數(shù)據(jù)已成為數(shù)字經(jīng)濟(jì)深入發(fā)展的關(guān)鍵要素和重要戰(zhàn)略資源。然而，隨著行業(yè)信息化的推進(jìn)，以及產(chǎn)品服務(wù)由“少種多量”向“多種少量”的特征轉(zhuǎn)變，導(dǎo)致數(shù)據(jù)海量集聚、生命周期明顯縮短。傳統(tǒng)的報(bào)表式數(shù)據(jù)描述性分析工具（BI）難以挖掘海量多源異構(gòu)數(shù)據(jù)的關(guān)聯(lián)和潛在價(jià)值。大模型在融合大數(shù)據(jù)、強(qiáng)算法、大算力方面展現(xiàn)巨大潛力，逐步形成以預(yù)測(cè)性和指導(dǎo)性分析為核心的新一代數(shù)據(jù)治理范式。鑒于此，中關(guān)村科金得助基于自主研發(fā)的金融大模型和數(shù)據(jù)驅(qū)動(dòng)的決策實(shí)踐，全面升級(jí)新一代對(duì)話式智能分析決策平臺(tái)，形成全域數(shù)據(jù)質(zhì)量規(guī)范管理的可信源、基于人機(jī)協(xié)同的增強(qiáng)根因分析和預(yù)測(cè)決策支持、全員決策反饋的自然語(yǔ)言對(duì)話式分析和洞察生態(tài)等核心能力，推動(dòng)數(shù)據(jù)資產(chǎn)的有效治理、精準(zhǔn)數(shù)據(jù)決策，自上而下形成多維智能決策數(shù)據(jù)應(yīng)用的組織效應(yīng)，真正實(shí)現(xiàn)了數(shù)據(jù)驅(qū)動(dòng)的全面要素價(jià)值釋放。

數(shù)字時(shí)代下海量數(shù)據(jù)的

復(fù)雜決策挑戰(zhàn)和群智優(yōu)化管理

當(dāng)前，以數(shù)據(jù)資源為關(guān)鍵要素的數(shù)字科技和數(shù)字化建設(shè)，成為產(chǎn)業(yè)智能變革的重要推動(dòng)力。然而，隨著市場(chǎng)環(huán)境的變化和消費(fèi)者需求的多樣化，僅靠報(bào)表統(tǒng)計(jì)的傳統(tǒng)數(shù)據(jù)分析（BI）已無(wú)法滿足自動(dòng)化和智能化的需求。特別是在海量數(shù)據(jù)集聚、生命周期明顯縮短的趨勢(shì)下，實(shí)現(xiàn)更全面、更均衡、更普遍的數(shù)據(jù)洞察和精準(zhǔn)智能決策，面臨的挑戰(zhàn)愈加嚴(yán)峻。

一、數(shù)據(jù)生命周期的縮短和用戶需求的中心化凸顯出數(shù)據(jù)管理的矛盾，企業(yè)迫切需要從全局角度進(jìn)行優(yōu)化

用戶對(duì)個(gè)性化、定制化的產(chǎn)品和服務(wù)的需求不斷增加，產(chǎn)品和服務(wù)的生命周期管理策略縮短導(dǎo)致數(shù)據(jù)生命周期明顯縮短，并且其產(chǎn)生、流動(dòng)和失效速度都在加快。IDC報(bào)告顯示，全球數(shù)據(jù)總量到2025年將增長(zhǎng)到175ZB，復(fù)合年增長(zhǎng)率為61%。數(shù)據(jù)規(guī)模的快速增長(zhǎng)伴隨數(shù)據(jù)多樣性、復(fù)雜性增加，超過(guò)80%的企業(yè)在數(shù)據(jù)口徑方面存在挑戰(zhàn)，數(shù)據(jù)的質(zhì)量和一致性難以保障，甚至產(chǎn)生數(shù)據(jù)孤島，同時(shí)報(bào)告顯示27.1%的企業(yè)表示雖然打破了數(shù)據(jù)孤島，但難以形成業(yè)務(wù)協(xié)同。國(guó)際數(shù)據(jù)管理協(xié)會(huì)DAMA的一項(xiàng)調(diào)查顯示，僅有不到30%的企業(yè)能夠做到數(shù)據(jù)的全面標(biāo)準(zhǔn)化和統(tǒng)一管理。數(shù)據(jù)的冗余和不一致性，使得企業(yè)在決策時(shí)面臨更大的風(fēng)險(xiǎn)和挑戰(zhàn)。因此，企業(yè)需要自上而下建立起全面的數(shù)據(jù)管理體系，加強(qiáng)對(duì)數(shù)據(jù)質(zhì)量的監(jiān)控和管理，實(shí)現(xiàn)數(shù)據(jù)資產(chǎn)的有效利用和保障。

二、傳統(tǒng)描述性數(shù)據(jù)分析的模板化、同質(zhì)化高，難以滿足預(yù)測(cè)、歸因等特定洞察和智能決策需求

大數(shù)據(jù)應(yīng)用的三個(gè)層次分別是描述性分析、預(yù)測(cè)性分析和指導(dǎo)性分析，然而傳統(tǒng)數(shù)據(jù)分析工具（BI）往往是基于經(jīng)驗(yàn)或理論范式的描述性分析，提供標(biāo)準(zhǔn)化的報(bào)告和通用分析模板，這無(wú)法實(shí)現(xiàn)個(gè)性化、定制化、多樣化數(shù)據(jù)分析需求。超過(guò)70%的企業(yè)表示面對(duì)復(fù)雜多變的業(yè)務(wù)場(chǎng)景，這種“一刀切”的方法往往難以提供足夠的洞察力，限制了數(shù)據(jù)在復(fù)雜決策中的潛在價(jià)值。根據(jù)McKinsey的報(bào)告，只有少數(shù)企業(yè)能夠有效利用預(yù)測(cè)分析、歸因分析等深度分析的工具，以支持特定的智能決策需求。由此，新一代數(shù)據(jù)治理核心是動(dòng)態(tài)多維的數(shù)據(jù)洞察和智能決策，聚焦相關(guān)分析、因果分析、動(dòng)因分析的數(shù)據(jù)洞察。

三、數(shù)據(jù)工具的滲透率和普適率不足，制約全員參與的群智數(shù)據(jù)決策優(yōu)化

調(diào)研顯示，雖然超過(guò)98.6%的企業(yè)采用了至少一種數(shù)據(jù)分析工具，但只有28.6%的企業(yè)能將應(yīng)用場(chǎng)景完全落地。技術(shù)門檻是制約全員參與群智數(shù)據(jù)決策優(yōu)化的主要因素。Gartner的報(bào)告指出，超過(guò)70%的數(shù)據(jù)分析項(xiàng)目因缺乏有效的數(shù)據(jù)文化和人才，無(wú)法有效利用數(shù)據(jù)工具進(jìn)行決策支持。在這種情況下，企業(yè)應(yīng)重視提升員工的數(shù)據(jù)素養(yǎng)，采用更智能化的數(shù)據(jù)分析工具，降低技術(shù)門檻，簡(jiǎn)化操作界面，提高工具的普適性和易用性，讓更多的員工參與到數(shù)據(jù)決策優(yōu)化過(guò)程中，推動(dòng)全員參與的群智數(shù)據(jù)決策優(yōu)化。

基于大模型的新一代數(shù)據(jù)治理和

智能決策平臺(tái)建設(shè)實(shí)踐

在數(shù)字時(shí)代下海量數(shù)據(jù)的群智優(yōu)化管理中，中關(guān)村科金基于自主研發(fā)的金融大模型和數(shù)據(jù)驅(qū)動(dòng)的決策實(shí)踐，全面升級(jí)新一代對(duì)話式智能分析決策平臺(tái)。通過(guò)提升數(shù)據(jù)管理的標(biāo)準(zhǔn)化和統(tǒng)一性，提高數(shù)據(jù)工具的滲透率和普適率，以及開(kāi)發(fā)定制化的數(shù)據(jù)分析模型，企業(yè)從而更好地利用數(shù)據(jù)資產(chǎn)，支持復(fù)雜決策過(guò)程，實(shí)現(xiàn)創(chuàng)新增長(zhǎng)。

（1）以智能指標(biāo)中臺(tái)夯實(shí)數(shù)據(jù)治理底座，驅(qū)動(dòng)一致、標(biāo)準(zhǔn)、多處復(fù)用的可信源

數(shù)據(jù)治理的基礎(chǔ)問(wèn)題是解決傳統(tǒng)描述性分析實(shí)踐中的數(shù)據(jù)管理源底層沖突。數(shù)據(jù)的分散、標(biāo)準(zhǔn)不一以及重復(fù)建設(shè)等問(wèn)題增加了數(shù)據(jù)管理的復(fù)雜性，降低了決策的效率和準(zhǔn)確性。部門間的數(shù)據(jù)孤島和指標(biāo)統(tǒng)計(jì)口徑的不一致阻礙了有效協(xié)作，不利于管理者基于數(shù)據(jù)驅(qū)動(dòng)精細(xì)化管理和快速?zèng)Q策響應(yīng)市場(chǎng)變化，而傳統(tǒng)BI工具依賴圖形用戶界面（GUI）限制了其靈活性和擴(kuò)展性，難以跟上快速發(fā)展的業(yè)務(wù)需求。

在此背景下，新一代數(shù)據(jù)治理和分析決策強(qiáng)調(diào)數(shù)據(jù)后端的處理能力，而非前端的可視化展示，從而通過(guò)自動(dòng)化和編程方式來(lái)處理分析數(shù)據(jù)，并將數(shù)據(jù)分析密集集成到業(yè)務(wù)流程中。其中，基于指標(biāo)中臺(tái)的體系化建設(shè)有效應(yīng)對(duì)數(shù)據(jù)效率難題。它將數(shù)據(jù)的語(yǔ)義層與應(yīng)用層進(jìn)行解耦，通過(guò)統(tǒng)一語(yǔ)義層的模式實(shí)現(xiàn)了數(shù)據(jù)指標(biāo)的一次定義、多處復(fù)用。這種設(shè)計(jì)不僅確保了數(shù)據(jù)的一致性和標(biāo)準(zhǔn)化，而且提高了數(shù)據(jù)服務(wù)的可復(fù)用性，為企業(yè)提供了一個(gè)可信的數(shù)據(jù)源。在這樣的智能指標(biāo)中臺(tái)中，企業(yè)可以構(gòu)建統(tǒng)一的數(shù)據(jù)模型和指標(biāo)體系，實(shí)現(xiàn)數(shù)據(jù)的集中管理和維護(hù)。通過(guò)APIs和微服務(wù)架構(gòu)，這些指標(biāo)可以被不同業(yè)務(wù)系統(tǒng)和應(yīng)用所調(diào)用，支持實(shí)時(shí)數(shù)據(jù)分析和決策。

圖 全新建設(shè)指標(biāo)中臺(tái)解決數(shù)據(jù)口徑難題

根據(jù)中關(guān)村科金的應(yīng)用實(shí)踐，智能指標(biāo)中臺(tái)在數(shù)據(jù)處理和可視化方面提升了各類指標(biāo)源的高度集成和復(fù)用性，有效沉淀企業(yè)數(shù)據(jù)資產(chǎn)并支撐決策。通過(guò)“原子指標(biāo)-派生指標(biāo)-計(jì)算指標(biāo)”的分層管理模式，已經(jīng)建立了包含數(shù)千個(gè)原子指標(biāo)、派生指標(biāo)和計(jì)算指標(biāo)的全面數(shù)據(jù)指標(biāo)體系，覆蓋了業(yè)務(wù)條線、運(yùn)營(yíng)、財(cái)務(wù)、風(fēng)險(xiǎn)管理等多個(gè)領(lǐng)域。在數(shù)據(jù)解讀方面，該平臺(tái)能夠在短短1分鐘內(nèi)將復(fù)雜的數(shù)據(jù)轉(zhuǎn)換為易于理解的可視化信息，極大地加快了對(duì)數(shù)據(jù)背后業(yè)務(wù)含義的把握，加速了決策過(guò)程并支持了更精準(zhǔn)的業(yè)務(wù)洞察。

圖 基于指標(biāo)中臺(tái)的新一代生成式BI

（2）融合大模型+小模型的混合智能，內(nèi)置異動(dòng)分析、歸因分析等預(yù)測(cè)性和指導(dǎo)性分析

新一代數(shù)據(jù)洞察和智能決策的核心，是從海量數(shù)據(jù)中快速發(fā)現(xiàn)價(jià)值、識(shí)別異常并做出正確的決策。傳統(tǒng)的BI工具雖然能夠提供歷史數(shù)據(jù)的報(bào)告和分析，但在處理復(fù)雜的數(shù)據(jù)關(guān)系、進(jìn)行深度分析及預(yù)測(cè)時(shí)往往顯得力不從心。特別是在需要對(duì)大量異質(zhì)數(shù)據(jù)進(jìn)行快速歸因分析和前瞻性預(yù)測(cè)的場(chǎng)景下，傳統(tǒng)方法很難滿足企業(yè)對(duì)于敏捷決策的需求。此外，由于缺乏足夠智能的支持，用戶往往需要投入大量時(shí)間去手動(dòng)分析數(shù)據(jù)，這不僅效率低下，而且容易因?yàn)榻?jīng)驗(yàn)不足或視角局限而忽略重要信息。

真正智能的探索思路在于基于人機(jī)協(xié)同融合智能的理念，引入根因分析、異動(dòng)分析、歸因分析、趨勢(shì)預(yù)測(cè)以及機(jī)器學(xué)習(xí)算法等先進(jìn)技術(shù)，構(gòu)建一個(gè)能夠進(jìn)行深度分析和智能決策支持的平臺(tái)，實(shí)現(xiàn)了數(shù)據(jù)價(jià)值的最大化釋放。通過(guò)這些技術(shù)的融合應(yīng)用，平臺(tái)能夠自動(dòng)識(shí)別數(shù)據(jù)中的異常波動(dòng)（異動(dòng)分析），深入挖掘問(wèn)題的根本原因（根因分析），識(shí)別影響業(yè)務(wù)指標(biāo)變動(dòng)的關(guān)鍵因素（歸因分析），并基于歷史數(shù)據(jù)趨勢(shì)進(jìn)行準(zhǔn)確預(yù)測(cè)（趨勢(shì)預(yù)測(cè)）。此外，應(yīng)用機(jī)器學(xué)習(xí)算法使得分析模型能夠持續(xù)學(xué)習(xí)和優(yōu)化，提高分析的準(zhǔn)確性和適應(yīng)性。更為重要的是，該平臺(tái)將人類的直覺(jué)判斷和機(jī)器的計(jì)算能力相結(jié)合，實(shí)現(xiàn)了融合智能的決策支持。這種融合智能模式充分發(fā)揮了人類與機(jī)器各自的優(yōu)勢(shì)，既保證了決策的科學(xué)性和準(zhǔn)確性，也保留了人類對(duì)復(fù)雜問(wèn)題的直覺(jué)判斷和創(chuàng)新思維。

圖 基于大模型+小模型真正實(shí)現(xiàn)數(shù)據(jù)驅(qū)動(dòng)決策

實(shí)踐證明，基于"智能模型+復(fù)雜計(jì)算"的增強(qiáng)分析有效支持企業(yè)在面對(duì)復(fù)雜業(yè)務(wù)環(huán)境和決策挑戰(zhàn)時(shí)，做出更快、更準(zhǔn)確的決策。例如，中關(guān)村科金利用這種增強(qiáng)分析技術(shù)，在平臺(tái)上線的短短半年內(nèi)自動(dòng)發(fā)現(xiàn)了15起異常問(wèn)題，這些問(wèn)題的及時(shí)發(fā)現(xiàn)和處理，不僅保障了企業(yè)運(yùn)營(yíng)的穩(wěn)定性，也為投資決策提供了即時(shí)的數(shù)據(jù)支持。此外，隨著企業(yè)對(duì)智能模型的使用頻次增加，模型能夠通過(guò)持續(xù)自我優(yōu)化，不斷提高預(yù)測(cè)的準(zhǔn)確率，使得企業(yè)能夠更加自信地面對(duì)市場(chǎng)的不確定性。智能模型的另一個(gè)優(yōu)勢(shì)在于其能夠根據(jù)具體的業(yè)務(wù)場(chǎng)景和數(shù)據(jù)特點(diǎn)自動(dòng)選擇合適的機(jī)器學(xué)習(xí)算法。無(wú)論是決策樹、隨機(jī)森林還是其他算法，智能模型都能靈活調(diào)整，以實(shí)現(xiàn)最佳的分析效果。這種靈活性和適應(yīng)性，使得企業(yè)能夠更加精準(zhǔn)地預(yù)測(cè)未來(lái)的業(yè)務(wù)表現(xiàn)，如2024年的銷售額，從而制定更為合理的年度目標(biāo)和申請(qǐng)預(yù)算。

圖 基于銷售預(yù)測(cè)進(jìn)行年度目標(biāo)和預(yù)算決策

（3）融合大模型的對(duì)話式指引交互，實(shí)時(shí)層層深入驅(qū)動(dòng)智能決策正向循環(huán)

融合大模型的對(duì)話式交互，以應(yīng)用普適性為目標(biāo)，有效應(yīng)對(duì)降低技術(shù)門檻高、數(shù)據(jù)模型復(fù)雜、分析結(jié)果難以理解等問(wèn)題。在傳統(tǒng)的商業(yè)智能（BI）實(shí)踐中，企業(yè)常常面臨信息過(guò)載、技術(shù)門檻高等挑戰(zhàn)。不僅導(dǎo)致了決策效率降低，也難以充分挖掘和利用數(shù)據(jù)的價(jià)值。用戶需要通過(guò)復(fù)雜的查詢和分析過(guò)程，才能獲取需要的信息，這一過(guò)程往往既耗時(shí)又耗力。此外，傳統(tǒng)BI工具的靜態(tài)報(bào)告和儀表板往往無(wú)法滿足快速變化的業(yè)務(wù)需求，使得決策過(guò)程變得僵化，難以適應(yīng)動(dòng)態(tài)的市場(chǎng)環(huán)境。

新一代對(duì)話式?jīng)Q策平臺(tái)結(jié)合大模型、生成式AI，提供一種更為直觀、靈活的數(shù)據(jù)交互和分析方式，從而促使數(shù)據(jù)決策生態(tài)反饋的形成。用戶可以通過(guò)自然語(yǔ)言與系統(tǒng)對(duì)話，快速提出他們的數(shù)據(jù)查詢和分析需求。系統(tǒng)利用強(qiáng)大的大模型背后的算法，實(shí)時(shí)處理這些需求，不僅能夠提供精確的數(shù)據(jù)分析結(jié)果，還能根據(jù)用戶的進(jìn)一步查詢深入提供分析，實(shí)現(xiàn)層層遞進(jìn)的智能決策支持。這種建設(shè)思路極大地降低了技術(shù)門檻，讓非技術(shù)背景的用戶也能輕松參與到數(shù)據(jù)分析和決策過(guò)程中。更重要的是，它能夠?qū)崟r(shí)響應(yīng)用戶的需求變化，提供動(dòng)態(tài)的分析和預(yù)測(cè)，這不僅加速了決策過(guò)程，也提高了決策的質(zhì)量和準(zhǔn)確性。

在快速發(fā)展的商業(yè)環(huán)境中，高效決策是企業(yè)運(yùn)營(yíng)的關(guān)鍵因素。實(shí)踐表明，基于對(duì)話式指引的智能分析平臺(tái)不僅能夠加速數(shù)據(jù)驅(qū)動(dòng)文化的普及，還能在企業(yè)內(nèi)部形成一個(gè)高效的正向決策循環(huán)。通過(guò)對(duì)話式交互，企業(yè)能夠迅速圍繞關(guān)鍵經(jīng)營(yíng)和管理問(wèn)題進(jìn)行深入分析，如經(jīng)營(yíng)走勢(shì)、渠道情況、關(guān)鍵業(yè)務(wù)進(jìn)展、人才安排以及潛在經(jīng)營(yíng)問(wèn)題等。

通過(guò)智能分析平臺(tái)，企業(yè)能夠實(shí)時(shí)獲取日?qǐng)?bào)、月報(bào)、季報(bào)等運(yùn)營(yíng)指標(biāo)分析，將原本需要數(shù)天時(shí)間的數(shù)據(jù)處理流程縮短至秒級(jí)完成。例如，某金融機(jī)構(gòu)通過(guò)新一代對(duì)話式智能分析決策平臺(tái)，實(shí)現(xiàn)了對(duì)資金分析、營(yíng)銷分析、信貸業(yè)務(wù)分析、客戶運(yùn)營(yíng)分析、風(fēng)控分析和財(cái)務(wù)分析等多個(gè)分析領(lǐng)域的即時(shí)查詢和分析，顯著提升了決策的時(shí)效性和準(zhǔn)確性。相較之下，傳統(tǒng)數(shù)據(jù)分析流程一般從開(kāi)發(fā)到前后端的參與，往往需要3-5天的時(shí)間才能完成，而對(duì)話式智能決策平臺(tái)僅需3分鐘即可完成報(bào)表的可視化和內(nèi)嵌使用，極大地縮短了從需求提出到上線的周期。這種快速的數(shù)據(jù)處理和分析能力，不僅提升了企業(yè)的運(yùn)營(yíng)效能，也為企業(yè)帶來(lái)了數(shù)倍的綜合效益提升。

圖 基于大模型的語(yǔ)義理解和交互決策

展望

隨著基于大模型數(shù)據(jù)治理的普及，數(shù)據(jù)價(jià)值得到前所未有的釋放，未來(lái)的數(shù)據(jù)洞察將邁向更加智能、互動(dòng)和全民參與的新階段。數(shù)據(jù)密集型創(chuàng)新不僅僅是企業(yè)高層或數(shù)據(jù)分析師的專利，每一位員工都可以參與其中，企業(yè)將構(gòu)建起一個(gè)以數(shù)據(jù)為核心的決策生態(tài)系統(tǒng)，其中數(shù)據(jù)不僅是決策的輔助，更是持續(xù)優(yōu)化和進(jìn)步的驅(qū)動(dòng)力。隨著使用頻率的提升和用戶反饋的積累，對(duì)話式智能決策平臺(tái)持續(xù)學(xué)習(xí)和進(jìn)化，其分析模型和預(yù)測(cè)算法能更加精準(zhǔn)地貼合實(shí)際業(yè)務(wù)需求。這種自上而下和自下而上的雙向優(yōu)化能力將進(jìn)一步推動(dòng)數(shù)據(jù)要素價(jià)值的釋放，成為推動(dòng)企業(yè)數(shù)字化轉(zhuǎn)型的重要力量，開(kāi)啟智慧決策的新時(shí)代。