1. 大模型 Data Agent 重构 金融数据价值:从智能分析 到决策闭环的范式升级 演讲人：岑润哲 数势科技 / 数据智能产品总经理

2. 破局时刻:金融数据智能的范式迁移 01 技术攻坚:SwiftAgent的架构突破与实践 目 录 02 实战解码:城商行智能分析场景突破 03 未来布局:金融数据智能演进路线

3. 破局时刻:金融数据智能的范式迁移 行业痛点:传统BI工具在实时决策、语义理解、知识沉淀的三大瓶颈 技术拐点:大模型Data Agent带来的"语义理解+指标计算+决策推理"三阶进化 价值重构:从数据可视化工具到业务决策中枢的定位升级

4. 企业级数据分析的常见痛点 数据分析的痛点： 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。" 数据提取的痛点： 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。" 数据洞察与总结的痛点： 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。"

5. 基于指标语义层和大模型的数据AI Agent 将开启数据智能分析新时代 过往 当前 未来 数据消费者 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 受众群体=95% +业务全员 +上下游合作伙伴 数据应用核心价值 What What & Why What & Why & How 数据分析工具 Excel 数仓+BI 指标语义层 + 大模型

6. 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 让金融机构每一个人都可以通过极低门槛的方式获取和理解数据，并可以从数据资产中快 速发现可执行的决策动作 - 数据语义层 - - 数据平台底座 - 整合客户旅程，提供产品消费 级用户体验 以企业级指标/标签体系为驱 动，构建数据资产语义编织 面向企业全局主数据管理存 储、通用底层数据模型 大模型驱动的 智能分析助手 标签指标元数据 集成 - 用户体验层 - 人数占比80% 金融机构内“公民” 数据民主化的最大受 益群体 人数占比15% 业务分析师 BI 工具 人数占比5% 指标标签 数据管理 数据仓库 数据湖 分析开发者 数据挖掘工具 读得懂、用得着、查得到 指 标 标 签 语 义 层 指标标签 元数据服务 融 合

7. 新一代的Data Agent意味着什么：从数据可视化工具到业 务决策中枢的定位升级 更适合由DS-R1等推理模型辅助完成（结合COT的“慢思考”） 01 02 Data-Driven Action Plan：核心指标整体复盘与建议输出 Wisdom Knowledge Ex. “帮我对今年10月份XX分行的业绩做个复盘“ Data Reasoning：洞察归因分析、异常分析、趋势分析 Ex. “帮我看下今年9月到10月的余额变化情况，并做个归因分析“ Data Discovery：数据统计分析（如同环比、占比、对比等） 03 04 Insight Ex. “帮我看下今年10月不同分行的余额以及月环比增速，并对 增速进行降序排序“ Ask Data：数据查询、数据检索、事务型查询 Facts Ex.“帮我看下今年10月底余额”、“帮我查看下XX分行的 总资产” 更适合由DS-V3模型快速进行意图识别和语义解析完成（“快思考”）

8. 技术攻坚:SwiftAgent的架构突破与实践 核心产品架构设计 Agent设计理念 创新点：记忆、多Agent协同与兼容MCP协议

9. 企业决策分析智能体平台 SwiftAgent 整体产品架构图 数据分析场景 业绩指标分析 财务经营分析 客户画像分析 产品损益分析 产品定位 自然语言交互的新一代智能数据分析助手，帮助企业业务 和非技术人员，通过简单问答快速获取数据和洞见，智能 化归因并生成报告，提升数据决策效率 核心优势 智 能 分 析 助 手 Application Layer 智能问数 图表绘制 智能报告生成 SwiftAgent规划器（用户意图识别、复杂任务拆解、工具调用等） Semantic Layer Data Layer 智能归因与预警 一站式构建大模型能理解的业务语义 （指标、标签、群组、私域术语、行业知识等） 数据计算加速引擎 一站式接入多源异构数据 1. 统一语义层的构建（Unified Data Semantics）：通过 NL2Semantics，杜绝模型生成SQL查询错误，确保数据分 析准确可靠 2. 用户可干预（Human in the Loop）：通过大模型反问 与追问机制，提升用户模糊语义下的回答效率与交互体验 3. 多源异构数据链接（Diverse Data Connection）：支持 结构化与非结构化数据接入，对接企业知识库，形成数据 分析与知识问答的闭环 4. 持续反思学习（Continuous Reflective Learning）：通 过强化学习机制学习用户提问习惯，让系统更懂你 基座大模型 企业多源异构数据集成 （DeepSeek/千问/智谱等） （数仓/数据湖/业务系统数据/非结构化数据） 5. 数据计算加速引擎 (Hyper Computing Acceleration) ： 依托全场景极速OLAP引擎，叠加数势自研的虚拟计算和查 询加速能力，提升海量数据查询性能

10. SwiftAgent五大核心能力支持管理团队与业务团队提升 Data to Insight效率 报告总结与解读 智能数据报告生成能力让用户在30秒内快速获取业务结论 PC端与移动端适配 智能归因分析 已适配各类国内外大模型基座，并且支持移动 智能归因模型让用户对数据的理解从 端和PC端等多端适配，支持文字与语音交互 “What”跃迁到“Why” 语义层确保准确性与安全性 自然语言数据获取 基于大模型赋能自然语言低门槛精准取数 5 Core Features 支持25+数据源接入进行语义加工，基于 NL2MQL的实现方式，确保数据查询准确 性与安全性

11. 企业决策分析智能体平台 SwiftAgent 金融场景演示

12. 基于Agent架构的技术选型极大提升复杂任务理解与规划能力 基于大模型的理解和思考能力，实现基于自然语言的数据分析，并针对获取的结果数据进行智能解读与归因，提升经营分析效率 用户 Query 调用外部工具/知 识库/模型本身问 答 1. 任务规划能力——将复杂任务 化繁为简，逐步拆解让大模型自 动执行。 2.数据理解能力——依托指标和 标签的语义特性，让大模型更懂 数据。 3.高效计算能力——将计算任务 通过自研计算引擎HME提交执行， 极大优化了计算效率。 否 R1在任务规划环节对复杂任务拆 解的能力尤为出色 是否适用分 析Agent 是 否 是否使用规 划器 记忆 规划 是 TOT 短期记忆：会话上下文 子目标分解 COT Feedback: 1. Finish/fail 2. Result 3. Reward Result 长期记忆：历史分析思路 ReAct 工具调用 Act 元数据查 询 指标/标 签查询 图表生成 场景指标 推荐 相似指标 推荐 参数解析 图表推荐 API对齐 指标行列权限校验 归因分析 数据解读 数据分析 解读知识库 API调用 维度归因 因子归因 LLM规划 HM API Text2Code

13. 创新点：记忆、多Agent协同与兼容MCP协议 Unified “Skill Set” MCP协议让Agent快速 02 01 Personalized Memory Agent记住你是谁和你 的偏好 Multi-Agent Interaction Agent之间的协同 持续增强 扩充技能

14. 创新点一：记忆模块，让Agent记住你是谁 Personalized Memory Personalized Analytical Schema

15. 创新点二：多Agent协作完成复杂任务 multi-agent interaction multi-agent interaction ETL Agent： 解决数据清洗的问题 Data Source Metric Agent： 解决业务语义构建与提取的问题 Data Model Metric A Data Source A Data Source B Metric Data Model A multi-agent interaction Insight Agent： 解决数据到洞见的问题 Dataset Dataset A （Single Metric/Time-Series） Metric B Dataset B （Single Metric/MultiDim） Data Source C Metric C Data Source D Data Source E Data Source F Metric D Data Model B Metric E Metric F Report Agent： 解决洞见到结论/建议的问题 Insight Report Report A Insight A (Trend Analysis) Insight B (Attribution Analysis) Report B Insight C (Rank Analysis) Report C Dataset C （Multi Metric/MultiDim） Dataset D （MultiModel/Multi Metric/MultiDim）

16. 创新点三：提供标准MCP协议数据洞察接口供企业整合 企业内的复杂任务场景： 基于竞争对手公开数据写一个详细的调研PPT 数势科技SwiftAgent提供符合MCP协议的接口能力供 企业级Agent服务进行能力发现与调用 指标构建MCP服务 WebSearch 数据提取MCP服务 Data Analysis PPT Generation 数据可视化MCP服务 数据解读MCP服务

17. 实战解码:城商行智能分析场景突破 项目背景与痛点 技术实现架构 核心项目成果

18. 某头部城商行在数据分析层面的核心痛点 痛点1：数据需求无限，开发资源有限，需求排队严重 数 据 ① 需 求 管理团队 … 需 ② 求 排 队 信贷团队 财富管理团队 信用卡团队 代发团队 指标口径不一致：各部门指标的数据来源不同、指标口径定义也不同， 拉齐业务口径沟通成本高、技术口径难梳理，下游应用五花八门，分析 决策难 数据资产是个黑盒子：数仓模型与指标无清晰映射，指标定义全靠开发 人员文档记录，上游指标变更影响哪些下游应用，追溯过程复杂难回答 … • 烟囱林立 • 指标口径不统一 数据应用 开 ④ 发 完 成 … 数 ③ 据 开 发 痛点2：指标口径不一致，定义黑盒，无法高效复用 结果表 数仓 杂乱数据源 数据工程师 IT部门 指标加工 黑盒子 • 指标定义黑盒子 • 无法高效复用

19. 大模型的Agent架构结合指标语义层将加速数据普惠化的进程 用不 明白 原有范式 分支行行长 /业务人员 升级后范式 分支行行长 /业务人员 BI 跑不 过来 数据分析师 教不 明白 ETL任 务太多 数据产品经理 LLM+ Agent架构 数据工程师 Semantic Layer 共 同 维 护 原始数据 原始数据 分支行行长/一线业务员直达数据，用数门槛降低，提升企业经营决策与日常业务流中数据参与度

20. 某城商行智能分析应用落地架构图

21. 金融行业案例分享：在某头部城商行支持的核心场景 以该金融机构的数据应用场景为例，通过自然语言指标取数，系统能够快速准确地获取相关数据；智能归因分析则帮助找出业务发展中的关键因素和问题 所在；自动报告生成则以直观的方式呈现分析结果，为银行的决策制定、风险管理、业务优化等提供有力支持。这些场景展示了在银行业中运用自然语言 处理和数据分析技术的重要性和实用性，有助于提高银行的运营效率和决策科学性。 03 客户行为分析 02 理财产品销售分析 理财经理需要了解上个月理财产品 01 的销售情况，询问“上个月哪几款理 财产品销售额最高”，系统通过自然 语言指标取数，帮助理财经理了解 市场需求，优化产品推荐策略 信用卡业务分析 常见问题如：“信用卡逾期率最高的客户群体 是哪些”，系统通过自然语言交互形式，从信 用记录、消费行为、收入情况等多维度数 据，找出逾期率最高的客户群体特征，以便 银行采取针对性的措施降低风险 04 分支行业绩对比 运营团队提出“客户流失率与哪些因 领导想要比较各分行的贷款业务总 素相关”，系统进行智能归因分析， 量，询问“A分行和B分行今年的贷 找出导致客户流失的关键因素，如 款业务总量对比如何”，系统通过自 服务质量不佳、产品缺乏竞争力 然语言取数与报告生成，为总行领 等，为银行改进服务提供依据。 导提供业务指导提供参考。 05 风险评估 在评估贷款风险时，询问“近期贷款违 约主要集中在哪些行业”，利用智能归 因分析，找出贷款违约集中的行业领 06 域，为信贷部门调整信贷政策、加强 风险管理提供重要依据。 财务分析 财务部门经常询问“各项业务对利润的贡献 比例是怎样的”，系统通过智能归因和自动 报告生成，综合考虑各项业务的收入、成 本、风险等因素，计算出各项业务对利润的 贡献比例，并以图表和报告的形式展示，帮 助财务部门进行成本控制和利润优化

22. “银行领导的一天”：如何利用AI洞察数据 1 指标异动推送 关心的问题？ 【对公贷款余额】出现指标 异动，通知领导进行关注 2 多维度分析 异 动 预 警 多 维 分 析 归 因 分 析 数 据 解 读 我行今年每个月按分支行和 客户类型的对公贷款余额如 何？趋势是怎样？ 3 归因分析 哪个分行下降的最多，哪 些客户类型下降了 银行领导 4 结论输出 帮我对上面数据形成一个 总结报告吧

23. 如何帮助银行的业务人员快速进行分析报告产出 3. 打印DeepSeek思考过程与大纲，大纲内容支持编辑 1.支持上传模板进行outline解析 4. 生成图文并茂数据准确的分析报告 2.用户也可以自由输入报告需求由大模型生成

24. 如何帮助银行的业务人员快速进行分析报告产出

25. SwiftAgent支持某头部城商行领导实现各类核心经营指标智 能分析与报告生成 x50 数据需求 满足效率 90%+ 客户痛点 行领导分析 需求满足度 100% 指标语义 理解准确率 应用的核心产品能力 <6秒 使用场景 数据解读靠人工：领导每 次对于大量表格表示看不 过来，想直接知道结论和 哪些指标出了问题 归因分析 报告生成 总行领导 贷款情况分析 存款情况分析 根据行内常用分析维度与指 标的因子关系，进行自动化 归因分析与建议生成，帮助 行领导快速发现数据异动的 原因，形成业务闭环。 基于明细数据自动进行趋势 分析、占比分析、排序分析 和异常值分析等工作，并将 生成的结果以清晰易懂的报 告形式进行展现 使用部门 净收入分析 自然语言数据查询 指标归因慢：主要依赖分析 师人工在BI工具或Excel中进 行维度与因子下钻，手工挖 掘洞见 1200+ 上线一周领导主 动问询数量 项目一期服务重点 行内领导可以通过自然语言 形式快速获取每日所需经营 数据，并支持智能生成可视 化图表 数据查询效率低：数据需求 无限，开发资源有限，需求 排队严重； 从询问到 结果 分支行领导 项目二期服务重点 同业负债分析 相关荣誉 “ 入选知名数字化研究与服务机构 沙丘社区发布《2025沙丘社区 大模型先锋案例TOP50》 业务分析师

26. 未来布局:金融数据智能演进路线

27. 展望：Data Agent的三大主要演进方向 Agent可以处理的任务将从 简单同步型任务往异步复杂 型任务演进 Synchronized-> Asynchronized General -> Personalized Agent将从回复用户问题升级 为主动帮助用户发现问题 Reactive -> Proactve 记忆模块将显著提升Data Agent对于用户个性化需求 的理解与实现

28. THANKS 探索 AI 应用边界 Explore the limits of AI applications