数据已成为数字经济深入发展的关键要素和重要战略资源。然而，随着行业信息化的推进，以及产品服务由“少种多量”向“多种少量”的特征转变，导致数据海量集聚、生命周期明显缩短。传统的报表式数据描述性分析工具（BI）难以挖掘海量多源异构数据的关联和潜在价值。大模型在融合大数据、强算法、大算力方面展现巨大潜力，逐步形成以预测性和指导性分析为核心的新一代数据治理范式。鉴于此，中关村科金得助基于自主研发的金融大模型和数据驱动的决策实践，全面升级新一代对话式智能分析决策平台，形成全域数据质量规范管理的可信源、基于人机协同的增强根因分析和预测决策支持、全员决策反馈的自然语言对话式分析和洞察生态等核心能力，推动数据资产的有效治理、精准数据决策，自上而下形成多维智能决策数据应用的组织效应，真正实现了数据驱动的全面要素价值释放。

数字时代下海量数据的

复杂决策挑战和群智优化管理

当前，以数据资源为关键要素的数字科技和数字化建设，成为产业智能变革的重要推动力。然而，随着市场环境的变化和消费者需求的多样化，仅靠报表统计的传统数据分析（BI）已无法满足自动化和智能化的需求。特别是在海量数据集聚、生命周期明显缩短的趋势下，实现更全面、更均衡、更普遍的数据洞察和精准智能决策，面临的挑战愈加严峻。

一、数据生命周期的缩短和用户需求的中心化凸显出数据管理的矛盾，企业迫切需要从全局角度进行优化

用户对个性化、定制化的产品和服务的需求不断增加，产品和服务的生命周期管理策略缩短导致数据生命周期明显缩短，并且其产生、流动和失效速度都在加快。IDC报告显示，全球数据总量到2025年将增长到175ZB，复合年增长率为61%。数据规模的快速增长伴随数据多样性、复杂性增加，超过80%的企业在数据口径方面存在挑战，数据的质量和一致性难以保障，甚至产生数据孤岛，同时报告显示27.1%的企业表示虽然打破了数据孤岛，但难以形成业务协同。国际数据管理协会DAMA的一项调查显示，仅有不到30%的企业能够做到数据的全面标准化和统一管理。数据的冗余和不一致性，使得企业在决策时面临更大的风险和挑战。因此，企业需要自上而下建立起全面的数据管理体系，加强对数据质量的监控和管理，实现数据资产的有效利用和保障。

二、传统描述性数据分析的模板化、同质化高，难以满足预测、归因等特定洞察和智能决策需求

大数据应用的三个层次分别是描述性分析、预测性分析和指导性分析，然而传统数据分析工具（BI）往往是基于经验或理论范式的描述性分析，提供标准化的报告和通用分析模板，这无法实现个性化、定制化、多样化数据分析需求。超过70%的企业表示面对复杂多变的业务场景，这种“一刀切”的方法往往难以提供足够的洞察力，限制了数据在复杂决策中的潜在价值。根据McKinsey的报告，只有少数企业能够有效利用预测分析、归因分析等深度分析的工具，以支持特定的智能决策需求。由此，新一代数据治理核心是动态多维的数据洞察和智能决策，聚焦相关分析、因果分析、动因分析的数据洞察。

三、数据工具的渗透率和普适率不足，制约全员参与的群智数据决策优化

调研显示，虽然超过98.6%的企业采用了至少一种数据分析工具，但只有28.6%的企业能将应用场景完全落地。技术门槛是制约全员参与群智数据决策优化的主要因素。Gartner的报告指出，超过70%的数据分析项目因缺乏有效的数据文化和人才，无法有效利用数据工具进行决策支持。在这种情况下，企业应重视提升员工的数据素养，采用更智能化的数据分析工具，降低技术门槛，简化操作界面，提高工具的普适性和易用性，让更多的员工参与到数据决策优化过程中，推动全员参与的群智数据决策优化。

基于大模型的新一代数据治理和

智能决策平台建设实践

在数字时代下海量数据的群智优化管理中，中关村科金基于自主研发的金融大模型和数据驱动的决策实践，全面升级新一代对话式智能分析决策平台。通过提升数据管理的标准化和统一性，提高数据工具的渗透率和普适率，以及开发定制化的数据分析模型，企业从而更好地利用数据资产，支持复杂决策过程，实现创新增长。

（1）以智能指标中台夯实数据治理底座，驱动一致、标准、多处复用的可信源

数据治理的基础问题是解决传统描述性分析实践中的数据管理源底层冲突。数据的分散、标准不一以及重复建设等问题增加了数据管理的复杂性，降低了决策的效率和准确性。部门间的数据孤岛和指标统计口径的不一致阻碍了有效协作，不利于管理者基于数据驱动精细化管理和快速决策响应市场变化，而传统BI工具依赖图形用户界面（GUI）限制了其灵活性和扩展性，难以跟上快速发展的业务需求。

在此背景下，新一代数据治理和分析决策强调数据后端的处理能力，而非前端的可视化展示，从而通过自动化和编程方式来处理分析数据，并将数据分析密集集成到业务流程中。其中，基于指标中台的体系化建设有效应对数据效率难题。它将数据的语义层与应用层进行解耦，通过统一语义层的模式实现了数据指标的一次定义、多处复用。这种设计不仅确保了数据的一致性和标准化，而且提高了数据服务的可复用性，为企业提供了一个可信的数据源。在这样的智能指标中台中，企业可以构建统一的数据模型和指标体系，实现数据的集中管理和维护。通过APIs和微服务架构，这些指标可以被不同业务系统和应用所调用，支持实时数据分析和决策。

图 全新建设指标中台解决数据口径难题

根据中关村科金的应用实践，智能指标中台在数据处理和可视化方面提升了各类指标源的高度集成和复用性，有效沉淀企业数据资产并支撑决策。通过“原子指标-派生指标-计算指标”的分层管理模式，已经建立了包含数千个原子指标、派生指标和计算指标的全面数据指标体系，覆盖了业务条线、运营、财务、风险管理等多个领域。在数据解读方面，该平台能够在短短1分钟内将复杂的数据转换为易于理解的可视化信息，极大地加快了对数据背后业务含义的把握，加速了决策过程并支持了更精准的业务洞察。

图 基于指标中台的新一代生成式BI

（2）融合大模型+小模型的混合智能，内置异动分析、归因分析等预测性和指导性分析

新一代数据洞察和智能决策的核心，是从海量数据中快速发现价值、识别异常并做出正确的决策。传统的BI工具虽然能够提供历史数据的报告和分析，但在处理复杂的数据关系、进行深度分析及预测时往往显得力不从心。特别是在需要对大量异质数据进行快速归因分析和前瞻性预测的场景下，传统方法很难满足企业对于敏捷决策的需求。此外，由于缺乏足够智能的支持，用户往往需要投入大量时间去手动分析数据，这不仅效率低下，而且容易因为经验不足或视角局限而忽略重要信息。

真正智能的探索思路在于基于人机协同融合智能的理念，引入根因分析、异动分析、归因分析、趋势预测以及机器学习算法等先进技术，构建一个能够进行深度分析和智能决策支持的平台，实现了数据价值的最大化释放。通过这些技术的融合应用，平台能够自动识别数据中的异常波动（异动分析），深入挖掘问题的根本原因（根因分析），识别影响业务指标变动的关键因素（归因分析），并基于历史数据趋势进行准确预测（趋势预测）。此外，应用机器学习算法使得分析模型能够持续学习和优化，提高分析的准确性和适应性。更为重要的是，该平台将人类的直觉判断和机器的计算能力相结合，实现了融合智能的决策支持。这种融合智能模式充分发挥了人类与机器各自的优势，既保证了决策的科学性和准确性，也保留了人类对复杂问题的直觉判断和创新思维。

图 基于大模型+小模型真正实现数据驱动决策

实践证明，基于"智能模型+复杂计算"的增强分析有效支持企业在面对复杂业务环境和决策挑战时，做出更快、更准确的决策。例如，中关村科金利用这种增强分析技术，在平台上线的短短半年内自动发现了15起异常问题，这些问题的及时发现和处理，不仅保障了企业运营的稳定性，也为投资决策提供了即时的数据支持。此外，随着企业对智能模型的使用频次增加，模型能够通过持续自我优化，不断提高预测的准确率，使得企业能够更加自信地面对市场的不确定性。智能模型的另一个优势在于其能够根据具体的业务场景和数据特点自动选择合适的机器学习算法。无论是决策树、随机森林还是其他算法，智能模型都能灵活调整，以实现最佳的分析效果。这种灵活性和适应性，使得企业能够更加精准地预测未来的业务表现，如2024年的销售额，从而制定更为合理的年度目标和申请预算。

图 基于销售预测进行年度目标和预算决策

（3）融合大模型的对话式指引交互，实时层层深入驱动智能决策正向循环

融合大模型的对话式交互，以应用普适性为目标，有效应对降低技术门槛高、数据模型复杂、分析结果难以理解等问题。在传统的商业智能（BI）实践中，企业常常面临信息过载、技术门槛高等挑战。不仅导致了决策效率降低，也难以充分挖掘和利用数据的价值。用户需要通过复杂的查询和分析过程，才能获取需要的信息，这一过程往往既耗时又耗力。此外，传统BI工具的静态报告和仪表板往往无法满足快速变化的业务需求，使得决策过程变得僵化，难以适应动态的市场环境。

新一代对话式决策平台结合大模型、生成式AI，提供一种更为直观、灵活的数据交互和分析方式，从而促使数据决策生态反馈的形成。用户可以通过自然语言与系统对话，快速提出他们的数据查询和分析需求。系统利用强大的大模型背后的算法，实时处理这些需求，不仅能够提供精确的数据分析结果，还能根据用户的进一步查询深入提供分析，实现层层递进的智能决策支持。这种建设思路极大地降低了技术门槛，让非技术背景的用户也能轻松参与到数据分析和决策过程中。更重要的是，它能够实时响应用户的需求变化，提供动态的分析和预测，这不仅加速了决策过程，也提高了决策的质量和准确性。

在快速发展的商业环境中，高效决策是企业运营的关键因素。实践表明，基于对话式指引的智能分析平台不仅能够加速数据驱动文化的普及，还能在企业内部形成一个高效的正向决策循环。通过对话式交互，企业能够迅速围绕关键经营和管理问题进行深入分析，如经营走势、渠道情况、关键业务进展、人才安排以及潜在经营问题等。

通过智能分析平台，企业能够实时获取日报、月报、季报等运营指标分析，将原本需要数天时间的数据处理流程缩短至秒级完成。例如，某金融机构通过新一代对话式智能分析决策平台，实现了对资金分析、营销分析、信贷业务分析、客户运营分析、风控分析和财务分析等多个分析领域的即时查询和分析，显著提升了决策的时效性和准确性。相较之下，传统数据分析流程一般从开发到前后端的参与，往往需要3-5天的时间才能完成，而对话式智能决策平台仅需3分钟即可完成报表的可视化和内嵌使用，极大地缩短了从需求提出到上线的周期。这种快速的数据处理和分析能力，不仅提升了企业的运营效能，也为企业带来了数倍的综合效益提升。

图 基于大模型的语义理解和交互决策

展望

随着基于大模型数据治理的普及，数据价值得到前所未有的释放，未来的数据洞察将迈向更加智能、互动和全民参与的新阶段。数据密集型创新不仅仅是企业高层或数据分析师的专利，每一位员工都可以参与其中，企业将构建起一个以数据为核心的决策生态系统，其中数据不仅是决策的辅助，更是持续优化和进步的驱动力。随着使用频率的提升和用户反馈的积累，对话式智能决策平台持续学习和进化，其分析模型和预测算法能更加精准地贴合实际业务需求。这种自上而下和自下而上的双向优化能力将进一步推动数据要素价值的释放，成为推动企业数字化转型的重要力量，开启智慧决策的新时代。