2025全球数据管理峰会｜基于AI智能的顾问式数据分析实践-龙石数据

视频演示>AI智能用数>2025全球数据管理峰会｜基于AI智能的顾问式数据分析实践

2025全球数据管理峰会｜基于AI智能的顾问式数据分析实践

视频简介

2025年全球数据管理峰会于9月26日至28日在杭州举行。龙石数据的创始人兼总经理练海荣出席并发表了题为“基于AI智能的顾问式数据分析实践”的演讲。

练海荣指出数据治理存在离业务远、响应慢的痛点，而AI用数智能体可实现秒级响应，通过高效落地模式保障高准确率。龙石数据AI用数智能体坚持“把简单留给用户”，致力于让业务人员轻松用数。

视频内容

大家好，我是苏州龙石数据的创始人练海荣，很荣幸能在这里与大家分享我们在“AI智能用数”方面的一些实践。今天我想分享的内容主要有两点：

(1)我们为什么要做AI用数智能体

(2)怎么样来做AI用数智能体效果才会好

1.数据共享交换、数据中台、AI用数智能体三者的关系

【图（1）】

很多朋友对我们比较熟悉，我们主要做三个产品——数据共享交换平台、龙石数据中台、第三方数据质量管理平台。今天中午我突然有一个灵感：我们可以把共享交换比作“数据高铁”，数据中台是数据的“加工厂”，而我们正在做的智能用数，则是一个“智能制造工厂”。具体来说，共享交换负责将数据的原材料从业务系统搬运到数据加工厂；龙石数据中台在加工厂内将原始数据加工成“半成品”；而AI用数则进一步将这些半成品加工成数据产品，交付给业务人员使用。

2.我们为什么做AI用数智能体？

回顾龙石数据成立八年来的历程，其实颇为艰辛，相信很多同行也有同感。我们常常面临客户的质疑：“我投入了这么多资金、人力和物力，数据治理到底创造了什么价值？”以往我们的回答往往显得苍白：“我们是在打地基，只有把数据加工好，上层才能创造业务价值、实现业务洞察、推动数字化转型。”但自从接触AI之后，我感到非常兴奋。AI用数给了我们一个机会，让我们能够将基础性的数据工作以最便捷、最直观的方式呈现给用户，所以这就是为什么我们决定来做AI用数的原因。

3.数据治理的两大困境

在以往的数据治理实践中，我们主要面临两大困境：

一是数据治理离用户的业务价值太远。我们做了大量数据清洗、数据归集、数据质量管理和数据标准化等工作，但业务人员要想真正使用这些数据，仍需经过数据申请，他们申请完了以后还要请技术人员去把数据下载下来，把它加工成一个Excel报表或者说把开发成一个业务系统。

二是数据需求的响应时间太长了，少则三五天，多则数个月。在这样的情况下，业务人员早已失去耐心，对数据治理也失去了信心。因此，我们必须能够快速、高质量地响应用户需求，而这也正是今天分享的“AI智能用数”所能解决的问题。

【图（2）】

4.AI用数智能体能干什么

面对这样的两个问题，那也正是今天分享的这个AI用数智能体能够解决的问题。我举一个简单的例子：当业务人员询问“我们今年的签约情况怎么样”或“今年的回款情况怎么样”时，AI能在几秒内给出回答。再复杂一些的问题，如“请分析各团队业绩对比”，AI也能根据签约、回款情况及考核规则生成报告。若用户进一步追问“为什么张三业绩这么好”，AI会基于张三的业绩、回款、签约等数据，在整个数据仓库中查找相关指标，分析可能的原因，如所在大区的营销活动或负责产品的偶发事件等。这样，AI不仅能快速获取数据，还能进行深层次的线索分析。不过，我称之为“线索性质”的分析，因为AI得出的结果业务人员还不能直接使用，其准确率尚未达到100%。

【图（3）】

5.AI用数智能体的落地原理

接下来，我将分享我们的实现原理，总结为“1个流程、2个准备和1个运营”。

【图（4）】

“1个流程”是指中间蓝色部分：业务用户提出问题后，如果知识库中已有核实过的问题，则直接查询数据、分析并生成可视化报告，这种情况准确率为100%。若知识库中触达不到这个问题，则由大模型进行意图识别、知识检索，生成查询脚本，再查询数据、分析并生成图表，这种情况准确率为95%。所以说这两种情况下，触达知识库，我们的准确率就是100%，触达不到知识库，那我们的准确率就是95%。

“2个准备”中，第一是数据治理和数据安全管理，这是AI用数的基础，在此不做展开。第二是将元数据和业务知识导入知识库，为大模型生成脚本做好准备。例如，用户问“神仙水今年销量如何”，“神仙水”作为业务黑话，实指SK-II精华露，若未将此类业务知识导入知识库，则难以得到准确结果。

“1个运营”是我今天最想强调的部分。由于AI并非100%准确，即使达到95%或99%，生产环境仍需要确定性。因此，我们建立了运营机制：用户若对数据有疑问，可提交工单，运营人员需第一时间响应，补充数据或修正脚本，并反馈用户。此外，运营还包括需求管理。以往数据治理中，业务人员不愿参与，但AI用数上线后，用户会尝试提问。若结果不符预期，他们可能放弃使用。此时，运营人员会通过AI收集问题，补数据或修脚本，并快速地反馈给用户。这样，即使用户未直接参与，也能感受到服务的及时性，从而更愿意参与进来。这套运营体系不仅提升用户体验，也是推动我们的AI用数准确率从95%无限接近100%的关键。

6.AI用数智能体——数据中台主导型

【图（5）】

我们的AI智能用数时，不是生长在BI上面的，是生长在数据中台上面的，它只是数据中台的用数的一个环节。这样做的好处是为AI用数平台提供了更坚实的数据基础。

7.AI用数的七大组成部分

【图（6）】

经过多轮打磨，我将产品分为七大模块：大模型（主要使用DeepSeek和千问3）、流程编排工具（使用Dify）、知识库（包括数据知识库和业务知识库）、数据治理（没有好的数据治理，就没有AI用数平台）、AI问答、数据分析和智能体运营。其中，运营模块尤为重要，正如我们以往做数据治理时提倡的“三分产品、七分服务”，再好的工具也需配套紧密的服务才能发挥价值。

8.大模型测试报告

【图（7）】

关于测试报告，我们基于某大型互联网招聘平台的SQL面试题进行测试，结果显示DeepSeek和千问3在基础题上准确率均达100%，进阶题中DeepSeek为91%，千问3为85%。此外，测试互联网大厂面试题时，京东、百度、知乎和抖音的准确率均为100%，淘宝和滴滴各错一题。综合来看，产品可达95%的准确率，基本可用。

最后再强调两点：第一，智能用数并非针对整个数据仓库，而是将数仓划分为不同主题，缩小数据域，以提升问答效果；

【图（8）】

第二，龙石数据本着“把简单留给用户，复杂留给自己”的理念，也就是说，我们要让用户的界面足够的简单，界面按钮尽可能少，用户提问后可直接生成饼图、柱状图等，并附简单数据解读。同时，若用户的提问击中了我们的知识库，会以绿色提示“逻辑已确认，可放心使用”；若是由AI生成的脚本，我们就会以橙色提示用户。

【图（9）】

我的分享就到这里，欢迎交流讨论。