推荐语

Aloudata Agent 重新定义智能数据分析，从"黑盒对话"升级为"白盒协作"，让用户掌控全局的同时享受AI高效助力。

核心内容：
1. 传统AI报告面临的"不可控"与"碎片化"困境分析
2. 突破Chat对话局限的多模式交互体系构建
3. "用户设计+AI执行"的白盒协作范式实践案例

杨芳贤

53AI创始人/腾讯云(TVP)最具价值专家

01

背景:智能融合报告的需求来源

图源: Aloudata Agent 智能数据分析新范式 PPT P1

Aloudata 在与客户深度共创过程中,收集到大量真实诉求。典型案例来自某大型零售企业:需要每天为门店店长、片区负责人、大区负责人提供日报、周报和月报。

传统报表虽含丰富数据,但业务人员难以快速抓住重点。企业希望升级为具备"为什么"和"怎么办"分析能力的深度报告,不仅展示数据现状,更提供洞察和行动建议。

然而现有产品形态存在局限:

Chat 对话模式:虽然灵活,但可控性差。同一数据,不同人不同时间提问,可能得到完全不同结果,难以满足标准化输出需求。

深度研究报告:可控性不足,且缺乏对企业独特业务知识、场景目标与约束的深度融合。AI 生成内容可能宏大全面,但与实际业务契合度不高。

客户明确希望拥有既可控、又能融入企业业务知识的产品形态,这促使团队反思真正需要的智能数据分析产品。

02

现状反思:"不可控"与"碎片化"困境

图源: Aloudata Agent 智能数据分析新范式 PPT P2

团队识别出行业面临的两大核心困境:

1. 碎片化困境

当用户通过 Chat 提出"分析最近半年华东地区销售情况"等需求时,AI 返回的往往是零散数据片段和图表,缺乏系统逻辑框架和连贯分析思路。业务人员需花费大量时间自行整合信息,难以形成完整认知闭环。

2. 不可控困境

AI 生成的报告内容由算法主导,用户无法精确控制结构、逻辑和细节。每次生成结果可能不同,难以满足标准化、可复用报告需求。AI 可能生成看似专业但实际偏离业务的内容。

这种不可控性在例行报告场景中尤为致命。企业需要稳定产出的标准化报告,而 AI 的黑盒生成机制恰恰与此背道而驰。

03

问数不是智能数据分析的终点

图源: Aloudata Agent 智能数据分析新范式 PPT P3

团队认为,数据价值创造体现在三个层次:

1. 第一层:是什么(What)——智能问数

关注数据现状描述,提高数据获取效率。传统BI报表在回答"是什么"上已相当成熟。智能问数降低了数据获取门槛,业务人员用自然语言提问即可快速获取所需数据。

2. 第二层:为什么(Why)——智能分析

深入诊断根因,理解业务数据波动背后驱动因素。当销售额下降时,需要知道是客单价下降、客流量减少,还是某品类销售问题,需进行多维度拆解和归因分析。

3. 第三层:怎么办(How)——智能决策

价值链最高层,旨在驱动决策,将数据发现转化为可执行业务行动。对门店店长而言,不仅要知道问题,更要明确具体行动:是培训导购、调整排班,还是优化商品陈列。

业务真正痛点已不再是"是什么",而是如何借助大模型能力,结合企业特定目标和场景,直接回答"为什么"和"怎么办"。

04

Chat 不是唯一的交互形式

图源: Aloudata Agent 智能数据分析新范式 PPT P4

团队提出多模式交互理念:

Chat 交互:适合快速、临时的查数目标。满足即时性、探索性数据查询需求。

GUI 交互:适合有明确路径的查数动作。当用户清楚需要什么数据、通过什么路径获取时,传统图形界面最高效。

分析报告:适合深度、结构化的数据分析构建与沉淀。对于需要系统梳理分析思路、沉淀业务知识、复用分析框架的场景,结构化报告形式不可或缺。

多模式交互设计理念,正是智能融合报告诞生的重要理论基础。

05

用户是总设计师,AI 是超级工匠

图源: Aloudata Agent 智能数据分析新范式 PPT P5

1. 人的核心价值

虽然大模型聪明,但不了解实际业务场景的具体问题定义和关键影响因素。以门店为例,AI 可能给出"加大推广力度"建议,但店长可能根本没有推广决策权限。真正有价值的建议应是:让资深导购培训其他导购,或对新人进行一对一辅导。

人的价值体现在三方面:

• 问题定义 :明确要解决什么问题、关注哪些关键因素

• 业务经验 :融入企业独特的业务知识和最佳实践

• 价值判断 :根据企业目标和约束,判断什么是有价值的洞察和行动

2. AI的优势领域

• 隐藏模式发现 :发现人类容易忽略的数据模式和规律

• 海量数据计算 :高效处理和分析大规模数据集

• 丰富外部知识 :提供广泛知识储备,补充专业视野

智能融合报告的设计理念:用户作为总设计师负责规划框架、定义思路、设定目标;AI 作为超级工匠在指导下高效完成数据计算、模式识别、内容生成。

06

核心优势:实现"全局掌控"与"AI 高效"统一

图源: Aloudata Agent 智能数据分析新范式 PPT P6

1. 从"AI 决定"到"用户掌控"

传统深度研究报告用户掌控度低,报告结构完全由 AI 决定。智能融合报告支持结构、内容、逻辑完全自定义。用户可像搭积木一样自由组织报告模块,对任意模块进行编辑、优化或替换。

2. 从"内容不稳定"到"精准可靠"

传统方式容易生成偏离业务的内容。智能融合报告通过针对每个模块设置精确 Prompt 控制,确保内容紧扣主题,分析深入到位。用户可在 Prompt 中明确指定分析维度、关注指标、输出结论、建议可执行性要求等。

3. 从"一次性生成"到"知识沉淀"

传统报告每次生成独立,优秀内容难复用。智能融合报告支持将打磨好的报告保存为模板,将个人分析框架转化为团队可复用资产。模板可持续优化,实现知识沉淀与传承。

07

功能特点:四位一体的报告生成闭环

图源: Aloudata Agent 智能数据分析新范式 PPT P7

1. 自由规划

用户在空白画布上自由拖拽章节模块,定义报告整体骨架。确保报告遵循清晰业务思路,而非依赖 AI"猜测"。

2. 精准生成

针对每个独立模块输入明确 Prompt 指令。采用模块化生成策略,每个模块独立 Prompt,可针对不同模块特点设计不同指令。

3. 无限调整

用户对任意模块内容拥有百分百控制权。支持重新生成、手动编辑、删除替换、调整顺序等操作,迭代成本极低。

4. 沉淀复用

支持将精心调整好的报告保存为模板,沉淀分析知识。模板可参数化,一次创建多次复用,极大提高工作效率。

丰富的模块能力

在报告编辑界面,用户可以自由插入多种类型的模块:

• 可视化图表 :直接插入数据图表,支持柱状图、折线图、饼图、散点图等多种类型。用户通过拖拽和配置,快速创建符合需求的数据可视化。

• 动态 AI 解读：引用图表后,AI 自动生成对该图表的解读文本。这种解读是动态关联数据源的,当数据更新时解读也相应更新。

• 动态文本：按照固定规则编排文案,支持逻辑判断和循环语句。用户可以像写代码一样定义文本生成逻辑,但语法更加简洁易懂。

• 多维归因：集成指标因子归因等高级分析能力。当关键指标异常波动时,可自动拆解归因,找出主要驱动因素。

• 静态文本：用于添加标题、说明、总结等固定内容,提供报告的基础框架。

AI 助手的便捷性

如果用户不想手动拖拽图表,可直接使用 AI 助手。这是一个类似 ChatGPT 的对话界面,用户可用自然语言描述需求。

例如直接提问"本年度销售业绩是怎么样",AI 助手会生成相应图表和分析,用户预览满意后一键应用到报告中。这种方式特别适合快速构建报告初始版本,之后再进行细节调整。

AI 助手还支持对已有模块的优化建议。例如用户可询问"这个图表是否可以换一种更清晰的展示方式",AI 助手会给出建议并展示效果。

动态 AI 解读的独特价值

动态 AI 解读是智能融合报告的一大创新特性。普通解读生成后就成为静态文本,即使底层数据变化,文本内容也不更新。当报告应用于不同时间周期或对象时,解读内容可能与实际数据脱节。

而动态 AI 解读保存对数据的引用关系,当底层数据更新后,再次生成报告时,解读内容自动更新,确保报告始终反映最新数据状态。对于需要定期生成的例行报告,这一价值巨大。

例如门店销售周报,同一模板应用于不同周次时,虽然报告结构相同,但每周数据和解读不同。动态 AI 解读能自动识别每周数据特点,生成针对性解读,无需用户手动调整。

参数化报告生成

智能融合报告支持参数化配置,这是实现模板复用的关键机制。用户可设置多个参数:

• 省份参数:控制分析哪个省份的数据

• 时间周期参数:控制分析哪个时间段的数据

• 门店参数:控制分析哪个门店的数据

• 品类参数:控制分析哪个品类的数据

设置参数后,在图表和筛选条件中绑定这些参数。当用户修改参数值时,所有绑定该参数的图表和模块自动更新。参数化的威力在于一次创建,多次复用。一个设计良好的参数化模板,可轻松应用于数百个不同对象,极大提高工作效率。

08

产品演示:门店销售周报案例

图源: Aloudata Agent 智能数据分析新范式 PPT P7

门店销售周报模板,报告分为六个部分:

业务概览:展示本周核心指标,AI 生成解读文本总结业绩亮点和关注问题。

波动归因:当销售额异常波动时,使用指标拆解归因能力清晰展示原因。采用树状结构,直观呈现各级因素贡献度。

商品结构分析:展示不同商品大类和中类销售情况及占比变化,AI 解读快速抓住关键变化。

导购视角:分析各导购表现情况,列出表现优秀和需要关注的导购,给出具体关注点。

商品 Top 榜单:列出热销和滞销商品排行,为库存管理和促销策略提供依据。

行动建议:综合商品策略、促销活动和导购情况,给出完整且具体的可执行行动建议。

参数化复用

模板支持参数化配置。用户设置"门店"和"时间周期"参数后,图表和筛选条件绑定这些参数。修改参数值时,所有绑定模块自动更新。一个模板可轻松应用于数百个门店。

定时任务(即将推出)

用户可配置定时任务,指定模板、覆盖对象、生成频率、生成时间、推送方式。系统自动按周期生成报告并推送,真正实现报告生成自动化和智能化。

09

Aloudata Agent核心优势总结

图源: Aloudata Agent 智能数据分析新范式 PPT P9

基于"NoETL 明细指标语义层+大模型"技术架构,形成五大优势:

准确性:采用 NL2MQL 技术,精准连接数据语言与业务语言。用户用自然语言表达需求,系统自动转换为精确数据查询。

全面性:通过明细指标语义层,实现灵活丰富的数据分析场景覆盖。NoETL 架构使数据无需复杂 ETL 流程即可直接查询。

聪明性:基于 COT 和 ReAct 的 Agent 架构,高效拆解并决策复杂数据分析问题。将问题拆解为多个子问题,逐步推理和求解。

友好性:提供交互式联想与引导功能,系统不仅是工具,更是业务人员的分析导师,帮助用户逐步成长为专业分析师。

安全性:实现行列级数据权限管控,保障数据安全可控,确保用户不越权访问敏感数据。

图源: Aloudata Agent 智能数据分析新范式 PPT P10

10

问答环节精选

Q1：Aloudata Agent 与同类型 ChatBI 产品的核心区别是什么？

A1：我们的“智能融合报告”核心在于可控性与业务贴合度，它适合生成日常、例行的报告（如门店日报），用户可像搭积木一样自由编排分析思路，并将业务知识融入其中。而一些 ChatBI 产品的智能报告更偏向“深度研究报告”，适合一次性的专题分析，但其生成过程更接近黑盒，结果不可控。

Q2：报告中如何保证 AI 生成内容的准确性和可控性，以消除“幻觉”？

A2：我们通过两个关键手段保障：

数据准确性：我们不依赖大模型进行数据计算，而是通过“指标语义层”将自然语言转换为规范的“指标查询语言”，再由底层引擎生成准确的 SQL，确保数据结果 100% 正确。

内容可控性：我们通过“模块化”设计，为用户提供了干净的上下文环境。用户可以在需要 AI 解读的模块中输入具体的业务提示词，从而引导 AI 生成更贴合业务实际、更具操作性的建议，避免了因系统预设提示词干扰而导致的“幻觉”或空洞内容。

Q3：数据权限是如何控制的？

A3：数据权限控制是我们的生命线。权限基于底层的“指标平台”实现，支持到行级和列级的细粒度控制。例如，一个门店店长的账号只能访问和生成其所属门店的数据报告，无法看到其他区域的信息。

Q4：对于例行报告（如给 1 万家门店生成日报），如何实现自动化？

A4：我们即将推出定时报告生成功能。用户只需将一份满意的报告保存为模板，即可配置任务，让系统每天或每周自动为指定门店（或其它业务单元）生成最新报告并推送，无需手动操作。

Q5：报告中每个分析环节之间支持判断和依赖关系吗？

A5：马上就会支持。该功能已在产品路线图中并处于开发阶段，未来将支持模块间的判断与循环，使分析思路的编排更具逻辑性和智能化。

Q6：归因分析（如销售额下降的原因）是如何实现的？维度如何选取？

A6：我们采用多路召回的方式，并避免暴力下钻带来的性能问题。一方面，支持业务人员预先配置符合业务逻辑的下钻路径；另一方面，在产品交互上，先呈现单维度的主要原因，用户可在此基础上按需手动下钻到更细的维度，这与人工分析问题的逻辑一致。

Q7：自然语言到数据查询的准确率如何？

A7：准确率因场景和测试集而异，很难给出一个绝对数字。但在我们服务的许多客户特定场景下，准确度可以达到 90% 以上。我们通过输入联想、歧义反问等多种交互手段，在体验链路上尽力确保用户意图被正确理解。

Q8：Agent 在分析场景中具体在哪些方面发挥了作用？

A8：Agent 主要在两方面发挥关键作用：

推理与规划：处理复杂问题，例如“哪些商品需要从大仓补货到门店”，这需要模型理解问题、规划查询步骤（检查库存、识别缺货等）。

数据解读与洞察：利用大模型的丰富知识，对查询出的数据进行解读，发现人眼不易察觉的模式，并生成自然语言的结论和建议。

Q9：如果生成的文本不可控，可以有审批流程吗？

A9：正在考虑引入。对于大规模生成报告的场景（如 1 万份日报），我们计划引入一个“检测 Agent”，利用另一个大模型来交叉评审生成的内容是否符合常理和业务预期，确保质量。

Q10：模板需要提前积累很多吗？业务人员可以自己创建吗？

A10：不需要提前大量积累。我们的设计理念是，业务人员可以像写文档一样，基于自身需求从头创建一份报告。当他觉得这份报告思路很好，只需将其保存为个人模板，后续即可反复使用。这极大地降低了使用门槛和分析资产的沉淀成本。

Q11：产品的技术架构中，大模型负责计算吗？

A11：不负责。数据计算这类需要精确性的工作，我们交给专业的底层数据引擎（如 Doris）完成。大模型主要发挥其在意图理解、规划、推理和内容生成方面的优势，确保各司其职，结果既准确又智能。

Q12：如何解决复杂查询（多表、多条件）下的数据准确性问题？

A12：这正是我们“指标语义层”的核心价值。它通过统一的语义层，将复杂的业务逻辑封装成可复用的指标。无论前端问题多复杂，只要翻译成的“指标查询语言”正确，底层生成的 SQL 就是准确的，从而屏蔽了多表关联和复杂条件带来的混乱与风险。

Q13：报告可以导出吗？

A13：目前暂不支持导出 Word，但很快将支持导出为 PDF 格式，以满足分发和存档的需求。

点个在看你最好看

SPRING HAS ARRIVED