如何降低数据消费门槛，让非技术用户也能成为数据分析专家？

在数字化时代，数据分析已成为企业发展的重要驱动力。对于企业而言，数据价值毋庸置疑，更重要的是如何对其进行分析和利用。从客户运营到战略决策，各行各业都离不开数据分析。本期《极客有约》栏目邀请到了数势科技数据智能产品总经理岑润哲，与他一起探讨大模型时代下，如何以 SwiftAgent 革新企业数据分析范式，让人人都能成为数据分析专家。

数势科技是行业领先的数据智能产品提供商，为全球大金融、泛零售和高科技制造企业提供大模型增强的智能产品体系，促进企业数字化转型。

如何让企业的非技术人员跨越数据的门槛，成为数据分析专家？数据分析的现状和未来发展趋势又如何？SwiftAgent 的出现如何帮助非技术用户？它的技术特点和优势是什么？精彩观点总结如下：

• 企业在进行数据分析时面临的主要挑战包括数据获取困难、高阶分析难等，企业数据分析的效率和准确性极具挑战。

• 非技术人员应从业务需求出发，逐步引入数据分析工具和理论，并通过实际操作提升分析思路。

• 企业从组织层面进行变革，形成基于数据的决策文化，打破数据孤岛，并促进跨部门协作。

• SwiftAgent 通过引入指标语义层和大模型能力，实现了数据分析的民主化，让不同岗位的人员都能实现实时、灵活、精确的数据分析，缩短从数据获取到决策的链路，提高了数据分析的效率和价值。

完整视频参看：

岑润哲：在我们服务的企业客户中，数据分析一般分为四个步骤。首先是数据收集与获取（Data Query）。企业用户、包括分析师和业务人员在分析前需从数据仓库或业务系统库中提取数据，由于他们通常缺乏数据分析技能，不熟悉 SQL 或底层数据表，这在提取中造成了最大的不便，这是许多客户的痛点。

数据分析师或商业分析师具备一定的数据分析技能，会编写 SQL，但底层数据仓库的表结构混乱，熟悉的表有限。当他们完成一个领域的指标分析后，转向另一领域时，需重新梳理表逻辑，这是数据获取阶段的一个难点。

第二步是数据获取后，使用专业分析工具或方法进行高阶分析（Data Analytics）。难点不在于选择工具，而在于根据不同场景选用合适的分析范式。例如，销量分析时可能需要同环比分析、排序分析；指标异常时需归因分析能力；转化率异常时需漏斗分析能力。工具学习不难，难的是找到适合业务板块的分析范式。

第三步是数据获取和高阶分析后，如何快速解读数据。传统 BI 工具难以直接将数据转化为洞察（insight）。我们的产品结合大模型的语义理解能力，可快速挖掘商业洞察。例如，从几千行 Excel 数据中迅速识别产品或客户群的问题。我们希望结合指标语义层和大模型辅助，优化数据洞察和解读，提供业务方所需的分析解读。

最后是数据权限和安全性问题。 若数据权限开放给所有分析师或业务人员，可能引发数据安全性和隐私问题。在数据复盘过程中，需确保不同角色和用户能获取适当权限的数据集。

总体来说，数据获取、高阶分析、数据解读理解、数据权限管控，是不同行业客户在数据分析中面临的主要问题。

岑润哲：对于非技术人员，我们将其定义为偏业务人员，他们擅长业务流程和合规性，但在将业务思维与底层数据表关联时存在难题。以零售行业为例，非技术人员如门店店长或督导需要分析经营数据、客户画像和商品销售数据，但若直接提供数据表，他们难以进行分析。

非技术人员不仅需要工具，更需要将数据分析与业务场景结合。我们认为可以通过指标语义层和大模型的生成能力，帮助客户提出更精准的问题。 例如，构建好指标体系后，大模型能生成结构化问题，如从经营视角分析门店流水和毛利，或从服务水平视角分析大众点评评分，以及客群画像等。

当企业内部的指标和维度体系建立完善，结合大模型，能够输出标准的分析思路。这与传统 BI 工具相比，是一个双向过程：大模型不仅能响应问题，还能提供分析思路。比如，大模型可以根据公司的指标和维度生成批量问题，用户再从中筛选最关心的问题进行分析。

将大模型分析助手与用户请求结合后，我们从单向的 BI 分析模式转变为可交互模式，用户可以向大模型提问，大模型也能反问用户，提供分析视角。这种模式优化了非技术人员在分析思路上的痛点，大模型的出现增强了分析思路扩展的能力。

大模型不仅提供分析思路，还能激发用户的分析欲望，形成良好的交互形式，相当于由顾问提供建议。这是大模型在智能分析领域带来的最大改变。

岑润哲：结合我们服务过的客户，我总结了三种主要障碍。

首先是组织文化的障碍。许多组织尚未形成基于数据的决策文化，决策更多由高层领导凭经验作出，这会影响分析工作的价值。如果组织文化不以数据驱动决策，即使分析质量再高也难以发挥作用。

第二是企业内部数据体系的孤岛问题。例如，在泛零售行业，线上线下渠道的数据可能未打通，或埋点数据与交易数据之间存在隔离。这导致无法进行跨部门或跨领域的分析，如无法评估营销活动的效果。

第三是跨部门协作问题。不同部门之间可能存在边界和利益问题，例如活动运营部门需要客户运营部门的数据时，可能难以获得必要的支持。这种跨部门协作的障碍，使得进行复杂的分析或关联分析变得困难。

岑润哲：我们公司的核心理念和使命是更新现行的数据分析范式，从集中式转变为民主化。目前，企业的分析逻辑多是粗犷或集中式的，业务方需向数据团队提出需求，然后等待数据提供。这种模式下，数据解读和高阶分析强烈依赖商业分析师或数据分析师团队，存在较大的隔阂。

引入指标语义层和大模型能力后，我们希望企业内部的每个员工能够成为“数据公民”，这意味着他们即使不懂数据，也能基于业务分析思路，获取和探索企业内部的数据资产。大模型的出现有助于每个数据公民进行大规模自定义数据分析，极大缩短从数据获取到决策的链路。

未来数据分析的主要方向是从研发与业务割裂的形式，转变为业务方在研发设定标准后，自行利用大模型辅助获取和挖掘数据。

岑润哲：是的。例如我们曾为一家鞋类企业提供了 基于指标语义层的完整分析框架， 他们可以分析不同客群的偏好。通过 Know Your Customer 标签，发现 25 至 29 岁女性对 PVC 材质、鞋跟高度在 3 到 5 厘米的鞋子有很高的偏好。这些信息在之前是无法获取的，因为他们不知道公司内部有这些客群和商品标签。

现在，借助大模型工具，业务方可以提出更有针对性的问题，并驱动分析过程。他们更了解产品的销售情况，能够通过数据分析找出哪些客群对特定类型或特征的鞋子有更高的转化率，进而讨论投放策略或营销策略，形成一个正循环。

传统仅从技术角度分析数据表可能无法获得这样的洞察。但现在，业务方有能力自行分析不同的标签和指标，这使他们能够更好地理解企业内部如何提升销售，实现业务驱动的数据分析和决策。

岑润哲：好的，以下是产品的 demo 视频，供大家了解，可留言或点击“阅读原文”申请产品试用。

岑润哲：我们可以回顾一下大模型和 Agent 架构出现之前的数据分析流程。传统上，数据分析链路较长，从提出需求到数据团队获取数据集、配置 BI 工具并搭建驾驶舱，整个过程耗时且复杂。核心问题在于，所有工具的使用都需要人工配置和梳理，工作量较大且重复，效率较为低下。

Agent 架构结合大模型后，展现出其优势，尤其是 Agent 在工具调用方面的能力。Agent 不仅能理解用户的自然语言需求，还能自动规划任务执行步骤。

例如，用户提出数据分析请求，Agent 可理解用户意图、获取所需地区的销售明细、进行排序和高阶分析、对比 TOP3 产品。这不仅涉及任务拆解和规划，还包括与知识库的协同和工具串联。

这种架构带来四个好处：首先，用户不再需要学习工具配置，因为大模型已经掌握了工具调用的方法；其次，通过 Agent 统一规划，提高了效率，避免了在不同工具间切换的繁琐；第三，交互性得到改善，用户通过自然语言与系统交互，降低了使用门槛；最后，简化了操作，将复杂逻辑留给程序处理。

企业可通过 Agent 机制调度内部不同工具，形成有效串联，降低了业务方学习和使用工具的时间与门槛，这是我认为它会颠覆企业分析决策范式的原因。

岑润哲：SwiftAgent 被定义为由大模型 Agent 机制驱动，并结合指标标签语义层的智能分析产品。它让企业非技术人员——如企业管理者和业务人员可准确、即时、个性化地进行数据査询和业务洞察，提升决策能力，实现数据价值普惠化。

其核心技术亮点主要分为三个层面：通过构建指标标签语义层，统一了数据和业务语言，避免了大模型的幻觉；结合 Agent 架构，赋予产品反思、推理和规划的能力；通过自研的加速引擎，提升了前端问询的响应速度。

指标标签语义层： 我们采取的技术路线不是直接将用户自然语言请求转化为 SQL。因为企业内部数据标注和治理程度不一，直接转化的准确率很低。我们构建了指标和标签语义管理层，统一了数据语言和业务语言，解决了大模型的幻觉问题，提高了准确率，并帮助企业建立了一套指标和标签体系，解决了数据统一问题。

Agent 产品架构设计：Agent 架构能够进行思考、推理和反思，解决复杂任务执行问题。自然语言形式的灵活性让用户可能提出不可预测的问题，我们设计了合理的 Agent 架构，使用户能够以自然语言形式灵活、高效地获取数据。我们在 Agent 架构层面做了大量的调研和研发，提升处理复杂问题的能力。

数据加速引擎： 我们自研了 Hyper Computing Acceleration Engine，提升对话式分析的响应速度。例如，针对用户常问的商品品类、城市等维度的销售额或毛利，进行预聚合和预计算，使得即使面对百亿级数据量的订单表，也能快速响应用户查询。

岑润哲：除了上述提到的 Agent 机制和数据加速引擎，SwiftAgent 还拥有结构化与非结构化数据联动分析的能力。我们将非结构化信息（如用户评论、直播数据）抽象化，转化为结构化数据，并与企业内部指标进行关联分析，提供更全面的分析。

岑润哲：除了零售行业，我们也在金融行业如银行、证券公司，以及高端制造行业实现了应用落地。

以某知名城商为例，分行行长通常关注贷款余额、不良率等指标的波动。传统上，他们需要向分析团队提出需求，由团队提供分析结果。现在，通过上线智能分析产品，领导可以直接通过自然语言查询获取信息，同时经营分析团队可以利用沉淀的分析模板和思路，加速从数据到分析报告的转化。

我们也与头部证券机构合作，帮助客户经理分析他们管理的高净值客户。例如，理财顾问或投资经理管理 200 个客户时，可以通过自然语言查询，快速了解哪些客户存在流失风险，或关注行业政策变动，以及持仓标的的变化。这样的分析能力，如果依靠传统 CRM 工具，可能需要花费大量时间。而通过 SwiftAgent 与客户标签、指标联动，构建了从数据洞察到决策的完整链路，效率提升 80%。此外，我们还将优秀客户经理的 SOP 沉淀在知识库中，帮助新员工快速了解如何应对不同情况，比如客户亏损时的安抚策略。这样，数据分析不仅帮助业务人员理解数据，还指导他们基于数据采取行动。

岑润哲：数势科技是北京信创工委会会员单位，已经完成国家高新技术企业认证、中关村高新技术企业认证、ISO9000 质量管理体系认证、信息安全管理体系认证、信息技术服务管理体系认证、信息系统安全登记保护三级、麒麟操作系统信创认证、达梦数据库信创认证、人大金仓信创认证和 CMMI 等资质认证。产品充分满足金融企业和国央企的部署需求。目前合作的国产大模型都已完成算法备案。另外，SwiftAgent 已首批通过中国信通院针对大模型驱动的数据分析工具的专项测试，获得权威认可。

岑润哲：智能数据分析市场将是大模型落地的重要场景。数据分析智能化能够充分利用大模型的规划和拆解能力，并与企业内部数据联动，产生化学反应。企业不仅希望提升数据分析体验，还希望降低开发需求，将数据智能化作为核心战略。

在客户需求层面，大金融、泛零售和高科技制造是我们的重点服务领域。这些行业的企业对大模型的应用已经从观望学习阶段过渡到试点实施阶段。许多头部企业，尤其是金融、国央企、零售和能源企业，已经开始大量招标，希望在数据分析、知识库、营销和 RPA 等多个场景中应用大模型。数据分析场景特别受到重视，占企业需求的 80% 以上。

另外，国家层面也在推动数据资产入表，鼓励企业将数据资产作为无形资产量化并反映在财务报表中，这也将促进大模型在数据管理和分析领域的结合。

岑润哲：首先，非技术用户应以业务需求为出发点，学习基础统计学和数据分析概念，构建分析能力的基础。例如，零售客户，可从业务场景切入，如教店长如何分析门店数据以提升业绩。

其次，非技术人员应先理解自身管理的业务逻辑流程，再逐步引入数据分析工具和理论。 建议通过实际操作小项目来提升分析思路，如门店经理、财务经理或 HR 可以分析与自己工作相关的数据。

最后，还可以加入专业论坛或群体，关注不同领域的分析博客，以帮助构建人脉并提升对数据的理解力。 业务人员转为分析师往往潜力巨大，因为他们对业务流程有深刻理解，具备在数据分析和业务洞察领域的天然优势。

数据分析不仅限于互联网公司或运营、财务风控等领域，数据分析将持续渗透到企业各个部门，提升决策效率，这是未来的大趋势，也是我们数势科技的愿景和使命。

亲自感受SwiftAgent 2.0的强大能力 ，请点击左下方阅读原文，申请试用！