零售连锁行业内智能分析 AI Agent 的应用探索

如果无法正常显示,请先停止浏览器的去广告插件。
分享至:
1. 零售连锁行业内智能分析 AI Agent 的 应用探索 2024.05
2.
3. 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 公 司 简 介 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 我们的使命 业内顶尖的技术专家和业务人才 推动企业数字化升级,实现数据价值的普惠化 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 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 投 资 方
4. 目录 CONTENTS 01 零售行业经营分析领域 的现状和痛点 02 集中式数据分析 VS 民主化数据分析 03 大模型增强的智能分析 AI Agent 创新点 04 数势智能分析AI Agent的应 用场景与创新价值 05 总结与未来展望
5. 零售行业经营分析 领域的现状和痛点
6. 零售行业经营分析全景图与核心痛点 数据源 多乱杂 指标管理 不统一 数据应用 门槛高 战略及年度计划 经营健康指标 经营过程指标 经营结果指标 市场营销 经营分析 品类管理 订单管理 供应链管理 客户服务 质量管理 设备管理 组织&HR 信息化 行政后勤 EHS 财务管控 资源管理 5
7. 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。" 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。" 信息过载
8. BI产品学习门槛高,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:"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。" SQL学习难度高 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 BI报表配置难度高
9. 重复报表需求杂、指标口径不统一、难以实时响应业务变化 痛点 以下是3个不同客户发出的真实声音示例,反映了数据团队在指标定 义、指标开发和指标管理方面的核心痛点: 报表需求灵活多变,临时表冗余:"我们数据团队大部分时间都花在了 应对业务部门多变的报表需求上,每次业务流程一变,我们就得开发 各种临时表、中间表。这不仅效率低,还很容易造成错误,甚至有的 表用一次就废了" 01 交易额A 报表需求灵活多变 指标口径不一致:"虽然公司有众多部门在使用数据,但每个团队对同 一指标的定义却截然不同,没有统一的数据口径和解释标准。这种不 一致性给跨部门的沟通和决策带来了混乱" 难以实时响应业务新增指标需求: "每次业务人员新增一个指标开发 需求,都希望我们能半小时内提供相应的指标。现状是,虽然我们已 经在数仓加班加点开发了,但还是被业务团队说反应慢,有苦说不出" 02 难以实时响应业务 新增指标需求 交易额B 指标口径不一致 03 交易额C
10. 集中式数据分析 VS 民主化数据分析
11. 集中式数据分析:数据需求无限,开发资源有限,需求排队严重 产品运营团队 供应链团队 数据 会员运营团队 门店经理 客服团队 … ① 需求 ② 需求排 … 队 ④ 开发 … 完成 ③ 数据开 发 杂乱数据源 数据工程师 IT部门
12. 大模型的出现,加速企业数据民主化进程 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 利用大模型Agent能力,显著降本增效 (产出缓慢) 工程开发 数据源 数据查询 运营任务 数据+BI 人工绘制 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 数据查询 数据报表 异动分析 (大模型) 给出答案 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
13. 从集中式到民主式数据分析的演进过程 发展阶段 粗旷式 集中式/分散式 阶段特点 小规模、小数据分析 分析可靠性不稳定,不灵活 通常在个人层面闭环 中等/大规模数据分析 分析效率不稳定,质量差, 依赖路径较长。响应慢 大规模、海量数据分析 全体用户级自助式分析 分析到决策制定链路短,响应快 参与人群规模 少数个体 中等 大规模 独立分析师 IT开发团队、商业分析师 数据科学家、数据分析师 企业公民 Excel、SQL、IDE Tools BI工具、Excel、notebook... 指标平台、大模型、生成式BI、... 用户角色 分析工具 分析效能 低 民主式 高
14. 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 - 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 元数据集成 - 用户体验层 - 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% 元数据管理 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 平 台 元数据服务 融 合
15. 大模型增强的智能分析 AI Agent 创新点
16. 创新点:实现 NL to Metrics+Label to SQL 场景数据分析诉求 任务难度系数 难点 1 枚举值转 维度 最近7天A门店的订单量是多少? 2 枚举值转 维度 XXX商品今年累计卖了多少? 3 今年XX商品的交易金额与退货金额分别是 XX品牌最近3个月销量最好的Top3 商品 是哪些? 这三个分别的好评率是多少?帮我解读下 5 华东区XX商品的下单金额周环比为什么下降了? 时间维度 地域维度 公司维度 产品维度 数据指标 可实现 指标语义 模糊 指标语义 模糊 多少? 4 NL2SQL 数据维度 任务指令 跨表多指 标查询 日维度上 卷年维度 多任务 规划 指标取数 结果排序 衍生计算 枚举值转 维度 同环比 计算 多维归因 报告解读 NL to Metrics+Label to SQL 可实现 可实现但不准 可实现且准确 难实现 可实现且准确 可实现但不准 可实现且准确 难实现 可实现且易理解
17. 假设我们有一个分析的任务,原来需要... “帮我看看这几个指标,哪里出问题了,最后给 我个分析报告,马上要” 有洞见的报告(Insights) 原始数据(Raw Data) 学会绘制折线图 了解SQL基本指令与语法 异常检测算法 高阶预测模型 归因算法 Python/R/SPSS 数据可视化工具 复杂SQL撰写 归纳总结能力 了解数据清洗机制 相关性分析
18. 大模型直接生成SQL的标准方案,存在效果瓶颈和性能风险 使用大语言模型直接驱动数据库,通过AI生成的SQL语句,实现用户问答数据自动获取,当前研究发现存在一定风险与瓶颈 标准 NL 2 SQL 方案 用户 ① 准确率低 交互式数据查询 • 企业级(千/万张表)数据查询 准确率约60-70% • 即使是GPT也难有一个直接可用的准确效果 ② 性能存在风险 • 大模型写出的SQL未经优化,可能导致长查询的占比较多,性能不好甚至导 数据查询任务 查询结果输出 致查询服务异常,多表关联的真实查询 性能不可控 ③ 学习成本高 • 预训练大模型未掌握企业客户数据与数据格式定义,当数据源过大时,大模 大语言模型 生成SQL语句 企业 数据中台 型对表的结构 学习成本高 (增量预训练、长窗口、functioncall等) ④ 数据安全存在风险 • 大模型直接对接数据查询,缺少数据权限管控, 隐私与安全性风险较高 , (TEXT2SQL) SQL服务 意图理解&结构化生成 生成的SQL做数据库查询 用户可通过问询获取非用户权限内的数据 ⑤ 能力单一 • 很多高级的分析问题,单纯靠大模型生成SQL 无法解决
19. LLM带来的LUI+GUI结合,显著提升数据分析体验 不需要学习复杂的代码或产品功能,简单的LUI(Language User Interface)+GUI (Graphics User Interface)即可实现原有的分析与报告生成需求 数据可视化 基于自然语言的指标分析 指标归因 Graphic User Interface 总结报告 Language User Interface
20. 大模型增强的智能分析AI Agent,实现企业数据查询的端到端提升 结合数据指标与大语言模型,可实现用户问答数据自动获取,在准确率效果与性能稳定性层面提升明显 结合大模型+指标指标管理平台, NL 2 MQL,提供更优方案 用户 交互式数据查询 ① 数据可信,准确率明显提升 • 预设数据指标的定义与管理,避免业务理解对不齐 • 借助思维链分析与歧义反问,提升泛化性,避免直接从文本到SQL ② 性能提升且稳定 • 基于自研的数据查询加速引擎,智能优化查询语句 数据查询任务 查询结果输出 • Top95 可实现 从检索到回答的 秒级出数 ③ 学习成本低 • 指标的数据样本可通过大模型辅助生成 大语言模型 指标/标签定义 企业 数据中台 • 全流程白盒,企业客户用业务语言描述查询过程,方便快速排查 ④ 数据安全可保障 • 利用指标分析平台的 权限管理能力 ,结合RBAC基础,对数据与指标进 意图理解 指标/标签查询 指标/标签 SQL转换 SQL服务 意图理解&指标关联 指标转换 用指标关联的SQL 做数据库查询 行精细化的权限管控, 实现数据查询的安全可控 ⑤ 能力覆盖更全 • 高级数据分析问题,可通过精准的指标进行关联与展示,实现单项数据 可查、报表可展示、总结报告可生成
21. 大模型增强的智能分析AI Agent架构 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 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 Text2Cod e
22. Agent规划过程中Thought Module至关重要 慢思考——>如何分析问题:逐步思考,分解法,反思法,批判法,假设法 Task类型 同环比分析 利润同比去年怎么样 排序分析 哪个商品贡献毛利最高 增速分析 维度归因分析 哪个区域销量增速最快 哪些维度导致销售额降了 因子归因分析 ... 销售额波动可能和哪些指标有相关性 基于用户需求:{task},在以下思考方式{thought_modules},选择其中最有可 能解决用户需求的思考方式,并输出。 1.你需要制定一个任务计划清单来确保解决问题, 2.请简化以上问题,让其更容易解决 3.请找到问题的关键假设,帮助解决问题 4.将这个问题分解成更小、更易于管理的部分 Select module {seletcted_module},重新编排和改写,生成新的 5.从不同的角度分析问题、质疑假设和评估 reasonning_structure 6.请一步一步的制定计划,并给出合理的解释 ...... Adapt module 请使用以下推理结构{reasonning_structure},解 决用户需求:{task} 基于用户需求:{task}和已选择的思考方式: Implement module
23. 数势智能分析AI Agent 的应用场景与创新价值
24. 案例背景:承接数字化转型战略,建立一套经营决策的指标分析体系 在原有的数据仓库基础上,构建一套完整的指标体系框架,并帮助其打造一套可供战区负责人(管理团队)和 门店督导(一线业务人员)快速使用的低门槛智能数据分析助手,推进数字民主化进程 门店精细化分析场景 顾客 • • • • 大众点评星级 美团外卖星级 饿了么外卖星级 小程序差评率 … 督导 加盟商 • QSC稽核 • 红灯绿灯 • 新品销售达成 … • 渠道GMV • 渠道毛利 • 门店运营成本 … 抓体 验 抓服 务 抓品 质 衡量标准 落地执行 形成改善策略 统一数据资产(指标+标签体系) 总部视角 • • • • 万元盈利率 GMV 净利 毛利 … 抓价 格 发现问题
25. 解决思路:以产品分析和门店运营切入,建设统一的分析思路、语言 和工具 打造基于统一数据的决策体系和策略诊断的支持工具 统一的 分析工具 管理层决策看板 智能数据资产(指标)平台 大模型分析助手 构建统一财务经营、门店运营、门店管理、商品分析场景的指标体系,让分析能够进行多维度下钻 统一的 分析语言 财务经营域 》 指标 x 维度 60 指标体系设计框架 29 门店运营域 指标/标签 63 门店管理域 x 维度 24 指标 x 维度 22 产品&供应链& 外卖 24 27 产品分析支撑产品上新、营销、下架的管理决策;门店健康度分析赋能管理到执行的运营策略优化 统一的 分析思路 》 指标 x 维度 》 34
26. 数势智能分析AI Agent实施架构与支持场景 数据分析场景 (应用) SwiftAgent 数据分析助手 (产品) 产品力分析 客户画像分析 门店评价分析 财务经营分析 供应链库存分析 营销效果分析 会员运营分析 客户投诉分析 可视化报告自动生成 指标全生命周期预警分析 交互式数据查询问答窗口 交互式指标问询 自动归因分析 API接口服务 SwiftMetrics 数据指标平台 (平台) 指标开发 指标定义 字典属性定义 动态属性模板 自定义指标资产 元数据管理 基座大模型 (智能) ··· ··· Prompt微调 快速配置开发 低代码开发 权限管理 模型微调 国产大模型基座 企业数据 源 (信息) 指标管理 需求管理 生命周期管理 权限管理 分类管理 数据源管理 高 性 能 指 标 加 速 引 擎
27. 技术实现方式 业务场景 客户洞察 门店管理 员工绩效 应用功能 服务 数据提取 数据分析 数据解读 指标 提取 画像 提取 指标 分析 报告解读服务 技术服务 组件 模型层 数据源 画像 分析 基础 解读 模版 解读 新品分析 ... 高阶分析 维度 归因 记忆管理服务 因子 归因 决策干预 智能 预警 指标 预测 Fewshot服务 模版管理 槽位填充 上下文 对话 对话引导 动态示例 经验学习 COT设置 场景索引 反问澄清 压缩索引 术语管理 动态示例 基于结果输出建议 (联动知识库) 调度与监控 调度任务 审核中心 指标标签查询服务 计算分析服务 图表生成服务 指标标签 管理 预计算 意图识别 指令优化 图表推荐 图表切换 指标标签 检索 查询优化 分析算法 代码生成 图表下钻 图表扩充 Agent规划器 大模型 模型微调 推理加速 模型管理 prompt管理 离线数据(包括矢量数据库/知识库/关系型数据库/分布式数仓等) module组合 实时数据 系统监控 账号体系 角色权限 反思机制 外部数据接入
28. 应用场景1:当用户提问模糊的时候,怎么提升交互体验 容 错 原 则 ( He lp u se rs re c ogn ize , diagn ose , an d re c ove r from e rrors ) 理想中的“让用户随便说一句话,大模型产品马上开始完全自动化执行”,往往是不太可能的,因为用户天 生就是“懒”的,而且语言本身也具有一定的模糊性,因此在产品设计环节里,可以增加反问模块,让大模 型更好的理解用户需求,一步一步把需求“精细化”,提升正确结果概率,增加使用者的信任感 最近是多近?7天?30天?60天? 什么渠道啊?线上渠道?线下渠道? 三方渠道? 按下单口径的订单量还是按支付 成功口径算的订单量? 是按一个区间做同比分析还 是按时点?
29. 创新价值1:用户可干预,让LLM反问并协助澄清 情况1:时间维度表述不清楚 希望查询哪个时间段的总资产情况?例如,是最近7天、最近1个月,还是今年年初至今的统计数据? 您也可以自定义时间窗口 情况2:时间对比表述不清楚 希望做哪个时间段的对比呢?例如,是昨天相比上个月同期,还是昨天相比上个月末? 您也可以自定义时间窗口 蓝色代表可点击的快捷按钮,给用户提供一个可点选的快速通道 同时情况1和情况2提供自定义时间窗口供用户精准筛选
30. 创新价值1:用户可干预,让LLM反问并协助澄清 情况3:指标表述不清楚 若用户问的指标不明确,可以通过多路召回机制,把用户最有可能想要的指标进行罗列展示,并让用 户准确选择符合提问语境需要的指标,同时也可以快速查看每个指标的元信息与含义
31. 应用场景2:如何让用户可以说企业内部的“黑话” 贴 近 场 景 原 则 ( Matc h be twe e n sy ste m an d th e re al world) 利用大模型原生的知识库技术(ex. RAG),来更好地让用户说他熟悉的用词、短语和黑话,而不是强迫 他说系统术语。 大模型:你到底要哪个!? 用户运营 部门理解 • “数据表现”=新客首单人数、成 熟用户复购人数、流失召回人数 活动运营 部门理解 • “数据表现”=活动PV/UV、完成 活动人数、活动带来的GMV 经营分析 部门理解 • “数据表现”=门店营收、门店成 本、门店利润、各类损耗指标
32. 创新价值2:多源异构数据链接,如接入知识库 SwiftAgent产品内置企业知识库配置区域 通用文档 如文档性知识、QA对问答样例、客服FAQ等 后台知识库管理范围 企业内部专有名词 企业内部的专有名词管理(如指标的在企 业内的常见简称、缩写,还有一些行业或 者企业内部的黑话) • R12M 指的是Rolling 12 Month • 年级指的是会员年限 • 新客代表新增有效会员数 场景分析模版 不同的业务角色在提出相似的问题时, 分析场景和常用维度肯定是不一样的, 因此需要预置让大模型理解。 • 举例:当用户运营团队分析“门店 情况”时,更多看的是新客首单人 数、成熟用户复购人数、流失召回 人数这类指标;而经营分析团队提 出相似问题的时候,更多看营收、 成本和利润类指标 多源数据读取:兼容不同格式的数据读 取和处理,例如Word、PDF、CSV等 文本向量化:清洗数据,将文本切块, 并向量化存入数据库中。 向量召回:查询向量数据库,并得到相 似度TOP的文本块 Prompt构建:按照一定的规则组合 Prompt,提高问答的准确率。
33. 记忆召回机制的优化:考虑用户角色与目标 【记忆读取】融合当前需求与全局目标 � ∗ = ��� ��� �∈� �� ��� (�, �) + �� ��� (�, �) + �� ��� (�) 综合考虑最近性、相关性、重要性的记忆读取公式 [1] 演进 � � ∗ = ��� ��� �∈� �� ��� (�, �) + �� ��� (�, �) + �� ��� (�) + �� ��� (�, �) + �� ��� (�, �) 在企业数据分析场景中,除了考虑Query与Memory的关系 还应考虑用户角色/经营目标(k)与Memory的关系,同样包括最近性、相关性
34. 知识库管理内容(1):公司级统一语义的指标体系和分类 门店管理域 门店运营域 稽核类指标 是否监控异常 目视化合格率 基础服务合格率 清洁卫生合格率 产品品质合格率 食品安全合格率 红线合格率 稽核分数 外卖点评合格率 是否串货 是否红灯 执行类指标 培训类指标 QSC线上稽核 整改完成率 QSC线下稽核 整改完成率 是否完成 上新产品动作一 是否完成 上新产品动作二 是否完成慧运营 开店任务上传 是否完成慧运营 值班任务上传 是否完成慧运营 打烊任务上传 是否完成慧运营 周月清任务上传 是否完成 上新产品动作三 是否完成 上新产品动作四 是否完成 上新产品动作五 是否完成 产品周周训 是否完成 督导周周训 是否完成商学院 推送学习任务 是否通过 新督导学习 是否通过 店长训学习 是否通过累计 “回炉”训练 是否完成慧运营 运营管理人员 “门店工作日” 任务上传 督导积分制督导 平均积分 商品 供应链 奖惩类指标 运营类指标 口碑类指标 门店总览 拓新类指标 地址转让 商品点踩率 供应链 平均采购价格 罚款金额 督导人数 NPS 总门店数 新签门店数 转址门店数 商品点赞率 供应链平均售价 奖励金额 督导平均司龄 小程序差评率 总加盟商数 新签加盟商数 转让门店数 流水占比 督导平均 管辖城市数 督导平均 管辖店数 门店合格 店长配置率 店均店员数 (店长+店员) 完成《店长训》 人数 本年累计 督导离职人数 本年累计 店长离职人数 小程序 店均差评数 加盟商带店率 解约&闭店 杯量占比 大众点评星级 应营业门店数 新签转址转让 门店数 新签转址转让 加盟商数 点评好评数 营业门店数 点评差评回复率 店长打卡完成率 奖励事由 管理类指标 门店首单时间 分级类指标 门店分级 客诉类指标 客诉责任率 分公司 培训人员在岗率 分公司 营销人员在岗率 点评差评率 平均营业门店数 新开门店数 新开转址转让 门店数 净增长营业 门店数 美团外卖星级 筹建门店数 美团好评数 净增长门店数 美团差评率 试营业门店数 美团差评回复率 饿了么外卖星级 饿了么差评率 饿了么 外卖好评数 饿了么 差评率回复率 供应链 理论毛利额 供应链 理论毛利率 外卖 已闭店门店数 已闭店待解约 门店数 曝光UV 下单转化率 暂停营业门店数 进店UV 曝光下单率 解约门店数 下单UV 进店转化率 曝光UV(商圈同 行前10%均值) 进店UV(商圈同 行前10%均值) 下单转化率(商圈 同行前10%) 下单UV(商圈同 行前10%均值) 进店转化率(商圈 同行前10%) 曝光下单率(商圈 同行前10%) 广告交易额 提升订单数 推广消耗 投入产出比 33
35. 知识库管理内容(2):分析体系与方法 产品分析模型 分析目标 产品活动运营 产品上新分析 产品效率诊断 产品评价诊断 分析方法 策略支持 产品点踩率 分析 订单差评 分析 产品销售贡 献分析 活动ROI 分析 产品毛利与销 量矩阵 产品评价与 销量矩阵 评价热词 分析 产品销售与 渠道交叉分 析 活动期间过 程分析 产品渠道毛利 分析 产品评价与销量趋势分析 活动期间新 品评价分析 产品毛利趋势 分析 • 洞察消费者满意度,找到 潜在爆品 • 帮助产品定级,合理评估投产比,让营销预算 编制的更准确 • 优化产品售卖周期的营销策略,抓住产品的流 量红利期,帮助带来更多业绩 产品下架评估 市场洞察 供给能力诊断 行业趋势 门店库存分析 竞品活动 分析 仓库库存分析 竞品上新 分析 原料供给能力分 析 • 洞察市场热销品类及时优化营销策 略 • 促进产品改进方向 图例: 一阶段 二阶段 34
36. 结合存量指标体系与分析方法知识库,由大模型生成适合业务场景的问题 3篇引用 批量分析 35
37. 应用场景3:用户不仅需要提取数据,更需要分析思路 • • • 我现在是拿到我想要的数据了,然后呢? 我接下来可以问什么类型的问题? 老板肯定不止要一份“数据”,要的是结论呀 36
38. 创新价值3:通过持续反思学习让大模型形成追问机制,帮助 用户解决特定场景的问题 快捷键点击后可以快速进行报 告生成或可视化 报 告 自 动 生 成 可 视 化 生 成 功能快捷键区域 帮我看下哪个一级品类综合毛利最高 帮我看下综合毛利高的一级品类里,哪个二级品类卖得最好 LLM辅助生成的追问区域 问题追问可以帮助用户实现从 数据的“What”到“Why”的跃迁 自 动 下 钻 归 因 分 析 37
39. Demo演示 38
40. 总结与未来展望
41. 智能分析 AI Agent 的能力优势总结 “准确” 1. 连接数据语言与业务 语言的NL2MQL技术 “友好” 2. 用户友好的交互式 反问与引导 让大模型及时反问与追问,引导业务 人员一步步成为专业分析师 “敏捷” 3. 基于Agent架构的 强大规划能力 大模型的思维链与ReAct架构辅助 高效拆解复杂问题,并精准回复 “安全” 4. 严格的数据 安全保障 通过构筑企业的标准化指标语义层,让大 精细到指标行列权限的管控机制 模型完美解析用户需求,实现精准取数 满足企业数据安全要求
42. 智能分析 AI Agent 的未来展望 能和人一样总结归纳了 升级为总结之后自动决策 能生成一份报告---> Conclusion-> Decision 通过连接让对应的系统自动执行 Basic Plan -> Expert Strategy 大模型从能听懂人话 升级为帮人说话 让用户提出问题---> 帮用户生成适合这个场景的问题 能像人一样规划了 升级为像业务专家一样规划 本科生的规划能力---> 研究生/博士生的垂直领域的规划能力 Listen -> Speak
43.
44. 谢谢! 扫码添加数势科技小助手 申请产品试用或了解更多

Главная - Вики-сайт
Copyright © 2011-2024 iteam. Current version is 2.137.3. UTC+08:00, 2024-12-09 18:19
浙ICP备14020137号-1 $Гость$