【大模型+数据分析】产品如何打造？——本文为你揭秘关键步骤与成功策略！

最新推荐文章于 2025-04-07 20:49:33 发布

大模型入门教程

最新推荐文章于 2025-04-07 20:49:33 发布

阅读量1.2k

点赞数 18

文章标签：数据分析学习人工智能大模型学习 llama 大模型教程大模型

本文链接：https://blog.csdn.net/2401_85343303/article/details/144895644

版权

前言

数据分析，是产品优化的催化剂、养料。每行每业的业务发展都离不开数据的分析和洞察，基于数据进行决策。大模型技术的出现，也衍生出了诸多优秀的“大模型+数据分析”的产品方案。不论是企业，还是个人开发者，还是从事【数据分析】相关工作的产品、技术、运营人员，个人认为都有必要了解一下，行业里优秀的GBI产品都是怎么做的，同时还要学会使用这些产品/能力，为自己的工作提效、赋能。

1、本文适合读者：

互联网从业者/大模型行业从业者，产品经理、研发、解决方案架构师等；尤其是做大模型、做数据相关的童鞋可重点关注⭐️；
其它对大模型行业应用、大模型产品逻辑感兴趣的朋友；

2、本文价值点：

本文可辅助各位了解业内“大模型+数据分析”（GBI）的优秀产品，是怎么“玩”的。

包括支撑的业务场景、产品功能、产品架构、产品实现链路等，并提供具体的测试case，给各位直观的体验。——以辅助我们，遇到类似产品/项目，该如何设计系统方案，取精华、弃糟粕。

02 AI大厂、AI独角兽–GBI产品调研

2.1 阿里云-析言GBI产品调研（功能、架构、产品实现逻辑等）

产品概述：析言GBI是基于阿里云【通义大语言模型】在【数据分析领域】专门增强的原生数据助理，通过自然语言交互实现NL2SQL、数据问答、分析、洞察等多维度的大模型智能分析应用，适用于业务变化较快、数据分析时效性强的一线业务场景。
析言GBI助力于数据分析全链路智能化升级，两大核心业务场景：数据问答、数据分析

析言GBI-核心功能：智能体相关能力矩阵（Multi-Agent引擎）、以及数据源管理是支撑该产品业务功能实现的核心。
Multi-Agent引擎包括底层的“代码解释器”、“检索增强工具”、“数据查询工具”，以及多轮Chat、任务规划、选表、数据查询、数据分析及可视化Agent，以及更底层的Qwen大语言模型。
数据源管理，支持云上数据管理（利用DB Connector组件：打通多种云数据库）和非云数据管理，Adapter组件打通云上和非云数据。
析言GBI-高阶功能：模型输出干预、数据集管理等；

产品版本对比：

析言GBI产品当前分为三个版本：标准版Turbo、标准版Mix以及定制版Turbo。析言标准版Turbo、标准版Mix以及定制版Turbo均已上线。标准版Turbo、标准版Mix提供试用版本，定制版Turbo暂不支持。各版本特点如下：

产品部署方案：

析言支持公有云和公有云&本地混合部署两种部署方案，企业可根据业务情况自主选择。

同时该产品，对于一些模型可能不知道的业务问法/业务逻辑（_如特斯拉某一年的销量，业务期望默认按高到低输出，但模型并不知道；_还有某些特殊的算数公式，模型也不知道），这时就可以提供一些业务定制逻辑，析言支持以【算法定制】（模型微调）方式支持业务需求。

【析言】落地案例：

以上内容调研自阿里云官方，本人整理加工，供各位学习交流~

读到这，相信各位同行，对阿里析言-的产品架构、功能、实现链路、支撑的业务场景等内容大框有所了解了，但还不具体。所以后文，本人将以几个小case，辅助大家更直观地了解其产品能力（详见3.3小节）。

下面👇🏻，我们先再来看一看，优秀的AGI独角兽厂商：智谱清言，其关于GBI的相关产品方案和实现逻辑。

2.2 智谱清言-【数据分析】智能体-调研

智谱清言，关于数据分析业务需求场景，提供了【数据分析】智能体。

智谱清言-数据分析智能体-官方API介绍：用户可通过分析用户上传文件或数据说明，帮助用户分析数据并提供图表化，也可通过简单的编码完成文件处理的工作。

在线使用地址：https://bigmodel.cn/dev/api/qingyanassistant/assistantapi

2.3 阿里析言、智谱清言、通义千问2.5–GBI能力测试

阿里析言-官方体验DEMO：https://bailian.console.aliyun.com/

（1）析言产品的使用流程：

关联并授权析言访问指定数据库；
配置您授权析言访问的数据表schema信息；
配置您在使用析言进行问答时可能涉及的业务知识。

（2.1）使用官方预置数据–测试析言-数据问答能力

官方预置的数据库包括三张数据表：消费者信息表（customers）、订单信息表（orders）以及商品信息表（products）。我们可以查看各数据表字段及其表内容。

第一个问题：“显示在2023-10月之前加入的客户名单”（这是该系统预置的问题）

（图3 阿里析言-产品实际测试case：查询customer数据表的数据）

（图4 阿里析言-产品实际测试case：查询“物流状态”）

（2.2）使用自定义数据–测试【析言】‘数据问答’、‘数据分析’能力

目前析言官方支持：链接数据库和上传数据文件（但目前仅支持“析言-Mix”版支持），两种方式供用户自定义数据源和数据管理及实现“数据问答”和“数据分析”。

**
在这里插入图片描述

这里本人通过上传【数据文件】方式，进行测试和体验。**

这里使用一个本人想要实际分析的数据（用户与机器人的对话数据，脱敏版）；

上传完文件后，进行提问。析言回答如下：

没有完成我的任务指令，便停止了工作。可能是用户需求过于复杂，下面我们将需求拆开，分别提需。

（1）简单的【数据总行数】统计类需求，可以很容易就完成（其实都不用测）

（2）智能分析需求：找出这数据里面，机器人回复效果不好的case，给出原因和推荐回复。析言完成不了。以及更高阶的评估机器人回复质量，更完成不了了。

对比同样的测试，智谱清言–【数据分析】智能体和ChatGPT的回复，孰强孰弱、高下立判~

（可在后续内容👇🏻中查看智谱清言的完整回复）。

（2.3）使用自定义数据–测试【智谱清言-数据分析智能体】‘数据问答’、‘分析’能力

1、关于统计数据总数，这个各家智能体都能实现。没什么可比性。

2、关于“智能分析–机器人回复效果好与坏、并统计回复准确率”这样的业务问题，我们试着拆解一下智谱AI的执行逻辑：

智谱清言（针对上述数据分析case）的回复	备注(执行逻辑抽象)
	智谱清言-数据分析针对数据文件+数据分析需求执行逻辑： 1、加载并查看数据，以了解数据结构和特点。可以看到：其使用了【Python代码解释器】来完成该任务。

	2、阐述用户的问题，并告知用户其回答顺序。 2.1 先回答第一个问题：数据总条数统计。 ——可以看到，其仍然是调用了【Python代码解释器】来完成这个统计需求。
	2.2 回答第二个业务问题（分析机器人的回复质量）可以看到，它的工作路径： a)制定了评估标准； b)规划： b.1）先随机抽查数据； b.2）对抽查出的数据，分析评估（按此前其制定的评估标准）；
	b.3）基于抽查出的问题，给出建议。
	2.3 回答第三个业务问题（计算数据中的机器人回复准确率） ——这是一个复杂的业务，可以看到该智能体进行了任务分析和下述规划： c.1）定义评估维度和标准； c.2）制定打分标准； c.3）对数据进行评估。——自主随机选取了10%数据，评估。然后估计整体准确率。 ——调用了【Python代码解释器】。
	用户问题全部回答完后，询问用户相关的需求，体验很好👍🏻

1、我们可以清楚地看到，智谱AI-数据分析智能体，具备较强的**【需求分析】、【任务规划】和【具体任务的执行能力】**。

2、关于这类数据评估的任务，它知道要先制定评估标准和评估指标->给出打分表区间（10分制还是1分制…）->调用【Python代码解释器】等工具，执行【打分】任务->计算数据指标。

3、关于上述👆🏻回答中，随机抽取10%数据进行分析和评估的这种解法——不能其说好，也不能说坏。

——这样做，可在一定程度上可以避免用户上传数据过长、分析任务过难、计算资源开销大等问题。但对于数据表本身就不大的业务需求，只能完成用户的部分需求，或者也只是“形式上”完成了用户需求。

——该case模型更进阶的解法，个人认为可以根据用户分析的数据量大小自主决定分析部分 or 全部（当前逻辑，猜测其官方可能也是这样），同时最好给出评估明细，或者询问用户是否要给出上述评估结果的明细数据，这样体验更好

（2.4）使用自定义数据–测试【阿里-通义千问2.5】‘数据问答’、‘分析’能力

通义千问-2.5，针对该问题，实际比其内部的【析言】产品表现要好，所有问题均回答了，不会像析言一样，回答到一半就停了。

千问2.5关于第2个业务问题（它找出来的它认为机器人回复不好的case，其实蛮具有代表性，分析的错误原因也蛮正确，给出的推荐回复也比较好）
但是关于第3个业务问题，明显是计算错误的。它认为全部数据中的badcase仅有找出来的那4条。

03 总结与启发

总结与启发1

我们可以清楚地看到，不论是阿里析言、通义千问，还是智谱AI-数据分析智能体，要想通过自然语言，更好地完成【数据分析】相关业务需求，**需具备较强的【需求分析】、【任务规划】和【具体任务的执行能力】（工具调用，如“Python代码解释器”、“联网搜索”、“SQL查询”等），以及基本的【多轮对话】**能力。——多Agent引擎。