我要投稿

城商行借助数势科技Agent实现智能分析，降本增效 | 案例研究

发布日期：2025-05-20 07:25:18 浏览次数： 1531 作者：爱分析ifenxi

随着智能化转型的加速，越来越多的银行开始探索大模型技术的应用，以提升运营效率、优化服务质量、优化成本结构。数据分析作为大模型落地的重要场景之一，备受关注。然而，许多银行基于大模型的数据分析项目仅停留在取数阶段，无法实现报告生成这一更深层次的需求，导致大模型在银行数据分析领域的应用价值较为有限。

在这种背景下，某头部城商行与数势科技的合作，为这一难题提供了创新解决方案。通过引入先进的技术和架构，该城商行成功实现了从自然语言取数到深度洞察报告生成的跨越，显著提升了数据处理效率，同时大幅降低了人力成本。本文将详细探讨这一合作项目的背景、解决方案及实施成果，为其他银行提供参考。

大模型驱动，某城商行开启数据分析降本增效新路径

某城商行的数据管理部拥有一个500人左右的团队，其中约一半为外包人员。外包成员主要包括数据分析师、产品经理、工程师等角色，其主要服务内容是利用BI（商业智能）工具，为分支行领导及业务人员提供数据提取服务，并撰写相关报告。

以核心报告之一——分支行业绩对比及经营考核报告为例。在总行进行经营分析时，需要完成两项主要工作：一是对所有分支行的核心指标进行排名；二是撰写绩效考核报告。这一过程目前主要依靠人工完成。例如，若围绕10个指标撰写一份经营分析报告，需先由数据分析师提取相关数据报表，再由业务人员依据该报表制作报告模板，随后数据分析师与业务人员协同手工撰写报告，整个流程通常耗时约两天。

由于效率偏低，虽然数据管理部人数较多，但仍常出现工单积压的情况。并且，该城商行目前每年在200多名外包人员上的成本约为7,000万元。为优化成本结构，银行管理层期望借助大模型技术，提升数据处理效率，以及节省相应的人力成本。

指标语义层+推理模型+Agent，数势科技为城商行降本增效提供新解法

在考察了一些智能分析厂商后，该银行发现目前的智能分析产品大多仍停留在查数这一基础场景上，价值比较有限。然而，银行内部真正高频且亟待解决的痛点是报告生成。例如，员工在向领导汇报工作时，往往需要先制作一份业绩复盘报告，其中不仅要包含数据表格，还要有对数据的解读以及相应的策略建议。只有真正满足报告生成这一核心需求，才能有效赋能团队，实现智能决策。

在此背景下，该银行与数势科技展开接触，并认识到数势科技的独特优势，进而与之展开合作。具体而言，数势科技的三点独特优势如下：

高回答准确率：回答准确率是银行做数据应用的基础。当前市场上的ChatBI类产品多采用NL2SQL技术路线，通常准确率在60%，且存在数据安全风险，而数势科技SwifAgent产品则在2023年便首创了大模型+指标平台的技术路线，在取数环节采用选NL2Semantic Layer的方式，也就是在自然语言和数据底表间构建指标语义层，让大模型去做擅长的自然语言意图理解，让指标语义层去做和底表数据之间的业务逻辑和映射关系，从而解决大模型幻觉问题，将自然语言取数准确率实现100%。
深度需求满足：在满足了精准问数需求的基础上，数势科技SwiftAgent也在2025年实现版本升级，通过融入DeepSeek R1推理模型和企业知识库，可自动化的沉淀企业知识，降低对于微调的依赖，更好地满足银行进行数据波动归因、预警分析和报告生成等深度需求，为银行提供一站式智能指标平台和智能分析方案。
成功案例背书：据公开资料了解到，2024年数势科技与中原银行合作智能指标平台建设，项目以数势科技智能分析助手SwiftAgent为核心产品，为中原银行构建统一指标管理平台，确保指标定义的统一性和标准化，通过低代码、自动化的指标生产代替人工开发进而提高指标交付效率，以便更好地挖掘数据中的价值。在此基础上，项目还融合大模型能力构建智能分析平台，实现指标问答、图表生成、报告生成以及归因分析等灵活应用，有效提升了业务分析决策效率，助力银行业务发展。银行内部人员对该项目给予了高度评价。这一成功案例为数势科技的技术实力和产品可落地性提供了有力背书。

数势科技SwiftAgent的产品架构与核心落地场景

SwiftAgent产品最新版本的核心架构分为三层：数据层、引擎层和应用层。

数据层支持多源异构数据接入，提供灵活的数据集成方案，包括存算一体、存算分离和存算外置。通过这些方案，确保不同数据源能够无缝连接并进行高效处理。

引擎层是整个产品的智算核心，包含三个关键模块：

数据语义模块：通过精准的指标和标签平台，解决大模型的幻觉问题，确保自然语言与数据之间的精准映射。该模块通过结构化转译消除语义鸿沟，并利用预计算加速引擎将复杂查询响应时间压缩至秒级，确保实时决策需求的满足。
智能模型引擎模块：采用混合智能架构，结合大模型和小模型的动态协同。大模型负责语义理解与逻辑推演，调用行业知识增强的百亿参数模型；小模型则专注于结构化分析，处理时序解析和指标计算等任务。动态路由控制器根据任务自动分配算力，实现推理成本与精度的最优平衡。
数据分析技能池：涵盖从数据提取到归因分析再到报告生成的完整闭环，提供全面的数据分析能力，帮助决策者获取精确的洞察。

应用层是SwiftAgent向上为企业提供功能场景的重要支撑，通过Multi-Agent架构，将多个数据应用智能体协同工作。在不同业务场景下，智能体可以联合调用，如分析报告场景需要同时调用取数Agent、分析Agent和报告Agent，实现高效协作，满足业务需求。

图1 数势科技SwiftAgent产品架构图

基于以上产品架构，在与该银行的合作中，数势科技通过SwiftAgent智能分析助手的核心能力，显著提升了企业的数据分析准确性以及洞察决策的效率和质量。

1. 低门槛取数与数据洞察

SwiftAgent利用自然语言交互技术结合DeepSeek大模型，使业务人员无需掌握复杂的技术工具，便能通过对话式查询快速获取数据和可视化结果。该功能不仅极大降低了数据获取门槛，还能够将数据结果清晰地呈现给决策者，在该银行的应用，支持业务人员迅速生成包含资产配置优化建议、市场趋势预测等关键报告，帮助金融机构精准研判市场动态，提升决策的专业性和效率。

2. 多端适配与决策敏捷性

SwiftAgent的多端适配能力，确保无论在PC端还是移动端，该银行领导也团队都能随时随地获取数据分析结果，使日常运营决策更加迅速和高效。

3. 智能报告生成与深度分析

结合DeepSeek大模型的能力，SwiftAgent在深度思考、归因解读、智能报告生成和决策建议四大维度实现了飞跃。在该项目落地中，SwiftAgent能够在5至10分钟内给提供精确、符合银行需求的深度分析报告，报告内容不仅全面，还支持该城商行提供模板定制分析维度，具有高度的可用性性和决策支持价值，使得银行的管理层能够迅速调整战略，提高决策效率。

图2 数势科技SwiftAgent生成AI报告功能展示

从2天缩短至10分钟，数势科技SwiftAgent赋能银行报告撰写效率

数势科技SwiftAgent报告生成能力是在自然语言精准取数的基础上，结合DeepSeek的深度思考能力和沉淀的金融行业分析模板，结合自研小模型和多Agent架构调用共同实现的。具体而言，报告生成的过程包括以下几个关键步骤：

1. 报告框架生成：首先，基于企业数据库和行业通用知识，自动化生成报告框架，作为后续内容填充的结构基础；

2. 子问题生成：根据指标语义层，SwiftAgent生成报告中每个子问题，严格依据存量指标进行构建；

3. 数据提取与分析：针对每个子问题，自动化调用相应的Agent进行数据取数、分析，并生成相应的内容；

4. 结果填充：最终，生成的分析结果被填充到报告框架的相应位置，完成报告的形成。

通过这种创新的AI报告生成能力，SwiftAgent能够为用户提供结构化的报告，如金融领域的资产配置优化建议和市场趋势预测。这种报告不仅帮助用户精准研判市场动态，也提升了投资决策和风险管控的专业效能。

六周完成项目落地，该城商行信用卡部门报告生成效率提升40倍

1. 项目落地步骤一：分析报告场景与指标体系梳理（约2周）

在引入AI报告生成技术的初期，关键任务是将抽象的业务需求转化为可量化的分析指标。项目团队首先与业务部门合作，确定从信用卡用户活跃度和营销策略分析两个场景入手。通过从银行数据中台接入信用卡交易数据、手机银行行为日志以及第三方支付渠道等数据，团队构建了涵盖DAU（日活跃用户数）、MAU（月活跃用户数）、消费频次、绑卡交易占比、留存率等指标的活跃度分析体系。

图3 信用卡用户活跃度分析体系建设方法

同时，在信用卡运营策略效果评估方面，团队与银行共同对活动进行了细致分类，针对促活类、增收类、留存类活动分别设计了不同的评估指标和归因分析模型。

2. 项目落地步骤二：分析模板设计与持续优化（约2周）

实现报告生成自动化与智能化的关键在于打造可复用的分析模板。项目团队与银行分析师合作，定义了分析模板的整体架构，并为每种分析范式设计了不同的可视化类型和总结侧重点。针对核心信用卡活跃类指标的归因分析，采用了维度归因、因子归因和分析树归因三种范式的融合方案，确保报告接收方能够从多个视角全面了解指标变化的原因。通过与银行分析师的共同努力，项目团队建立了约20个分析模板库，按报告类型分类存储，并记录版本迭代历史。这一举措旨在提升AI生成报告的采纳率。测试数据显示，采纳率由最初的30%提升至80%。

3. 项目落地步骤三：培训推广，从试点到规模化的跨越（约2周）

试点推广是验证项目价值的关键环节。项目团队与银行合作，选择信用卡中心的用户运营与活动运营团队作为试点对象，覆盖超过50%的分析师团队，并建立了问题反馈通道，每周收集用户需求。经过2周的试点运行，报告生成时间从原来的2.5天（纯人工撰写）缩短至30分钟（大模型生成10分钟+ 人工辅助优化20分钟）。