智能分析AI Agent在金融行业的先进实践与展望

1. 智能分析AI Agent在金融行业的先进实践与展望数势科技岑润哲

2.

3. 目录 C O N T E N T S 01 金融行业经营分析领域的现状和痛点 03 智能分析AI Agent 相较传统解决思路的技术创新 05 总结与展望 02 当前行业内通用解决思路及主要问题 04 智能分析AI Agent的应用场景与价值

4. 数势科技：行业领先的数据智能产品提供商拥有在大金融、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公司简介我们的愿景我们的团队能力我们的使命拥有在大金融、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推动企业数字化升级，实现数据价值的普惠化业内顶尖的技术专家和业务人才成为企业数字化升级首选长期技术伙伴基于行业落地实践经验的标准软件产品智能指标平台、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先进的智能算法和垂直大模型应用部分代表客户

5. 01 CONTENTS 金融行业经营分析领域的现状和痛点

6. 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： 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。" Speed is Everything："每当董事会要求针对数据作出快速反应时，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。" 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、快速获取结论和基于数 The Golden Why Question： "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。" 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。

7. 业务团队之痛：BI产品学习⻔槛高，归因解读靠人工痛点以下是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 BI报表配置难度高 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。" 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。

8. 指标标签语义层+大模型-即将开启数据智能分析的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 指标标签语义层 + 大模型

9. ⺠主式数据分析：让企业内每一个公⺠可以实现从数据消费到决策数据民主化意味着企业内部每一个“公民”都可以通过极低门槛的方式获取和理解数据资产，并可以从数据资产中快速发现可执行的决策动作 - 用户体验层 - - 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人数占比80% 企业内“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% 指标标指标标签签数据管理语义层分析开发者数据挖掘工具读得懂、用得着，查得到指标标签元数据服务数据仓库数据湖融合

10. 大模型的出现，大幅降低了数据服务的使用⻔槛传统数据分析路径长，存在明显人力瓶颈（人力瓶颈）老板任务数据+BI 运营任务数据+BI 利用大模型Agent能力，显著降本增效（产出缓慢）工程开发人工绘制数据源数据查询数据报表产品任务数据+BI 人工梳理异动分析临时需求数据+BI 人工总结数据报告提出任务数据Agent （大模型）给出答案数据提取多维画像归因分析数据报告（秒级响应）门槛高商业分析，需借助研发与BI协助门槛低简单交互，人人都是数据分析师效率低需求响应数小时，决策不及时效率高数据查询，报告分析任务秒级响应能力薄只能查数，分析需要人工能力厚归因分析、异动分析、报告总结交互性强多轮追问、歧义反问，有理有据交互性弱以数据查询与看板展示为主

11. 02 CONTENTS 当前行业内通用解决思路及主要问题

12. 当前行业内数据处理与消费通用架构

13. 大模型直接生成SQL，存在效果瓶颈和性能⻛险

14. 03 CONTENTS 智能分析AI Agent 相较传统解决思路的技术创新

15. 仓外语义 -- 灵活便捷、贴近业务 • 数据建模右移，更贴近数据消费endpoint，更便于LLM Agent 规划推理； • 基于虚拟层做数据编织，口径管理更灵活、便捷

16. 指标平台+大模型组合方案提升可靠性

17. Agent架构将提升复杂任务理解与规划能力

18. 数势科技NL2MQL+Agent路径是效果更优的科学路径

19. 数势科技“Agent”架构如何运行？ N轮循环 Goal（目标）看下近7天基金申购人数，哪个渠道跌得最多，做个总结 Expert Recruitment (专家雇佣) 取数专家 Reward Feedback (正负反馈） Evaluation (结果评估) ？ == 有数据、有逻辑有业务 Sense的分析报告归因专家取数专家可视化专家归因专家预警专家报告专家 Group Outcome（结果） Collaborative Decision-Making (协同决策) 用户想要的 SwiftAgent输出的报告专家 Action Execution (动作执行) Agents: 维度：渠道、风 Actions：险偏好、基金类型、起购金额、日期等度量：申购人数维度归因算客户常用的法报告模版A

20. 统一管理的指标语义层是SwiftAgent落地的基础

21. 数势科技SwiftAgent的核心创新能力 1. 统一语义层 2. 数据计算加速引擎 3. 多源异构数据链接 4. 用户可干预 5. 持续反思学习，自主进化 6. 支持移动端和语音交互

22. 04 CONTENTS 智能分析AI Agent的应用场景与价值

23. 应用场景一：交互式指标问询-降低数据获取⻔槛

24. 交互式指标问询：模糊语义处理机制

25. 若用户提问模糊，让LLM反问并协助澄清

26. 交互式指标问询：支持用户说“黑话”

27. 交互式指标问询：支持用户说“黑话”

28. 应用场景三：分析报告自动生成-提升分析效率

29. 某金融机构智能分析AI Agent实施架构与支持场景

30. SwiftAgent在某金融机构支持的核心场景

31. 05 CONTENTS 总结和展望

32. 智能分析 AI Agent 的能力优势总结

33. 智能分析 AI Agent 未来展望

34. 福利申领：行业首部《指标体系与指标平台》专著大模型时代，企业如何利用指标推动数字化转型和实现数字化经营？本书详细讲解了 • 指标体系的设计方法 • 指标平台的产品设计和技术架构 • 指标在各行业落地应用的方法本书融合了数势科技服务近百家企业的领先实践经验和行业领先的指标平台产品技术功力，是行业内首本以“指标平台”为中心的专业书籍扫码有机会免费领取

35. 扫码添加小助手沟通扫码关注数势科技