AI+BI，欢迎数据分析进入大模型时代

过去一年大模型应用集中爆发，中关村科金作为领先的对话式AI技术解决方案提供商，基于各个行业真实的业务痛点，围绕营销、服务与运营场景，创新打造和升级了知识助手、投顾助手、智能陪练等大模型应用，全面赋能客户经理展业，实现降本增效。

为进一步解决客户经理日常展业的痛点，中关村科金推出AI营销助手产品线，基于自研的金融领域大模型为数智底座，结合OCR、RPA、音视频等AI技术，以统一的对话式入口，集成中关村科金客户洞察平台CDP和自动化营销决策平台MA，支持用户行为数据采集UBS产品，实现了在客户跟踪维护、市场&产品问题答疑、客户标签行动洞察、投资需求参数提取、金融产品筛选对比、大类资产配置辅助、场景化财富管理7个具体业务场景的应用。

随着前线作战人员的装备提升，营销活动的组织频次密度也将随之增高，原先的活动分析BI工具难免“相形见绌”。

“从领卷人数、1天转化、7天转化对比上次活动看看？”

“把这批的活动的最终效果，转化漏斗、ROI，再找找亮点数据，做成图表，放到PPT里。”

“这批活动为什么转化率掉了，参与人跟两周前的有什么不同？”

“这场直播人数看着不错啊，是不是咱们今天破新高了，最后这些人有多少是自己买了，有多少是联系客服接着咨询了？”

“你这ROI看着不对啊，你这分子取的什么口径数？虚高了吧？”

当管理层、团队长一次次的拆解营销任务、复盘活动效果，需要协调数据团队不停地给出不同口径，不同维度的数据，活动分析仿佛回到了SQL+Excel的半手工时代。运营人员每天陷入提数、算数、看结果，换口径、重提数、找亮点，做图表、写汇报的循环里。

此外，传统BI系统需要大量的数据分析师来做ETL工作，根据定义好的业务需求，配置一张张的报告，过程繁琐、固化，更适合出具财务口径、监管口径等相对固定、明确的报表，且BI系统对操作熟练度有要求，需要在纷繁的报表中找到所需的。

既然营销可以用大模型改善，那么大模型更加擅长的数据分析，同样可以作为最先落地的应用场景范围之一。但在尝试了NL2SQL，利用大模型直接将用户指令转换成SQL执行时，却发现了些许问题，除了生成SQL的编译、表的对应问题外，还有以下常见难点：

输入的自然语言要足够精准并避免歧义，否则结果差距非常大，但这又与自然语言习惯不太符合；
有的请求是依赖上下文的，属于渐进式需求表达，但生成的SQL却可能与前述截然不同；
自然语言很难表达一些复杂场景，甚至不如直接写SQL来的容易；
查看数据时，往往需要切换不同的口径，从而找出数据变化的原因，但对口径的理解和多轮对话的表达常常又难以表述，出现反复横跳现象。

基于NL2SQL的Chat2SQL，虽然改变了用户的交互形式，以更加友好的对话式交互提升了操作的便捷性，但又存在直接对应底层数据库表时，语义理解难以准确的映射到数据层，难以应用在严肃场合的问题。此外，Chat2SQL可以辅助数据分析师开发，但数据分析师自身往往又是SQL高手，业务人员想用又不敢信，很难产生实际的生产价值。

不过这些问题并非全然无解。中关村科金基于指标中台，将可视化BI和AI能力进行合增强，引入Headless Bl模式，构建对话式BI、异动分析、智能归因、数据预测、能解读等多个产品模块，为业务提供自动化洞察数据的智能分析可视化工具，实现零代码解读数据，提高业务人员数据分析的效率，帮助企业利用数据创造更多的价值，发现新的商业机会和创新点，真正实现数据驱动经营决策。

指标中台的引入，使得AI+BI的方案可以很好地保留基于大模型对话的友好交互形式，便捷查询、低成本学习等特点，并且所有数据又经过了指标中台的处理加工，指标定义清晰、语义识别明确、结果反馈准确，既灵活又严肃。

灵活性核心体现在交互式探索。尤其是营销活动复盘这种分析重于展现的场景，对数字背后的影响因子很难一下设定完整，甚至是没有明确的方向，需要不断地依靠假设拆解指标、变换口径，以此测试验证思路的准确性，仅从几张预设的报表中是无法看出问题的。而基于大模型的交互式探索，正适合利用多轮对话，将设想转换成不同的形式呈现出来，并进行实时反馈，有助于激发想象力。

严肃主要是指数据可用、敢用。统一的指标口径与定义、严谨的原子指标加工，使得团队可以基于共同语言体系来看数据，理解一致能够提升互信度，洞见才更有可能被采纳。