Aloudata 大應(yīng)科技宣布其自研的分析決策智能體——Aloudata Agent 公開體驗(yàn)版正式發(fā)布，面向全行業(yè)免費(fèi)開放體驗(yàn)。該產(chǎn)品是業(yè)界首個(gè)公開版企業(yè)級分析決策智能體，旨在以“NoETL 明細(xì)語義層 + 多 Agent”架構(gòu)為支撐，深度融合專業(yè)領(lǐng)域業(yè)務(wù)知識，幫助不同業(yè)務(wù)角色在統(tǒng)一數(shù)據(jù)底座上，創(chuàng)建與業(yè)務(wù)場景深度適配的智能數(shù)據(jù)分析助手，通過自然語言交互，實(shí)現(xiàn)“智能問數(shù)-智能歸因-智能報(bào)告”的分析決策閉環(huán)。

該產(chǎn)品的發(fā)布，不僅標(biāo)志著Aloudata 大應(yīng)科技跑通了大模型和數(shù)據(jù)工程結(jié)合，實(shí)現(xiàn)高效、靈活、準(zhǔn)確、安全地智能問數(shù)的NL2MQL2SQL（MQL:MetricQueryLanguage）的技術(shù)路徑，還將“萬數(shù)皆可問”升維到數(shù)據(jù)驅(qū)動(dòng)的行動(dòng)建議，精準(zhǔn)賦能業(yè)務(wù)決策與創(chuàng)新。

落地 ChatBI 不止于“萬數(shù)皆可問”，分析決策閉環(huán)才是核心

隨著大模型在企業(yè)中的應(yīng)用日益廣泛，場景不斷拓展，企業(yè)數(shù)智化轉(zhuǎn)型速度加快。在數(shù)據(jù)分析領(lǐng)域，基于大模型的數(shù)據(jù)分析 Agent（即：ChatBI）迎來爆發(fā)，宣告了智能 BI 時(shí)代的到來。

與傳統(tǒng) BI 和敏捷 BI 不同，智能 BI 推動(dòng)了數(shù)據(jù)民主化，賦予了業(yè)務(wù)人員更大的自主權(quán)，即便沒有深厚的技術(shù)背景或數(shù)據(jù)分析經(jīng)驗(yàn)，也能輕松完成取數(shù)、看數(shù)，無需漫長地等待 IT 人員和分析師制作報(bào)表。這一轉(zhuǎn)變，讓業(yè)務(wù)一線獲取數(shù)據(jù)的效率大幅提升，也使得“萬數(shù)皆可問”成為可能。

然而，從業(yè)務(wù)人員的實(shí)際需求來看，當(dāng)查詢到某個(gè)數(shù)據(jù)后，他們往往會自然產(chǎn)生進(jìn)一步探究的欲望。例如：數(shù)據(jù)表現(xiàn)不佳，迫切想知道原因所在；數(shù)據(jù)呈現(xiàn)良好增長態(tài)勢，希望了解背后的驅(qū)動(dòng)因素。這種對數(shù)據(jù)變化進(jìn)行歸因分析的需求，是業(yè)務(wù)人員在獲取數(shù)據(jù)后順理成章的下一步動(dòng)作。

進(jìn)一步講，業(yè)務(wù)人員在進(jìn)行查數(shù)、看數(shù)和歸因分析時(shí)，還期望將分析內(nèi)容拓展深化，以形成更具洞察力的分析報(bào)告，為下一步的決策行動(dòng)提供有效建議。而這對于業(yè)務(wù)人員來說難度較大，需要耗費(fèi)大量時(shí)間和精力，且分析結(jié)果質(zhì)量參差不齊。

因此，落地 ChatBI 應(yīng)不止于“萬數(shù)皆可問”的數(shù)據(jù)呈現(xiàn)，更應(yīng)實(shí)現(xiàn)從“智能問數(shù)”到“歸因分析”再到“報(bào)告解讀”的完整路徑端到端分析決策閉環(huán)，讓業(yè)務(wù)人員可以清晰地了解到數(shù)據(jù)是什么、為什么會這樣，并能深入查看更多相關(guān)數(shù)據(jù)，獲取更多分析點(diǎn)，從而作出更科學(xué)、合理的決策和行動(dòng)方向。

Aloudata Agent 產(chǎn)品經(jīng)理趙袆祺表示：“在這樣的邏輯下，我們希望將 Aloudata Agent 與專業(yè)領(lǐng)域知識深度融合，構(gòu)建適配不同業(yè)務(wù)場景的智能分析助手，為財(cái)務(wù)、HR、運(yùn)營等不同業(yè)務(wù)角色提供更優(yōu)質(zhì)的數(shù)據(jù)分析服務(wù)，全面助力企業(yè)數(shù)智化轉(zhuǎn)型?！?

以 NoETL 明細(xì)級語義層為統(tǒng)一數(shù)據(jù)底座，保障數(shù)據(jù)可得可信

為了實(shí)現(xiàn)分析決策的閉環(huán)，AloudataAgent 沒有選擇市場主流的NL2SQL和NL2DSL2SQL技術(shù)路徑，而是選擇了NL2MQL2SQL的技術(shù)路徑。因?yàn)榻?jīng)實(shí)踐驗(yàn)證，前兩者目前尚存在著“無法覆蓋全部數(shù)據(jù)分析場景”、“數(shù)據(jù)口徑不一致”、“分析靈活性不足”及“數(shù)據(jù)安全難保障”等問題。

導(dǎo)致這些問題的原因在于，NL2SQL和NL2DSL2SQL技術(shù)路徑缺乏一個(gè)強(qiáng)大的數(shù)據(jù)底座，無法為上層Agent 提供完整的數(shù)據(jù)覆蓋、精準(zhǔn)的數(shù)據(jù)語義、強(qiáng)大的查詢性能、可靠的安全保障等能力支持。

相較之下，NL2MQL2SQL這一技術(shù)路徑將NoETL明細(xì)級語義層作為堅(jiān)實(shí)的數(shù)據(jù)底座，確保了智能分析的數(shù)據(jù)可得可信，并在靈活性、高效性、安全性等方面提供了強(qiáng)大保障。具體表現(xiàn)如下：

數(shù)據(jù)完整：基于明細(xì)層數(shù)據(jù)模型進(jìn)行語義抽象，突破分析維度和數(shù)據(jù)粒度的固化，覆蓋完整的分析場景；

口徑統(tǒng)一：結(jié)合統(tǒng)一的指標(biāo)語義管理，確保無論誰提問、如何提問，指標(biāo)的計(jì)算口徑始終保持一致；

分析靈活：在統(tǒng)一口徑基礎(chǔ)上，進(jìn)行任意指標(biāo)和維度的動(dòng)態(tài)組合、自由下鉆，真正實(shí)現(xiàn)“靈活查數(shù)，口徑統(tǒng)一”；

查詢高效：智能物化加速和查詢路由改寫，保障海量數(shù)據(jù)查詢性能，百億級數(shù)據(jù)查詢穩(wěn)定秒級產(chǎn)出；

安全可控：基于指標(biāo)權(quán)限管控和行列級數(shù)據(jù)權(quán)限配置，保障數(shù)據(jù)查詢的安全可控。

在落地過程中，用戶只需將數(shù)倉中的 DWD 層數(shù)據(jù)接入 NoETL 明細(xì)級語義層，標(biāo)準(zhǔn)化定義基礎(chǔ)指標(biāo)和維度即可完成數(shù)據(jù)語料準(zhǔn)備。隨后，用戶在智能層進(jìn)行問數(shù)時(shí)，像搭積木一樣靈活組合基礎(chǔ)指標(biāo)、維度和日期，便可實(shí)現(xiàn)派生指標(biāo)的即時(shí)計(jì)算和問數(shù)。例如，在 NoETL 明細(xì)級語義層僅定義“銷售額”指標(biāo)，問數(shù)時(shí)可圍繞時(shí)間趨勢提問，查詢最近 30 天銷售額，也可進(jìn)行某段時(shí)間內(nèi)銷售額的最大、最小值和平均值計(jì)算，還能通過指標(biāo)與維度組合過濾，查詢特定渠道或品牌的銷售額等。

以NoETL明細(xì)級語義層為堅(jiān)實(shí)的數(shù)據(jù)底座，結(jié)合基于COT和ReAct 的多Agent 架構(gòu)，AloudataAgent 將NL2MQL2SQL的技術(shù)路徑分為兩大模塊：

一是大模型 Agent，能夠準(zhǔn)確識別用戶查詢目標(biāo)，精準(zhǔn)理解業(yè)務(wù)意圖，生成指標(biāo)語義查詢MQL，并負(fù)責(zé)將數(shù)據(jù)結(jié)果轉(zhuǎn)化為易于理解的洞察語言和圖表報(bào)告；

二是指標(biāo)語義引擎：將 MQL自動(dòng)轉(zhuǎn)化為可執(zhí)行的SQL語句，實(shí)現(xiàn)100% 準(zhǔn)確的SQL查詢和物化加速，高效、準(zhǔn)確輸出數(shù)據(jù)結(jié)果。在正式查詢前，指標(biāo)語義引擎通過查詢API 鑒權(quán)，核查用戶對查詢指標(biāo)、維度及相關(guān)數(shù)據(jù)的權(quán)限，保障數(shù)據(jù)安全。

“通過將專業(yè)的任務(wù)分配給專業(yè)的模塊來執(zhí)行，我們實(shí)現(xiàn)了大模型和指標(biāo)語義引擎的有效結(jié)合，并通過預(yù)先定義好的指標(biāo)語義知識緊密連接，最終幫助用戶實(shí)現(xiàn)與數(shù)據(jù)的高效協(xié)同交互。”趙袆祺對此強(qiáng)調(diào)。

三大能力助業(yè)務(wù)分析決策閉環(huán)，深度適配業(yè)務(wù)場景創(chuàng)建分析助手

基于NL2MQL2SQL的技術(shù)路徑，AloudataAgent 不僅實(shí)現(xiàn)了“萬數(shù)皆可問”的智能問數(shù)，還具備了以指標(biāo)為中心的智能歸因，以及主動(dòng)生成智能報(bào)告的綜合分析能力，從而為業(yè)務(wù)提供深度洞察和行動(dòng)建議。在AloudataAgent 支持下，業(yè)務(wù)便能夠自助打通“取數(shù)-分析-決策-行動(dòng)”的數(shù)據(jù)驅(qū)動(dòng)決策的完整鏈路。

其中，智能問數(shù)支持業(yè)務(wù)通過自然語言進(jìn)行數(shù)據(jù)查詢，借助大模型的意圖理解和語義知識庫檢索能力，自動(dòng)解析語義邏輯，如時(shí)間、指標(biāo)、維度、篩選條件和衍生計(jì)算等各種要素，再經(jīng)由指標(biāo)語義層精準(zhǔn)生成并執(zhí)行SQL 查詢，快速返回?cái)?shù)據(jù)結(jié)果。無論是“北京各門店上周的客單價(jià)是多少？”，還是“今年各月華東大區(qū)的 GMV 增長率趨勢如何？”，AloudataAgent 都能輕松應(yīng)答。

當(dāng)業(yè)務(wù)完成取數(shù)，發(fā)現(xiàn)數(shù)據(jù)波動(dòng)時(shí)，如“Q2 利潤下滑”，可進(jìn)一步追問原因，“為什么利潤下降？”、“主要受哪些因素影響？”。Aloudata Agent 基于明細(xì)級維度下鉆和指標(biāo)因子關(guān)系挖掘，可自動(dòng)識別關(guān)鍵影響因素，幫助用戶快速定位問題源頭。

針對復(fù)雜分析任務(wù)，如“上半年經(jīng)營情況”，Aloudata Agent 可自動(dòng)制定分析思路和任務(wù)規(guī)劃，整合趨勢、對比、歸因結(jié)論，生成包含數(shù)據(jù)結(jié)果查詢、異常發(fā)現(xiàn)、歸因、對比與改善措施建議的結(jié)構(gòu)化報(bào)告，將數(shù)據(jù)洞察轉(zhuǎn)化為可執(zhí)行的業(yè)務(wù)動(dòng)作，在降低業(yè)務(wù)撰寫分析報(bào)告門檻的同時(shí)，也大幅提升了決策效率。

眾所周知，企業(yè)不同業(yè)務(wù)場景中，不同的崗位角色關(guān)注的問題、使用的術(shù)語，以及所依賴的數(shù)據(jù)和決策建議千差萬別，例如門店運(yùn)營更為關(guān)注“單店業(yè)績”、“客流轉(zhuǎn)化”、“庫存周轉(zhuǎn)分析”等，區(qū)域經(jīng)營則關(guān)注“多店對比”、“市場滲透”、“資源分配建議”等。如此類場景還有財(cái)務(wù)、人力資源、銷售、供應(yīng)鏈管理等。

因此，AloudataAgent 支持深度適配不同業(yè)務(wù)場景，按照業(yè)務(wù)職能或數(shù)據(jù)領(lǐng)域，創(chuàng)建場景化智能分析助手，幫助不同業(yè)務(wù)更直接地獲取所需數(shù)據(jù)結(jié)果和分析報(bào)告。每個(gè)助手可配置獨(dú)立的資源管理，業(yè)務(wù)對負(fù)責(zé)的的指標(biāo)資源進(jìn)行獨(dú)立管理和維護(hù)，以確保信息隔離，避免造成各業(yè)務(wù)領(lǐng)域間的數(shù)據(jù)干擾。同時(shí)，每個(gè)助手還并支持業(yè)務(wù)維護(hù)個(gè)人術(shù)語知識和分析思路，以確保分析助手更加符合自身的數(shù)據(jù)分析習(xí)慣。

除此外，Aloudata Agent 還具有四大特征：

分析過程透明化：將分析過程精準(zhǔn)翻譯為用戶易于理解的語言，詳細(xì)呈現(xiàn)查詢所涉及的指標(biāo)與維度，及計(jì)算口徑，讓用戶清晰判斷輸出結(jié)果的準(zhǔn)確性，確保對指標(biāo)口徑的理解，保障數(shù)據(jù)分析的可靠性；

用戶可調(diào)整可干預(yù)：針對模糊問題，通過“反問”機(jī)制與用戶進(jìn)行二次確認(rèn)，確保問題意圖的精準(zhǔn)把握。用戶可依據(jù)實(shí)際需求，靈活調(diào)整查詢條件，與大模型實(shí)時(shí)交互確認(rèn)，包括二次確認(rèn)查詢內(nèi)容、動(dòng)態(tài)調(diào)整查詢參數(shù)等操作，從而快速獲取符合期望的準(zhǔn)確數(shù)據(jù)，提升數(shù)據(jù)查詢的效率與精準(zhǔn)度；

交互式引導(dǎo)追問：在分析過程中，支持結(jié)果下鉆與引用追問，以及基于歷史會話的問題精準(zhǔn)推薦和智能引導(dǎo)，幫助用戶精準(zhǔn)鎖定上下文信息，確保追問過程的連貫性與準(zhǔn)確性，深入挖掘數(shù)據(jù)背后的潛在價(jià)值，實(shí)現(xiàn)更全面、更深入的數(shù)據(jù)洞察；

知識可沉淀可隔離：支持用戶構(gòu)建并維護(hù)個(gè)人知識庫，實(shí)現(xiàn)不同場景下知識的有效隔離。基于這種機(jī)制，大模型能夠快速學(xué)習(xí)特定場景下的專屬知識，針對性地提升問題回答能力，有效避免因知識混淆而導(dǎo)致的回答偏差，為用戶提供更加專業(yè)、精準(zhǔn)的數(shù)據(jù)分析服務(wù)。

“通過 Aloudata Agent，我們幫助業(yè)務(wù)實(shí)現(xiàn)從‘?dāng)?shù)據(jù)獲取’到‘分析洞察’再到‘決策建議’的三級躍遷?！壁w袆祺表示，“支持創(chuàng)建場景化智能分析助手，更是開啟了全新的數(shù)據(jù)交互形式，就像為特定業(yè)務(wù)角色量身定制的數(shù)據(jù)伙伴，深刻理解業(yè)務(wù)用數(shù)需求，針對性提供數(shù)據(jù)分析服務(wù)，精準(zhǔn)賦能業(yè)務(wù)決策和創(chuàng)新?！?