智能分析AI Agent在金融行业的先进实践与展望-岑润哲.docx

智能分析AIAgent在金融行业的先进实践与展望

数势科技岑润哲

目录

CONTENTS

当前行业内通用解决思路及主要问题智能分析AI

当前行业内通用解决思路及主要问题

智能分析AIAgent的应用场景与价值

01

03

05

02

04

智能分析AIAgent相较传统解决思路的技术创新

总结与展望

公司简介部分

公司简介

部分代表客户

拥有在大金融、高科技制造和泛零售等领域的专业洞察力及技术实力，为全球优秀企业提供基于大模型增强的智能指标平台、智能标签平台及智能营销平台系列产品，提升企业的数字化决策能力，推动企业数字化升级

我们的愿景

成为企业数字化升级首选长期技术伙伴

我们的团队能力

业内顶尖的技术专家和业务人才

基于行业落地实践经验的标准软件产品先进的智能算法和垂直大模型应用

我们的使命

推动企业数字化升级，实现数据价值的普惠化

walmart*

心永辉超市

令书亦烧仙草

01

CONTENTS

金融行业经营分析领域的现状和痛点

管理团队之痛：现有数据产品无法端到端快速产出深度结论

痛点

以下是3个不同客户发出的真实声音示例，反映了管理团队对现有数据驾驶舱大屏产品的痛点体验：

信息过载Data≠Insight：我们公司花了很大精力建设了驾驶舱和各种大屏，看起来很高端，但数字并不等于见解。每次有具体问题，团队还得回去挖数据、分析指标，周报变成了无尽的等待游戏。

信息过载

这些真实的客户声音例子反映了一个通用的诉求：管理团队需要的不单是数据的可视化展示，更是对数据的深入理解、

这些真实的客户声音例子反映了一个通用的诉

求：管理团队需要的不单是数据的可视化展示，更是对数据的深入理解、快速获取结论和基于数据深度挖掘的原因解释，对数据分析工具的智能性和即时交互性有着更高的期待。

我都希望能够立刻拿到结论，这个数据大屏却只能给我表面的数，深入分析还得是手工在数仓里建作业，太慢了。

TheGoldenWhyQuestion：我们的驾驶舱解决了数据展示的问

题，但未触及数据解释的关键。当涉及到业务背后的为什么时，它似乎没有答案。

痛点以下是3个不同客户发出的真实声音示例，反映了业务团队在指标获取、数据分析与数据挖掘方面的核心痛点：SQL学习难度高：尽管我们有意愿深挖数据背后的真相，但SQL的复杂

痛点

以下是3个不同客户发出的真实声音示例，反映了业务团队在指标获取、数据分析与数据挖掘方面的核心痛点：

SQL学习难度高：尽管我们有意愿深挖数据背后的真相，但SQL的复杂性让我们非技术人员望而却步。许多时间都浪费在了查询语言的学习

上，而不是洞察和行动。

BI报表配置难度高：我们依赖BI工具来提供数据的可视化，但每次都需要技术团队介入来配置数据集和报表，它的复杂程度令人沮丧。

大量时间花费在导出数据到Excel里输出结论：分析团队的日常就像

Excel的奴隶，时常花费大把时间将数据导入、整理和分析，这种重复低效的工作限制了我们对数据快速反馈的能力。

SQL学习难度高

SQL学习难度高

BI报表配置难度高

导出到Excel手动看数成了日常工作

高SQL学习曲线、BI工具配置的复杂性以及对Excel的过度依赖，这些都是业务团队在追求灵活性和效率时的主要痛点。这反映出业务团队对于更加智能、响应迅速的数据分析解决方案的强烈需求，希望借此能够加速从数据中获取洞见、生成结

论，并解释数据背后的相关性。

指标标签语义层+大模型即将开启数据智能分析的新时代当前过往受众群体=1%业务决策者财务等数据“依赖者”受众群体=15%+BI分析师+业务分析师

指标标签语义层+大模型即将开启数据智能分析的新时代

当前

过往

受众群体=1%

业务决策者

财务等数据“依赖者”

受众群体=15%

+BI分析师

+业务分析师

数据消费者

数据应用核心价值

WhatWhatWhy

数据分析工具

Excel数仓+BI

未来

受众群体=95%

+业务全员

+上下游合作伙伴

WhatWhyHow

指标标签语义层+大模型

民主式数据分析：让企业内每一个公民可以实现从数据消费到决策

数据平台底座-用户体验层-整合客户旅程，提供产品消费级用户体验融合数据仓库数据湖--面向企业全局主数据管理存储、通用底层数据模型人数占比80%企业内“公民”数据民主化的最大受益群体大模型驱动的智能分析助手

数据平台底座

-用户