克雷西 发自 凹非寺量子位 | 公众号 QbitAI松岛枫av

在互联网期间，数据已成为企业发展的必经之路。

从电商平台的用户步履记载，到工业传感器的实时监测，数据渗入在营业行为的每个枢纽，成为驱动决策的基础资源。

关联词数据的价值并不在于简便的堆砌，未经梳理与解读的原始数据如同洒落的拼图碎屑，既无法呈现好意思满图景，也难以撑持业务判断。

营业智能（BI）行为数据调取和分析的基础器用，通过结构化查询与报表生成，曾为企业提供枢纽的信息整称身手。

但跟着大数据期间迭代，数据分析需求正发生质变——

当数据规模突破传统数据库的承载极限，当动态流数据取代静态报表成为常态，传统BI在实时性、复杂算法支柱及非结构化数据处理等方面逐渐显浮现局限性。

当今，大模子向智能体的演进正在冲突这一困局。

在国外，传统的国际BI巨头Tableau，最近发布的Tableau Next已放手了蓝本的BI架构，转机为澈底的智能体（Agent），通过天然谈话交互重塑数据行业。

另一方面，DeepSeek等创生力军凭借大模子造就资本的大幅压缩，正从另一个角度鼓励着数据分析向“智能体化”跃迁。

数据特征调动，传统BI要违反不住了

刻下，企业数据来源已从单一的数据库表单膨胀至日记、音视频、传感器信号等多模态信息，何况非结构化进程也越来越强。

传统BI依赖的关系型数据库，对这类数据的存储和索引效劳低下。

举例文本热沈分析需要天然谈话处理身手，图像识别依赖盘算机视觉算法……但传统BI的标准化报表器用无法凯旋调用此类分析模块，导致巨额高价值数据处于“不可用”状态。

另一方面，越来越多的实时决策需求也与传统BI的批量处理模式存在骨子冲突。

刻下业务场景如金融反诓骗、物流旅途优化等，常常条款基于实时数据流在秒级内完身分析，而不是像肤浅一样作念“过后诸葛亮”。

不错说，数据变化带来的新需求，让BI驱动受到制肘，而现实中的情况更为复杂，何况仍是有传统BI导致的“惨案”发生了。

老王是一家连锁便利店的区域负责东谈主，他在BI系统中检讨了各门店的销售数据、客流量和库存情况，发现存一家门店销售额很高，但库存盘活率却相比低。

这样的特地引起了老王的着重，但仅凭BI系统生成的静态图表，老王依然是丈二头陀摸头不着，无奈之下只可召集团队开会，手动分析数据，破钞了巨额时刻，最终得出的论断仍然不及以让他信托。

直到一次或然的契机，老王到这家门店放哨，翻阅记账本时发现，这家店果然把退货额也算在了销售额中，难怪销量会和库存不匹配。

老王的故事说明，天然BI在处理静态数据时透露尚可，但无法对深层原因进行归因分析和动态判断，也无法分析不同主见呈现的戒指是否合理，给出决策建议就更是鬼话连篇了。

关联词，BI天然在数据深度挖掘上身手一般，使用门槛却不低，操作专科性很强，需要具备成心身手的东谈主进行操作。

说到这，就不得不提到另一个故（事）事（故）。

小张是某公司的别称职员，第二天要在一个热切会议上讲述使命，于是向数据分析师小李疏辽远理需求。

不巧的是小李掀开BI器用时，发现系统中还有其他部门的10个需求正在列队，一瞥就是两个小时，比及小李终于驱动编写SQL调取数据，却发现小张的需求形容不够明晰再次复返与小张换取说明。

等小张收到数据时，仍是错过了会议时刻，小张因未能实时完成数据统计使命，被公司记载了一次首要空幻。

小张的阅历又泄露了传统BI的另一个谬误，就是由于过于专科化，导致由专东谈主长入处理的时效，难以保证业务部门的数据分析时效需求。

天然，到了AI期间，BI器用也作念了进化，和大模子进行了网络，但后果……就很难评。

小刘地点的公司，在数据分析上选用了配有大模子的ChatBI器用，这让数据分析使命忙活的小刘以为我方找到了救命稻草。

于是小刘把大模子的戒指行为报表的独一数据来源，戒指到了年末，治理层发现公司施行ROI比报表中低了80%，最终小刘被问责。

是以，天然网络大模子的念念路莫得错，但要是不处治失真问题，使用时又不矜重查对，后果可能瞒上欺下。

大模子和数据分析，只差一个AI智能体

刻下大模子与BI器用的简便嫁接存在显着短板，但也不可因此否定向数据分析中引入AI期间的必要性。

枢纽在于，数据分析中的AI，需要简单单的问答模子向智能体进化。

AI智能体通过任务盘算、器用调用与戒指考证的三层架构，概况将朦拢需求滚动为可实行的分析链路，从被迫反馈升级到主动盘算、自我反馈，是突破刻下瓶颈的核心旅途。

基于智能体的任务自动化特色，不错为其预设“月度洽商分析”“日报自动生成”等过程，然后由智能体到点自动运行并推送戒指。

智能体还领有更强的环境适合身手，概况更好大地对更巨大、非结构化进程更高的数据场景，以至适合不同侧重心的分析任务——

要是需要深度，智能体不错挖掘数据背后的深档次原因，探索数据背后的关联，给用户提供行动建议；

要是需要实施决策，智能体也能即时反馈业务变化，自动触发预警并推送搪塞策略。

何况，智能体还打掉了传统BI应用的期间门槛，易用性高，无需安排成心东谈主员进行操作，幸免了数据分析还要排长队的困境。

除了智能体自己的上风，DeepSeek的爆发，也大幅镌汰了行为智能体“大脑”的大模子使用资本，不仅凭借强推理身手保证智能体的任务质料，更能均衡智能体消耗巨量Token所带来的模子或算力资本。

要是这时回头再看老王、小张和小刘的阅历，要是有了智能体，他们遭受的困境就概况幸免了。

数据分析智能体，何处能用到？

说了这样多智能体的自制，那么究竟有莫得东谈主在这样作念呢？

源流提到的Tableau，就是一个传统BI巨头通过智能体进行“自我改进”的代表。

其最新的产物Tableau Next，仍是澈底推翻了基于数据集的旧架，改为通过目口号义层（semantic layer）+智能体（Agent）的架构来匡助其客户处治数据分析的场景。

咱们不错看到在Tableau Next 新的使命模块中，分析过程网络了数据源结合、数据准备、语义模子、可视化等功能。

Tableau Next将Tableau智能体（Tableau Agent）与Tableau Pulse（AI驱动的主见核心）进行深度交融，通过自动化的使命过程提供智能知悉。

不管是分析师、业务用户照旧架构师，Tableau Next齐能大幅普及他们的数据分析效劳。

成人网游

独步天下不是春，事实上，Tableau在目口号义层与智能体架构上的探索也并非孤例。

跟着企业对实时决策需求的增长，越来越多厂商驱动接纳雷同步调突破传统BI的局限，包括国内企业也在这条旅途上进行了探索。

比如数势科技就基于这样的期间旅途，在智能体的见地还更多存在于学术界的2023年，研发出了数据智能分析平台SwiftAgent。

它以国内通用大模子为基座，应用RAG和AI Agent核心期间，匡助企业非期间东谈主员通过天然谈话完成数据查询、数据分析，以及深远知悉和决策建议。

何况通过构建长入的目口号义层，即天然谈话到目口号义（Natural Language to Metrics）的形势终了精确取数，处治了通过大模子凯旋生成SQL导致的数据不准问题，同期还基于主见行列的权限管控，来保险数据安全。

数势科技先容，SwiftAgent和Tableau Next二者在产物架构、期间门路与寄托时势齐极度相似，标明数势的策略和期间齐不过时于国际巨头。

阅历一年多的迭代更新，再加上本年DeepSeek带来了遒劲又经济的新模子，SwiftAgent仍是在国内巨额量“上岗”，匡助处治了“事实、洞见、原因、决策”这四大企业核肉痛点。

行为新式数据分析器用，基本功依然要塌实，或者说，传统BI聪颖的活，Agent就更要干得好了。

其中最枢纽的“生命线”，等于准确性。

而SwiftAgent不仅分析准确，以至概况看出数据自己存在的问题，比如前边连锁便利店的老王，他所遭受的统计形势问题，SwiftAgent就能纵脱看破。

天然准确无误仅仅合格标准，数据的可视化亦然呈现分析戒指的枢纽法子，SwiftAgent在这方面作念得相似很好。

非常是在接入 DeepSeek-R1后，SwiftAgent的数据可视化身手又得到了进一步加强，不错证据输入的需求，一忽儿生成万般各样丰富、易懂的图表。

但的确困住打工东谈主的，还未必是这些图表，把一个个图表串联起来，酿身分析评释才是的确的重头戏，亦然最耗时艰辛的枢纽。

行为一个智能体助手，SwiftAgent也采纳帮衬帮到底，只需简便输入评释主题和条款，就能在短时刻内整合辩论数据。

同期诳骗DeepSeek-R1的动态念念维链生成身手，针对不同场景，不同时势的数据结构，自动生成结构明晰、内容翔实的行业评释。

而且既然接入了DeepSeek-R1，就要把它的身手阐发到最大，因此SwiftAgent还不错对评释进行“深度定制”，证据企业的品牌作风、谈话习尚进行案牍设定，从数据图表到翰墨发达，齐能精确适合企业需求。

这样的评释定制，不错说仍是远远突出了传统BI的身手鸿沟，成为了数据分析的一种新形态。

但SwiftAgent并未停步于这种数据的标明，在作念出评释之后，它还不错进一步诳骗DeepSeek-R1，进行精确的归因分析。

比如当企业的某项业务主见出现波动时，SwiftAgent 不再仅仅简便展示数据变化，而是深入挖掘背后的因素。

东谈主们在面临出现的特地情况时，可能会因为万般原因无法在第一时刻沉着分析，判断出问题的来源。

但SwiftAgent不会被理性因素所插手，概况对问题原因或者排查主见给出准确实时的判断，匡助东谈主们稳住阵地，并快速找到特地的诱因。

的确，发现问题比处治问题更热切，但既然仍是发现问题，为什么不一起处治呢？

是以，SwiftAgent把最终的落脚点设定在了决策建议，全面挖掘数据价值，不错抽象分析万般表里部数据为企业提供多个可行的决策决策，并评估每个决策的潜在风险和收益。

这样一来，从原始数据到最终决策，SwiftAgent匡助东谈主们完成了数据处理的全套过程。

施行收获也讲明，SwiftAgent不仅得到了巨擘机构的认证，也仍是得到了金融、零卖、快消、餐饮等万般行业的用户招供。

某银行客户系统上线后，经过多方评估与打分，用户意图识别率＞98%，复杂任务盘算准确率＞95%，讲明系统具有较高的褂讪性和可靠性，其负责东谈主示意：

这个模样确切给咱们带来了很大的便利，夙昔咱们需要破耗巨额时刻网罗和整理数据，当今通过SwiftAgent，咱们不错快速获取准确的分析戒指，为咱们的决策提供了有劲支柱。

不错联想，在未来使命场景中，要是对智能体规模进行膨胀，让多个智能体概况酿成集群，进行单干相助，完成更复杂的数据处理任务，以至是数据除外的场景。

比如在银行贷款业务当中，客户盘考时，需求联贯Agent精确把抓客户的需求。苦求提交后，风险评估Agent整合多方数据评估风险。接着，贷款审批Agent依风险评级和规章进行审批决策。贷款披发后，贷后治理Agent延续监控还款和信用气象，发现风险实时预警。

总之，不管是国外的Tableau照旧国内的数势，齐在告诉整体从业者，AI Agent正在成为数据分析的新期间范式。

它记号着数据分析从被迫反馈到主动决策的跃迁。

传统BI期间，企业需东谈主工界说问题、提真金不怕火数据、运行分析，骨子是“东谈主驱动数据”的单向过程，而AI智能体构建起了“数据驱动东谈主”的双向闭环。

何况这场转型已非单纯的期间升级，而是营业逻辑的重构。

当AI Agent概况自主完成“监测数据-发现问题-归因分析-生成策略-考证后果”的全链条时，企业竞争力的议论标准将从“领有些许数据”转向“多快将数据滚动为行动”。

是否拥抱这一变革，正在成为企业不可规避的战术抉择。

一键三连「点赞」「转发」「小心心」

接待在评述区留住你的想法！松岛枫av