào)表的唯一數(shù)據(jù)來(lái)源，結(jié)果到了年末，管理層發(fā)現(xiàn)公司實(shí)際ROI比報(bào)表中低了80%，最終小劉被問(wèn)責(zé)。

所以，雖然結(jié)合大模型的思路沒(méi)有錯(cuò)，但如果不解決失真問(wèn)題，使用時(shí)又不認(rèn)真核對(duì)，效果可能適得其反。

大模型和數(shù)據(jù)分析

只差一個(gè)AI智能體

當(dāng)前大模型與BI工具的簡(jiǎn)單嫁接存在明顯短板，但也不能因此否認(rèn)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(jiǎn)單的問(wèn)答模型向智能體進(jìn)化。

AI智能體通過(guò)任務(wù)規(guī)劃、工具調(diào)用與結(jié)果驗(yàn)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(dòng)響應(yīng)升級(jí)到主動(dòng)規(guī)劃、自我反饋，是突破當(dāng)前瓶頸的核心路徑。

基于智能體的任務(wù)自動(dòng)化特點(diǎn)，可以為其預(yù)設(shè)“月度經(jīng)營(yíng)分析”“日?qǐng)?bào)自動(dòng)生成”等流程，然后由智能體到點(diǎn)自動(dòng)運(yùn)行并推送結(jié)果。

智能體還擁有更強(qiáng)的環(huán)境適應(yīng)能力，能夠更好地面對(duì)更龐大、非結(jié)構(gòu)化程度更高的數(shù)據(jù)場(chǎng)景，甚至適應(yīng)不同側(cè)重點(diǎn)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(dòng)建議；

如果需要實(shí)施決策，智能體也能即時(shí)響應(yīng)業(yè)務(wù)變化，自動(dòng)觸發(fā)預(yù)警并推送應(yīng)對(duì)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(wú)需安排專門人員進(jìn)行操作，避免了數(shù)據(jù)分析還要排長(zhǎng)隊(duì)的窘境。

除了智能體本身的優(yōu)勢(shì)，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(qiáng)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(lái)的模型或算力成本。

如果這時(shí)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(shuō)了這么多智能體的好處，那么究竟有沒(méi)有人在這樣做呢？

開(kāi)頭提到的Tableau，就是一個(gè)傳統(tǒng)BI巨頭通過(guò)智能體進(jìn)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(guò)指標(biāo)語(yǔ)義層（semantic layer）+智能體（Agent）的架構(gòu)來(lái)幫助其客戶解決數(shù)據(jù)分析的場(chǎng)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(zhǔn)備、語(yǔ)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(dòng)的指標(biāo)中樞）進(jìn)行深度融合，通過(guò)自動(dòng)化的工作流程提供智能洞察。

無(wú)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(dú)秀不是春，事實(shí)上，Tableau在指標(biāo)語(yǔ)義層與智能體架構(gòu)上的探索也并非孤例。

隨著企業(yè)對(duì)實(shí)時(shí)決策需求的增長(zhǎng)，越來(lái)越多廠商開(kāi)始采用類似方法突破傳統(tǒng)BI的局限，包括國(guó)內(nèi)企業(yè)也在這條路徑上進(jìn)行了探索。

比如數(shù)勢(shì)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(xué)術(shù)界的2023年，研發(fā)出了數(shù)據(jù)智能分析平臺(tái)SwiftAgent。

它以國(guó)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(guò)自然語(yǔ)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(guò)構(gòu)建統(tǒng)一的指標(biāo)語(yǔ)義層，即自然語(yǔ)言到指標(biāo)語(yǔ)義（Natural Language to Metrics）的方式實(shí)現(xiàn)精準(zhǔn)取數(shù)，解決了通過(guò)大模型直接生成SQL導(dǎo)致的數(shù)據(jù)不準(zhǔn)問(wèn)題，同時(shí)還基于指標(biāo)行列的權(quán)限管控，來(lái)保障數(shù)據(jù)安全。

數(shù)勢(shì)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(shì)的策略和技術(shù)都不落后于國(guó)際巨頭。

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

作為新型數(shù)據(jù)分析工具，基本功依然要扎實(shí)，或者說(shuō)，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(zhǔn)確性。

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

當(dāng)然準(zhǔn)確無(wú)誤只是及格標(biāo)準(zhǔn)，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(jìn)一步加強(qiáng)，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(gè)個(gè)圖表串聯(lián)起來(lái)，形成分析報(bào)告才是真正的重頭戲，也是最耗時(shí)費(fèi)力的環(huán)節(jié)。

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

同時(shí)利用DeepSeek-R1的動(dòng)態(tài)思維鏈生成能力，針對(duì)不同場(chǎng)景，不同形式的數(shù)據(jù)結(jié)構(gòu)，自動(dòng)生成結(jié)構(gòu)清晰、內(nèi)容詳實(shí)的行業(yè)報(bào)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(duì)報(bào)告進(jìn)行“深度定制”，根據(jù)企業(yè)的品牌風(fēng)格、語(yǔ)言習(xí)慣進(jìn)行文案設(shè)定，從數(shù)據(jù)圖表到文字闡述，都能精準(zhǔn)符合企業(yè)需求。

這樣的報(bào)告定制，可以說(shuō)已經(jīng)遠(yuǎn)遠(yuǎn)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(bào)告之后，它還可以進(jìn)一步利用DeepSeek-R1，進(jìn)行精準(zhǔn)的歸因分析。

比如當(dāng)企業(yè)的某項(xiàng)業(yè)務(wù)指標(biāo)出現(xiàn)波動(dòng)時(shí)，SwiftAgent 不再只是簡(jiǎn)單展示數(shù)據(jù)變化，而是深入挖掘背后的因素。

人們?cè)诿鎸?duì)出現(xiàn)的異常情況時(shí)，可能會(huì)因?yàn)榉N種原因無(wú)法在第一時(shí)間冷靜分析，判斷出問(wèn)題的來(lái)源。

但SwiftAgent不會(huì)被感性因素所干擾，能夠?qū)?wèn)題原因或者排查方向給出準(zhǔn)確及時(shí)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(wèn)題比解決問(wèn)題更重要，但既然已經(jīng)發(fā)現(xiàn)問(wèn)題，為什么不一道解決呢？

所以，SwiftAgent把最終的落腳點(diǎn)設(shè)定在了決策建議，全面挖掘數(shù)據(jù)價(jià)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(gè)可行的決策方案，并評(píng)估每個(gè)方案的潛在風(fēng)險(xiǎn)和收益。

這樣一來(lái)，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(shí)際成績(jī)也證明，SwiftAgent不僅獲得了權(quán)威機(jī)構(gòu)的認(rèn)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(rèn)可。

某銀行客戶系統(tǒng)上線后，經(jīng)過(guò)多方評(píng)估與打分，用戶意圖識(shí)別率＞98%，復(fù)雜任務(wù)規(guī)劃準(zhǔn)確率＞95%，證明系統(tǒng)具有較高的穩(wěn)定性和可靠性，其負(fù)責(zé)人表示：

“這個(gè)項(xiàng)目真的給我們帶來(lái)了很大的便利，以前我們需要花費(fèi)大量時(shí)間收集和整理數(shù)據(jù)，現(xiàn)在通過(guò)SwiftAgent，我們可以快速獲取準(zhǔn)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(lái)工作場(chǎng)景中，如果對(duì)智能體規(guī)模進(jìn)行擴(kuò)展，讓多個(gè)智能體能夠形成集群，進(jìn)行分工協(xié)作，完成更復(fù)雜的數(shù)據(jù)處理任務(wù)，甚至是數(shù)據(jù)之外的場(chǎng)景。

比如在銀行貸款業(yè)務(wù)當(dāng)中，客戶咨詢時(shí)，需求理解Agent精準(zhǔn)把握客戶的需求。申請(qǐng)?zhí)峤缓螅L(fēng)險(xiǎn)評(píng)估Agent整合多方數(shù)據(jù)評(píng)估風(fēng)險(xiǎn)。接著，貸款審批Agent依風(fēng)險(xiǎn)評(píng)級(jí)和規(guī)則進(jìn)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(fēng)險(xiǎn)及時(shí)預(yù)警。

總之，無(wú)論是海外的Tableau還是國(guó)內(nèi)的數(shù)勢(shì)，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(biāo)志著數(shù)據(jù)分析從被動(dòng)響應(yīng)到主動(dòng)決策的躍遷。

傳統(tǒng)BI時(shí)代，企業(yè)需人工定義問(wèn)題、提取數(shù)據(jù)、運(yùn)行分析，本質(zhì)是“人驅(qū)動(dòng)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(dòng)人”的雙向閉環(huán)。

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

當(dāng)AI Agent能夠自主完成“監(jiān)測(cè)數(shù)據(jù)-發(fā)現(xiàn)問(wèn)題-歸因分析-生成策略-驗(yàn)證效果”的全鏈條時(shí)，企業(yè)競(jìng)爭(zhēng)力的衡量標(biāo)準(zhǔn)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(dòng)”。

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。