大模型引领数据分析大升级，让“排队与加班”成为过去式

图表1：企业2024年大模型落地场景提及率

• 错误生成：大模型先天存在幻觉问题，生成内容准确度较低。CEO、COO等非技术类高管普遍重视大模型创新项目，通常会一同参与验收环节。错误的回答不仅会导致项目验收失败，而且容易使企业高管降低对大模型的信任度，进而影响后续的一系列大模型创新项目的开展。当然，大模型面对“上周xx产品的销售额是多少”等简单取数类问题，准确率很高。但在这些用例中应用大模型的价值非常有限，毕竟需求方和数据分析团队沟通或者用传统的数据分析工具来取数，都可以便捷完成。

• 慢速生成：数据分析时常遇到连接多张表的需求，这意味着数据库需要处理更多的数据，执行的复杂度更高。这将导致查询的执行速度变得非常缓慢，甚至应用程序无法响应。企业大多已建立数据仓库，因此普遍采用“让大模型在数据仓库宽表中进行查询”的方式，旨在提升查询速度，但因此增加的宽表建模时间不容忽视。

• 呆板生成：正如前文所述，企业普遍采用“让大模型在数据仓库宽表中进行查询”的方式。该方式下，企业需要通过建模生成一张宽表，以便缩小查询范围来提升查询准确率，以及提升查询效率，但由此带来的二次建模会导致交互的复杂度提升。用户与系统交互的过程中，需要一个更加灵活的数据模型，可以应对提出的任何问题，而不是制作一张宽表再去回答问题，这会导致交互过程变得呆板。

• 准确率提升30%左右：图模型通过两个方面来缓解大模型幻觉。一是全局可视化让提问更准确。图模型采用三元组的方式来描述数据，既呈现了数据，又体现了数据之间的业务关系，可以视为企业的“数字孪生体”，用户可以非常方便地了解全局的业务逻辑（在权限允许的范围内）。因此，用户面向数据分析系统提问时，可以描述地更准确。二是向系统提供更多的prompt（提示词）。系统在理解用户问题的时候，可以从图模型中获得更多上下文信息，将其作为prompt输入大模型，便于提升准确率。图模型技术厂商欧拉智能实验数据表明，图模型可以将大模型生成结果的准确率提升 30% 左右。

• 即时人机对话：基于图游走技术的数据分析系统，可以避免传统关系数据库跨表分析慢和二次建模带来的时间成本。特别注意，国内外有多款图计算引擎，计算速度差异较大，商业化图计算引擎明显由于开源引擎。基于图模型，用户即使没有数据分析背景，也可以通过可视化界面自行配置业务规则，做到实时模型，无需协调数据分析团队介入，大大节省时间。

• 可视化实时建模：“大模型+数据仓库宽表”的处理方式导致用户仍然需要让数据分析团队通过建模制作宽表，排队问题依旧存在。出现该现象的核心原因在于用户通常不了解SQL语言，遇到任何专业技术问题都绕不开始数据分析人员。大模型+图模型解决方案一般具备可视化配置页面，业务人员自行实时建模，让交互从呆板变得灵活。

03 

最佳实践：某大型国有企业搭建数据自服务平台，用数效率为原来的14倍

图表2：欧拉智能解决方案技术架构

• 数据层：盘点该企业业务数据资产，包括ERP账务、票据中心、数据中心、ICT平台、地市集中库、本地数据等，为建立图模型做准备。

• 图模型层：基于数据资产建立图模型，包括集团产品收入模型、集团产品订购模型、集团产品欠费模型、业务管理模型和集团产品使用模型等六个部分。在图模型层还有欧拉智能自研的图计算引擎，支持取数、计算、推荐、预测等数据分析需求。

• 智能层：欧拉智能综合考虑模型成本，模型推理速度等维度，为该企业匹配合适的大模型。欧拉智能在智能层构建多个Agent，用于判断问题类型、流程拆解以及调用引擎里封装的多项工具。

• 配置层：欧拉智能为该企业提供可视化规则配置界面，用户不仅可以看到全局视图（在权限允许的范围内），还可以进行可视化实时建模，无需再在数据分析工单队列中排队。

• 应用层：欧拉智能基于该企业需求，构建多个应用，包括自服务平台、网络通、业务大厅和ICT。