AI知识库

53AI知识库

学习大模型的前沿技术与行业应用场景


演讲实录丨智能一站式指标平台在头部企业的实践分享
发布日期:2024-07-03 07:44:53 浏览次数: 1907 来源:Kyligence


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。


以下为本次演讲实录


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。



企业级 AI 场景落地的核心挑战



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。



金融、零售、医药等企业率先成功落地 Data+AI


1

跨国药企 AI 数据分析,业务用数案例

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。


2

顶流餐饮连锁企业门店经营管理案例


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。


3

头部银行对公存款异动分析案例


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。



53AI,企业落地应用大模型首选服务商

产品:大模型应用平台+智能体定制开发+落地咨询服务

承诺:先做场景POC验证,看到效果再签署服务协议。零风险落地应用大模型,已交付160+中大型企业

联系我们

售前咨询
186 6662 7370
预约演示
185 8882 0121

微信扫码

与创始人交个朋友

回到顶部

 
扫码咨询