AI+BI 在马上消金场景中的应用实践探索

推荐语

AI+BI如何重塑金融科技？马上消金用AIBI系统实现业务洞察与效率双提升。

核心内容：
1. AIBI系统在监管约束下的技术创新路径
2. 深度与非深度分析模式的实际应用场景
3. 从需求响应到智能决策的全流程效能优化

杨芳贤

53AI创始人/腾讯云(TVP)最具价值专家

01

马上消金业务特点

马上消金是一家头部持牌的消费金融企业，始终处于国内消金第一梯队。用一句话概括马上消金的业务特点，那就是“监管约束下科技驱动的精细化运营”。

1. 安全、合规与监管约束

马上消费金融受到数据安全和数据隐私方面的强监管。例如，数据安全与数据隐私要求严格，需满足《个人信息保护法》，分析模型需嵌入隐私计算技术；2数据分析需监控综合资金成本、服务费拆分，避免违规；用户授权数据使用需严格遵守相关法律法规。

2. 业务模式多元化与线上化

马上消金聚焦 toC 业务，客群偏下沉和长尾市场，平均客单价较低，所以客群庞大且分散，这对于数据的精细化运营能力，有很高的要求。在业务模式方面，支持灵活的在线业务模式，拥有超过 1000 个业务系统，催生了大量数据。同时，全流程线上化也对业务的服务质量和稳定性提出了很高要求。

3. 运营效率与成本管控瓶颈

随着从增量市场转为存量市场，马上消金持续进行技术深化和场景拓展，推动“科技 + 金融”生态理念。在这个过程中，也面临着运营效率与成本管控的瓶颈，需要在保证业务发展的同时，合理控制成本，提高运营效率。

4. 风控与动态监控挑战

欺诈风险占比高且隐蔽性强，不良资产处置压力增加，需要实时决策与事后分析审计相结合。这对风控与动态监控提出了巨大挑战，要求能够及时发现和应对各种风险，保障业务的稳定运行。

02

数据分析工作的痛点与需求

1. 数据需求落地周期长

马上消金数据业务痛点主要集中在需求落地周期长，流程复杂。工作流程包括数据需求沟通、数据分析建模和数据落地应用等环节。但现有流程周期长、成本高，对业务响应速度慢。一个数据需求的落地，从需求沟通到分析建模，再到需求交付，往往需要跨多个部门、多个角色配合，时间长达一周左右。

2. 数据利用率不足

从 Garner 两年前的统计报告来看，通用企业的数据有效利用率不足 30%，马上消金这方面也有很大进步空间。

3. 难以开展有效的数据分析

数据的有效分析过程也会因各种原因遇到瓶颈，如取数困难、数据分析计算过程复杂、结果价值不高等，最终影响落地效果。

4. 业务诉求

数据治理：可以快速方便的获取所需数据。

数据监测/报警：更及时、更准确的数据异常信息采集、检测和预警/报警机制。

数据可视化：简化传统 BI 数据看板繁琐的手工配置操作，实现自动化的报表制作，提高图表/报表生成速度和准确性。

数据洞察分析：由更依赖分析师个人经验的人工分析洞察提升到自动/半自动的数据洞察报告辅助生成。

03

大模型为增强分析落地提供可能性

传统的 BI 和增强分析技术虽对数据分析业务有一定正向作用，但使用门槛高，难以流畅整合到业务人员日常工作中。业务方希望有更智能、更简单易用的工具辅助达成数据业务目标。

随着大语言模型的兴盛，其强大的语言理解能力和逻辑推理能力，工具自主调用的能力以及可以有效融入领域知识等特性使得增强分析的真正落地成为可能。

马上消金在 2023 年开始识别到大模型在企业级应用场景落地的潜力，从是客服、电销、知识中台以及 营销等多个方向进行探索， AI+BI也是众多大模型落地方向之一。

04

指标中台 + 轻量 BI + AIBI 产品体系

马上消金结合自身业务场景现状，选择的 AIBI 实现路径是指标中台 + 轻量 BI + AIBI 的多层产品体系。从 2023 年开始建设指标中台，2024 年开始建设轻量 BI、Chat BI 以及增强分析。25 年初立项开始做 DeepInsight，即深度洞察的分析产品。

AIBI 以指标中台作为数据基础，以轻量 BI 作为工具基础，包括智能问数和深度洞察两个智能体，是原有的 Chat BI 和增强分析能力的升级版产品。

智能问数专注在通过对话式交互快速取数及可视化展示，价值在于将基于传统 BI 的数据开发、数据接入、数据建模、仪表板配置流程简化。

深度洞察是智能问数结合的增强，实现包括描述性分析、异动/归因分析、数据趋势预测、对策建议等数据分析的能力。

指标中台的建设和全面普及是一个持续且长期的过程，现在仍有部分业务没有接入指标系统，轻量 BI 承载了中间适配层的角色，支持多种数据接入方式，通过统一的数据引擎提供 date provider 接口，为 AIBI 提供统一的取数能力。

05

技术路线选择

1. 取数逻辑

马上消金在数据获取的技术路线上没有选择 Text2SQL 方式。因为马上消金的数据平台各类数据底表有数万张，AI 技术团队研究发现，通用业务场景下 Text2SQL 准确率不高，无法满足业务准确性要求。

鉴于现有指标中台的建设方向的明确，我们选择走 Text2DSL2API 和 Text 2DSL2SQL 的技术路线。AIBI 将自然语言识别为 DSL 交给 BI，BI 数据引擎根据对接的是指标中台还是其他数仓，调用指标 API 或解析为 SQL 进行数据查询。 这种实现方式的好处是 AI 取数效果、性能和稳定性有保障，实现逻辑也相对简单；劣势是整体系统架构比较重，一个 feature 的开发往往依赖三个产品线多方面配合，而很多能力受限于指标中台的能力局限，难以轻易扩展。

2. 工作流程选择

从 AIBI 工作流程方面，支持三级工作流程结构。

第一级 - Agentic Workflow：

AI 自主驱动的工作流程，主要用于交互式探索分析的场景，由一个主 Agent 挂载多个子 Agent 以及 MCP 工具集，以串行方式运转。

第二级 – Fixed Ruled-Based Workflow：

固定分析规则工作流，通过传统的流程编排能力完成固定业务分析主题的分析流程编排和运行；也可通过业务分析主题和业务分析流程知识的注入，由 AI 自动生成可编排的分析流程配置。总之，系统要保证分析过程的执行是严格受控的，主要用于严肃业务场景下的通用任务式主题分析上。

第三级 – Customized Biz Analytics Workflow：

纯定制的业务主题分析，由业务分析师或开发人员离线进行自定义分析脚本的编写，上传到洞察分析引擎，并由引擎托管分析脚本执行分析过程，适合前两种方式无法满足的更个性化的业务场景定制。

分析链路的选择取决于配置的分析主题及分析指标，由系统运行时自动进行工作流的选择。基于以上三种分析工作流，可以解决绝大部分马上消金内部的数据分析需求。

06

深度洞察（DeepInsight）

深度洞察 Agent 的主体由五个工作单元组成，从左到右分别是意图理解（NLU）、agentic 分析驱动引擎、数据洞察流程引擎、数据整理单元和报告生成单元。

意图理解单元根据指标元数据和对话上下文，洞察用户的意图场景，进行问题拆解、改写和简化，识别基本元素并向下传递。

Agent 分析驱动引擎根据用户意图进行任务拆解，调用相关算法和工具集，驱动任务执行，并能根据任务执行进度和结果进行动态调整和规划。

数据洞察流程引擎主要负责固定分析工作流的编排和驱动运行。

数据整理单元将分析结果，如描述性分析结果、异动识别事件结果、归因分析结果和数据预测结果等，以及业务现象和对策建议的知识洞察，整理生成清晰的知识条目。

报告生成单元根据模板库和报告模板，统一生成结果报告。

07

AIBI 能力范围

1. 系统能力使用方式

以对话式交互分析为主，同时支持 Copilot 形态集成外部系统、分析任务配置（异动/归因/预测/综合分析报告等）、用户上传 Excel 数据文件分析、BI 分析组件的方式和 OpenAPI 等方式与外部系统集成。

2. 数据接入方式

支持标准的指标中台，以及通过轻量级 BI 接入外部三方数据源。在 BI 层面，计算引擎支持自定义数据集的构建，也支持用户上传文件导入和三方外部数据接口的数据接入。

3. 分析链路

包括 Agentic Workflow、Fixed Rule Analysis Workflow 和纯定制业务主题分析等分析链路。

4. 结果触达渠道

主要渠道是对话窗口分析结果展示，同时支持分析结果的文件下载、分析报告邮件推送、飞书推送等方式。

08

AIBI 在营销 Agent 规划的定位

1. 整体定位

AIBI 和指标中台、轻量 BI 由马上消金的智能营销研发团队建设。公司积极探索 Agent 在内部业务场景下的落地最佳实践，AIBI 作为 Agent 战略里面的一个试点项目，承载着探路者的角色。通过底层的马上云平台，包括泰山大数据平台和基本的模型底座 Power Agent 等平台能力，对各类业务系统应用提供支持。

2. 营销产品矩阵

营销产品矩阵包括数据产品和营销产品。

从应用层面划分，分为传统业务系统的 AI 化和 AI 原生的应用定义。目前数据分析 Agent 正在建设中，规划建设运营策略 Agent 和智能配置 Agent 等。

在交互层面，通过整合资源，致力于解决传统的多系统/多 portal 集成复杂，交互不便的问题，为用户提供统一简洁的操作界面。目前公司内部推广统一的业务数据门户，就是这方面一个有价值的探索尝试。

09

评测体系的构建

1. 评测的必要性

对于一个 AI 应用来说，业务人员经常会提出关于 AI 效果的“灵魂三问”，即：效果怎么样？效果怎么衡量的？为什么能够达到这个效果？AI 效果评测是 AI 产品研发过程中极易被忽视但又极为关键的一环， 为了保证新上的 AI 能力能够帮助业务达成目标，因此构建了该评测体系。

2. 评测方法

该评测体系采用了复合加权评分的方法来评估效果，分为通用的 AI 模型能力评测方法和 AIBI 专属的评测指标。

通用的 AI 模型评测方法包括传统的依托识别的准确性、实体识别的准确性、复合问题拆解的准确性、工具调用的准确性以及对话的流畅度等。

AIBI 专属的评价指标包括数据计算和数据洞察两类。数据计算方面，考量计算的精准度、准确度，指标召回，维度维持的检索和时间区间识别的准确性，以及生成的代码片段的执行准确度。数据洞察方面，重点衡量智能图表推荐的准确度、洞察结果的生成情况和报告撰写的质量，包括异动事件检测的准确度、归因原因归类的准确程度、预测的准确度等，以及报告的格式、是否出现大模型幻觉生成无关错误结论、报告长度的约束等。

我们还设计了一套半自动化 AIBI 效果评测流程和工具，可以自动根据目标数据集构造问题语料，继而辅助测试人员生成 case 评测集，自动跑批完成测试并生成测试结果，测试结果前期可由人工校准，稳定后即可全自动进行测试。

10

AIBI 主界面：对话交互分析

AIBI 主界面参考了现有主流推理模型和 Manus 产品交互形态，提供深度分析和非深度分析两种方式。深度分析耗时较长，一般为 2 - 5 分钟，主要用于单指标或多指标的异动检测、归因分析、预测，并从知识库检索对策建议，最终生成分析报告。非深度分析速度较快，在 1 分钟以内完成，主要用于数据描述性分析，不生成分析报告。

11

BI 报告集成增强分析及集成分析助手

将增强分析组件集成到轻量级 BI 仪表板中是 AIBI 能力的另一个主要输出渠道，它可实时查看数据异动分析的洞察结果。同时，还实现了将对话式交互分析以 Copilot 方式集成到 BI 仪表板内，可针对每个 BI 图表组件展开操作，自动导入相关数据上下文，便于业务人员进一步的进行探索性扩展分析。

12

AIBI 的应用场景

1. 业务洞察

对金融的核心指标，如放款量、授信额度、授信人群情况等进行监测，分析指标的异常波动并定位原因，给出对策建议。通过构建指标相关性归因图谱、注入业务背景知识、定义分析策略，AIBI 可定时监测核心指标，按固定周期自动生成维度归因和指标归因的专家级分析报告。

相比传统方式，解决了数据响应慢、取数困难等问题，为公司业务管理层和执委会提供更及时有效的辅助决策信息。

2. 研发效能洞察

技术部每周五收集研发过程指标和结果类指标，由于研发效能相关指标有 100 多个，日常人工统计分析工作难度大，分析师制作报告需一整天时间甚至需要周末加班处理。在引入 AIBI 能力后，已大幅缩短了报告制作的时间，且能更精准的捕获异常指标，并给出相关问题描述、原因分析和建议。

3. 人力 HR 员工洞察

员工洞察的目标是提供团队人力全景化输出，帮助管理者提升团队整体效能。该场景的挑战在于需获取多指标组合异动规则，例如根据员工考勤和绩效情况推导离职风险等等。同时，HR 领域知识库在自身业务私域内，AIBI 需要与 HR 业务系统配合共创，定期生成员工洞察报告，集成在 BI 的 HR 员工洞察仪表板中。

4. 会议效能洞察管理

公司多地办公，大部分会议通过在线视频会议形式进行，因此产生了大量会议数据。HR 部门需周期性分析会议效率、成本和质量，以识别组织协同和管理流程问题。以往按季度进行会议效能洞察，需投入两人两周时间进行数据统计和报告生成。使用 AIBI 辅助后，预计将每季度的报告生成周期缩短至周，目前该功能还在测试集成过程中。

5. 金融监管报送

金融机构需定期或不定期报送展业数据，且要保证报送的数据和对外公布数据没有口径冲突。AIBI 赋能合规部和财务部对资本管理和经营指标进行分析判断，对比业务事件和资管情况，优化高风险高配置占比的资产配置。

此外，各类经营类数据的采集和加工非常繁琐，涉及大量的业务系统和数据集市，人工核对工作量很大； 基于指标中台 + AIBI 应用在监管报送场景以后，分析师可以很方便的基于多种组合条件进行问数，快速进行数据提取与核对，大大提升工作效率。

6. 逸骊生活业务监测

逸骊生活业务监测场景目标是提升相关业务指标报警和预警的准确度。随着相关规模扩大，业务监测指标增多，指标异动可能预示着资损或服务质量下降。以往缺乏有效数据波动预警机制，基于 AIBI 的增强分析能力，可以支持多种异动检测算法，将异常发现时效从天级降低到分钟级，并能辅助分析师快速定位问题原因，及时制定响应策略。

13

经验小结

1. 逐步推进落地

从非核心管理场景到核心经营场景，再到核心业务场景逐步推进 AIBI 的落地计划。利用内部自研优势，有大量场景进行验证和落地，积累微小胜利，降低风险。

2. 多轮驱动与慎用全自主 Agentic 工作流

在企业级业务场景中，AIBI 需要多轮驱动。对于高可靠性要求的场景，谨慎使用全自主的 Agentic 工作流。

3. 合理使用模型基座

依赖开源模型基座进行冷启动，运行一段时间采集足够数据后，再进行小模型的强化学习训练微调。谨慎使用流行的多智能体架构，避免出现结果冲突的情况。

4. 紧密协作共创

AIBI 作为工具化产品，要无缝或流畅整合到业务人员工作流程中，必须与对应的业务研发团队紧密协作、共创。

14

未来展望

1. 知识工程挑战

目前在将业务分析师的专家经验转化为 AI 能力方面存在挑战。简单的导入业务文档，仍然需要大量人工标注和配置工作。一个设想是通过一个专属的对话智能体定期与业务/分析师对话，通过不断问问题，收集有价值的业务信息。同时，当前仅支持结构化数据分析，后续需解决非结构化文件数据组合分析的问题。

2. 意图理解挑战

公司业务线广泛，涉及客服、消保、销售、营销、风控、财务等多个领域，各领域有不同的术语和习惯，通用产品在不同业务场景下的意图理解面临巨大挑战。

3. 推理稳定性问题

保障 AgenticFlow 大模型推理的稳定性是关键，要解决模型幻觉和工具调用可靠性问题。在严肃生产级别场景应用中，需谨慎使用 AgenticFlow，因为提示词、模型推理参数等任何微小条件变化可能导致结果差异巨大。

4. 数据安全问题

在与财务团队合作进行财务数据分析时，数据安全和隐私问题一定程度上影响了项目落地。未来需发力业务数据安全性/隐私性保障机制。包括：提供数据“阅后即焚”的自证机制；在不影响分析结果的前提下的数据脱敏机制等。