演讲实录丨智能一站式指标平台在头部企业的实践分享

近日，在 Kyligence 2024 数智论坛暨春季发布会上，Kyligence 解决方案与服务总监甘甜发表了题为《智能一站式指标平台在头部企业的实践分享》的演讲，公开了 Kyligence 助力跨国药企、顶流餐饮连锁企业、头部银行落地指标平台与 AI Copilot 方面的真实案例。甘甜认为 AI 时代意味着服务商需要更高效地满足业务用户需求，目前 Kyligence 通过智能一站式指标平台 Kyligence Zen、AI 数智助理 Kyligence Copilot 以及独具技术优势的 OLAP 平台，解决企业级生产场景中数据分析与决策的准确性、安全性、成本和治理等问题，让 AI 更好地服务企业，实现数智转型。

大家好，很高兴分享 Kyligence 智能一站式指标平台在一些头部企业的落地实践。在分享之前，很想和大家讨论两个问题：在 AI 飞速发展的时代，业务会产生哪些基于 AI 的数据分析的核心需求？要落地这些需求，企业面临哪些挑战？

AI 时代要更高效地满足业务用户需求

据 Kyligence 观察，目前业务用户对现有基于 AI 或大模型的自然语言的数据分析，首先是希望能够直接通过自然对话方式获取到想要的数据，并且基于这些数据做对应的归因分析，获取例如销售额上升或下降的原因。同时，基于这些原因，企业也需要知道下一步做什么、怎么做。目前，内置 AI 数智助理的 Kyligence 指标平台已经可以给到一些对应的行动建议或报告，让使用者去做对内汇报或对外分享。

客户在数据分析方面的最新需求，也会带来比较多的挑战，可以从“三个层次，六个方面”大概阐述：

• 第一个层面是业务需求，例如企业资产复用和个性化场景。企业长期以来积累了大量的业务数据资产，这些资产如何与大模型的自然语言结合起来？并且实现每一个人、每一个组织对于自然语言的分析要求或满足个性化场景。

• 第二个层面是功能要求，如何保证基于自然语言的数据分析的准确性。企业级的应用场景需要达到高要求的准确性，并且实现易治理（维护和扩展 AI 可应答的场景）的状态。

• 第三个层面是底层能力，数据安全其实是每一家公司非常看重的地方，需要服务商保证 LLM 和数据交互的安全性，有效控制数据访问权限。

  
  

下面，我将展开讲讲这些挑战：

首先，是数据资产的复用。从上图可以看出，像销售 SOP 、产品文档、经营策略等知识库可以通过向量模型或向量数据库，以召回的方式补足通用大模型较为缺失的“专业化”的部分，从而提供更合适的判断和分析。对于通用大模型的对接，企业可以复用企业级已有的国产化大模型，包括一些国外的大模型（如 Open AI ）。数据资产这一块可以复用现有在 BI 或数仓里面沉淀好的业务指标所对应的数据模型，然后供给 Copilot 做底层的数据分析或数据支撑。Kyligence 此前发布了《大模型在数据分析场景下的能力评测》，对于做数据分析，什么大模型比较合适？如何调优大模型，来更好地做数据计算和洞察分析？如何降低整体成本，同时保障分析体验？等给出了建议，欢迎阅读了解。

其次，是千人千面的挑战。企业中的每一个不同的用户或每一个组织对于 AI 的需求或诉求完全不一样。通过数据，AI 数智助理可以提供个性化的配置，包括内部术语的定义。不同的人、不同团队有不同的定义，让数智助理智能去学习并生成个性化的服务。AI 数智助理 Kyligence Copilot 里面涵盖了对应主题的分析思路，包括底层的数据访问的权限都集成在一起，所以这也是 Kyligence 能够去做到千人千面去使用智能助理的一个重要原因所在。

最后，是回答准确性的挑战。在语言理解准确性方面，目前主要有两个技术路径：一是“自然语言到 SQL”（NL to SQL），二是 Kyligence 提出的“自然语言到指标查询再到 SQL”（NL to Metric Query to SQL）。据观察，SQL 对于大模型的语义理解或生成而言，存在非常的不稳定性（如上图右半边内容）。所以，Kyligence 采取第二种方案，通过业务指标来统一语义并精炼分词，有效消除了生成 SQL 的二义性问题。这种方案不仅加快了客户获取数据的速度，而且在交互层面允许客户进行必要的调整或修改。目前 Kyligence 产品已经可以达到 95% 的准确率和 100% 的可解释性。

Kyligence Copilot 四大特性，让“智能助理”更得力

基于这些需求和对应的挑战，Kyligence Zen 指标平台提供了内置 AI 数智助理的解决方案。如上图所示，业务用户可以通过自然语言的方式来去问 Kyligence AI 数智助理。例如，销售额的指标是什么。AI 数智助理将结合 Kyligence Zen 指标平台获取对应的指标数据，并且返回给 AI 数智助理，用户基于此可以进一步询问该指标上升或下降的原因。此外，Kyligence 也将基于对应的企业级知识库和大模型，给到图文报告，阐述具体的事实趋势和决策建议。该解决方案实际形成了企业数智管理的闭环，例如给到的行动建议还可以通过第三方集成的系统（飞书等）实现通知、预警、共享等效果，这也就实现了从数据获取到最终行动建议的完整流程。

通过一些头部企业的最新实践，Kyligence 看到企业用户已经通过拓展指标语义进一步了扩大 AI 数据分析的业务场景。通过在指标平台里从原有指标一键派生业务指标，由 AI 数智助理直接利用这些指标，用户也可直接查询其最新动态。这也是基于 Kyligence Zen 智能一站式指标平台产生的使用和治理效果的重要所在。接下来，总结一下 Kyligence AI 数智助理的代表特性:

• 首先，它更准确，更易治理。因为底层对接的指标平台已是一个受治理过的业务指标库。通过与 Copilot 交互，带有可观测性的能力，并且能够做人工的修正。使用者通过指标场景的扩展，能让分析的范围按照人的需要扩大或缩小，更进一步地提升了 AI 分析的可控范围。
  

• 其次，它更安全。Kyligence 可以去跟企业内部对应的用户认证系统做集成。比如 AAD，可根据组织架构配置用户的数据访问权限。

• 另外，它的响应速度达到秒级响应。这里的底层应用是原生自带的 Kyligence 高性能的 OLAP 引擎，为更快的数据分析提供有力支撑。

• 此外，它更高性价比。Kyligence 当前技术在处理问答时对推理计算的需求可以优化到小于 2000 个 Token，支持同时多人在线对话。同时，Kyligence 还具备灵活的模型解耦能力，根据需要随意切换不同的国内外模型。

  
  

  
  

这是一家跨国大型药企在AI数据分析领域的最新实践。从业务视角出发，该企业之前主要依赖现有报告来挖掘业务数据，但这些报告散布在 BI 系统、数据应用及各类不同的报告文档中，导致业务用户查找数据时需跨多个报告进行。即使找到数据，也无法立即使用，因为这涉及到与 IT 部门的口径以及数据粒度的确认，整个过程效率很低。

从数据使用者和整理者的视角看，之前的数据和指标散布在不同报表中，数据源的统一性、可靠性缺乏保障。在大模型的发展背景下，客户希望采用更加智能的数据使用模式来支持新业态，不要大量的人工投入，不要繁琐的沟通和长周期的开发。某业务或营销人员说他们的 idea 转瞬即逝，数据/指标交付很慢的话，得不到快速的验证，这使得洞察无法连续。

目前该企业已在业务场景中落地和实践 Kyligence 指标平台和 AI Copilot，特别是在一线业务人员的药品销量分析场景。药品销量受到内部和外部因素的影响，内部因素包括不同区域的产品增长表现和销售人员的拜访频次；外部因素则涉及到竞品销量的增长，可能导致本品牌在某些区域的销量下降。通过指标平台和 AI 数智助理，企业能够集成和分析各区域的销售完成率、产品增长率、客户拜访次数、竞品销量及区域排名等关键指标。企业可以基于这些指标进展设定具体目标、评估风险，并找出销售波动的原因。随后，结合已有的知识库和销售 SOP、经营策略等，优化营销策略和手段，把市场份额抢占回来。

这是一家国内顶流餐饮连锁企业应用指标平台的案例。由下图介绍可知，该企业餐饮门店数量有上万家，覆盖全国1600 多个城市，可以说，这家企业在餐饮行业的数字化实践中走在了前列。以下是该企业面临的明显痛点：

首先，由于企业的业态体量较大，涵盖多个业务线如销售和营销，各需不同的分析视角，这要求软件能够提高工作效率。另外，企业对数据安全的要求极高，需要对每个业务线及其相关部门，包括成千上万的终端门店，进行严格的数据权限管理。此外，该客户缺乏一个高性能的计算引擎，无法快速响应高并发的查询或分析需求。基于上面的痛点，Kyligence 帮助客户完成了一个全量的架构设计，该方案融合智能一站式指标平台 Kyligence Zen 、AI 数智助理 Kyligence Copilot、企业级 OLAP 引擎 Kyligence Enterprise 。

目前来看，整个方案落地后的成效非常显著。数据准备时间已降至 30 分钟，缩短了业务数据分析周期、提高了决策效率。OLAP 性能在处理 500 亿+的数据体量时，平均响应时间为 4 秒，且 90% 的查询能在 1 秒内完成。Kyligence 指标平台统一了客户所有的语义定义和分析入口，提供了统一的数据分析服务，同时保留了用户的原有数据分析习惯。无论是偏好使用 Excel，还是其他 API 或接口，系统均予以支持。

以上是该企业门店经营管理的实际应用场景。公司需要掌握全国所有门店的经营情况，并针对不同的门店，制定不同的运营和营销策略。例如，帮助门店快速识别哪些单品或者新上架的单品能够迅速推广，从而扩大营业额；哪些销量不好的单品，则可以通过降本方式，投入的优先级排后。客户目前有一些关键的指标，例如周营业率、千单成功率以及周平均营业额等，通过指标监控各项目目标完成度，掌握所有门店的整体经营情况。该业务场景，是通过Kyligence Zen 和 AI Copilot 解决方案完成实现。成果有什么？原本不能直接使用业务数据的业务人员能更加方便地使用数据了。基于自然语言，业务人员能够得到很好的建议或指导，进一步调整业务策略。此外，归因分析的效率提升了十倍以上，业务人员不再过度依赖 IT，而是通过大模型或 AI Copilot 快速定位问题，所有沉淀的数据内容成为企业的固定资产。

下面是一个关于头部银行对公存款异动分析的业务场景。对公存款是每家银行都极为重要的指标，它直接反映了银行的规模和活力。一起来看看指标平台和大模型在这一场景中如何提供洞察和分析。

我们以这两个角色为例，一个是行长，一个是客户经理。行长需要了解全行存款的业务数据和对公存款的动向，以便预判潜在风险并将其传达给客户经理。通过 Kyligence Zen 智能一站式指标平台，行长可以获得实时洞察，包括当前业绩、对公出账情况和异动等，并通过 AI 数智助理得到相应的行动建议。此外，通过结合指标平台的任务指派功能，例如连接内部的即时通信工具（飞书、企业微信等）直接发送分配给对应的负责人，完成管理的有效闭环。

对客户经理来说，如何利用 AI 追踪数据呢？客户经理可以通过指标平台全面了解客户基本情况和风险（是否健康、有何风险、历史交易情况和波动等），并借助智能归因分析和 AI 数智助理，总结出下一步的行动建议，从而加强银行业务优化，提升客户服务及满意度，以降低客户留存风险。此外，企业随着分析结果的积累，可以建立模板以便周期性复盘和校准行动建议，同时将这些宝贵资料沉淀为企业内部知识资产，供大模型训练，打造最适合企业的智能助理。