Aloudata 大應科技宣布其自研的分析決策智能體——Aloudata Agent 公開體驗版正式發布，面向全行業免費開放體驗。該產品是業界首個公開版企業級分析決策智能體，旨在以“NoETL 明細語義層 + 多 Agent”架構為支撐，深度融合專業領域業務知識，幫助不同業務角色在統一數據底座上，創建與業務場景深度適配的智能數據分析助手，通過自然語言交互，實現“智能問數-智能歸因-智能報告”的分析決策閉環。

該產品的發布，不僅標志著 Aloudata 大應科技跑通了大模型和數據工程結合，實現高效、靈活、準確、安全地智能問數的 NL2MQL2SQL（MQL:Metric Query Language）的技術路徑，還將“萬數皆可問”升維到數據驅動的行動建議，精準賦能業務決策與創新。

落地 ChatBI 不止于“萬數皆可問”，分析決策閉環才是核心

隨著大模型在企業中的應用日益廣泛，場景不斷拓展，企業數智化轉型速度加快。在數據分析領域，基于大模型的數據分析 Agent（即：ChatBI）迎來爆發，宣告了智能 BI 時代的到來。

與傳統 BI 和敏捷 BI 不同，智能 BI 推動了數據民主化，賦予了業務人員更大的自主權，即便沒有深厚的技術背景或數據分析經驗，也能輕松完成取數、看數，無需漫長地等待 IT 人員和分析師制作報表。這一轉變，讓業務一線獲取數據的效率大幅提升，也使得“萬數皆可問”成為可能。

然而，從業務人員的實際需求來看，當查詢到某個數據后，他們往往會自然產生進一步探究的欲望。例如：數據表現不佳，迫切想知道原因所在；數據呈現良好增長態勢，希望了解背后的驅動因素。這種對數據變化進行歸因分析的需求，是業務人員在獲取數據后順理成章的下一步動作。

進一步講，業務人員在進行查數、看數和歸因分析時，還期望將分析內容拓展深化，以形成更具洞察力的分析報告，為下一步的決策行動提供有效建議。而這對于業務人員來說難度較大，需要耗費大量時間和精力，且分析結果質量參差不齊。

因此，落地 ChatBI 應不止于“萬數皆可問”的數據呈現，更應實現從“智能問數”到“歸因分析”再到“報告解讀”的完整路徑端到端分析決策閉環，讓業務人員可以清晰地了解到數據是什么、為什么會這樣，并能深入查看更多相關數據，獲取更多分析點，從而作出更科學、合理的決策和行動方向。

Aloudata Agent 產品經理趙袆祺表示：“在這樣的邏輯下，我們希望將 Aloudata Agent 與專業領域知識深度融合，構建適配不同業務場景的智能分析助手，為財務、HR、運營等不同業務角色提供更優質的數據分析服務，全面助力企業數智化轉型。”

以 NoETL 明細級語義層為統一數據底座，保障數據可得可信

為了實現分析決策的閉環，Aloudata Agent 沒有選擇市場主流的 NL2SQL 和 NL2DSL2SQL 技術路徑，而是選擇了 NL2MQL2SQL 的技術路徑。因為經實踐驗證，前兩者目前尚存在著“無法覆蓋全部數據分析場景”、“數據口徑不一致”、“分析靈活性不足”及“數據安全難保障”等問題。

導致這些問題的原因在于，NL2SQL 和 NL2DSL2SQL 技術路徑缺乏一個強大的數據底座，無法為上層 Agent 提供完整的數據覆蓋、精準的數據語義、強大的查詢性能、可靠的安全保障等能力支持。

相較之下，NL2MQL2SQL 這一技術路徑將 NoETL 明細級語義層作為堅實的數據底座，確保了智能分析的數據可得可信，并在靈活性、高效性、安全性等方面提供了強大保障。具體表現如下：

數據完整：基于明細層數據模型進行語義抽象，突破分析維度和數據粒度的固化，覆蓋完整的分析場景；

口徑統一：結合統一的指標語義管理，確保無論誰提問、如何提問，指標的計算口徑始終保持一致；

分析靈活：在統一口徑基礎上，進行任意指標和維度的動態組合、自由下鉆，真正實現“靈活查數，口徑統一”；

查詢高效：智能物化加速和查詢路由改寫，保障海量數據查詢性能，百億級數據查詢穩定秒級產出；

安全可控：基于指標權限管控和行列級數據權限配置，保障數據查詢的安全可控。

在落地過程中，用戶只需將數倉中的 DWD 層數據接入 NoETL 明細級語義層，標準化定義基礎指標和維度即可完成數據語料準備。隨后，用戶在智能層進行問數時，像搭積木一樣靈活組合基礎指標、維度和日期，便可實現派生指標的即時計算和問數。例如，在 NoETL 明細級語義層僅定義“銷售額”指標，問數時可圍繞時間趨勢提問，查詢最近 30 天銷售額，也可進行某段時間內銷售額的最大、最小值和平均值計算，還能通過指標與維度組合過濾，查詢特定渠道或品牌的銷售額等。

以 NoETL 明細級語義層為堅實的數據底座，結合基于 COT 和 ReAct 的多 Agent 架構，Aloudata Agent 將 NL2MQL2SQL 的技術路徑分為兩大模塊：

一是大模型 Agent，能夠準確識別用戶查詢目標，精準理解業務意圖，生成指標語義查詢 MQL，并負責將數據結果轉化為易于理解的洞察語言和圖表報告；

二是指標語義引擎：將 MQL 自動轉化為可執行的 SQL 語句，實現 100% 準確的 SQL 查詢和物化加速，高效、準確輸出數據結果。在正式查詢前，指標語義引擎通過查詢 API 鑒權，核查用戶對查詢指標、維度及相關數據的權限，保障數據安全。

“通過將專業的任務分配給專業的模塊來執行，我們實現了大模型和指標語義引擎的有效結合，并通過預先定義好的指標語義知識緊密連接，最終幫助用戶實現與數據的高效協同交互。”趙袆祺對此強調。

三大能力助業務分析決策閉環，深度適配業務場景創建分析助手

基于 NL2MQL2SQL 的技術路徑，Aloudata Agent 不僅實現了“萬數皆可問”的智能問數，還具備了以指標為中心的智能歸因，以及主動生成智能報告的綜合分析能力，從而為業務提供深度洞察和行動建議。在 Aloudata Agent 支持下，業務便能夠自助打通“取數-分析-決策-行動”的數據驅動決策的完整鏈路。

其中，智能問數支持業務通過自然語言進行數據查詢，借助大模型的意圖理解和語義知識庫檢索能力，自動解析語義邏輯，如時間、指標、維度、篩選條件和衍生計算等各種要素，再經由指標語義層精準生成并執行 SQL 查詢，快速返回數據結果。無論是“北京各門店上周的客單價是多少？”，還是“今年各月華東大區的 GMV 增長率趨勢如何？”，Aloudata Agent 都能輕松應答。

當業務完成取數，發現數據波動時，如“Q2 利潤下滑”，可進一步追問原因，“為什么利潤下降？”、“主要受哪些因素影響？”。Aloudata Agent 基于明細級維度下鉆和指標因子關系挖掘，可自動識別關鍵影響因素，幫助用戶快速定位問題源頭。

針對復雜分析任務，如“上半年經營情況”，Aloudata Agent 可自動制定分析思路和任務規劃，整合趨勢、對比、歸因結論，生成包含數據結果查詢、異常發現、歸因、對比與改善措施建議的結構化報告，將數據洞察轉化為可執行的業務動作，在降低業務撰寫分析報告門檻的同時，也大幅提升了決策效率。

眾所周知，企業不同業務場景中，不同的崗位角色關注的問題、使用的術語，以及所依賴的數據和決策建議千差萬別，例如門店運營更為關注“單店業績”、“客流轉化”、“庫存周轉分析”等，區域經營則關注“多店對比”、“市場滲透”、“資源分配建議”等。如此類場景還有財務、人力資源、銷售、供應鏈管理等。

因此，Aloudata Agent 支持深度適配不同業務場景，按照業務職能或數據領域，創建場景化智能分析助手，幫助不同業務更直接地獲取所需數據結果和分析報告。每個助手可配置獨立的資源管理，業務對負責的的指標資源進行獨立管理和維護，以確保信息隔離，避免造成各業務領域間的數據干擾。同時，每個助手還并支持業務維護個人術語知識和分析思路，以確保分析助手更加符合自身的數據分析習慣。

除此外，Aloudata Agent 還具有四大特征：

分析過程透明化：將分析過程精準翻譯為用戶易于理解的語言，詳細呈現查詢所涉及的指標與維度，及計算口徑，讓用戶清晰判斷輸出結果的準確性，確保對指標口徑的理解，保障數據分析的可靠性；

用戶可調整可干預：針對模糊問題，通過“反問”機制與用戶進行二次確認，確保問題意圖的精準把握。用戶可依據實際需求，靈活調整查詢條件，與大模型實時交互確認，包括二次確認查詢內容、動態調整查詢參數等操作，從而快速獲取符合期望的準確數據，提升數據查詢的效率與精準度；

交互式引導追問：在分析過程中，支持結果下鉆與引用追問，以及基于歷史會話的問題精準推薦和智能引導，幫助用戶精準鎖定上下文信息，確保追問過程的連貫性與準確性，深入挖掘數據背后的潛在價值，實現更全面、更深入的數據洞察；

知識可沉淀可隔離：支持用戶構建并維護個人知識庫，實現不同場景下知識的有效隔離。基于這種機制，大模型能夠快速學習特定場景下的專屬知識，針對性地提升問題回答能力，有效避免因知識混淆而導致的回答偏差，為用戶提供更加專業、精準的數據分析服務。

“通過 Aloudata Agent，我們幫助業務實現從‘數據獲取’到‘分析洞察’再到‘決策建議’的三級躍遷。”趙袆祺表示，“支持創建場景化智能分析助手，更是開啟了全新的數據交互形式，就像為特定業務角色量身定制的數據伙伴，深刻理解業務用數需求，針對性提供數據分析服務，精準賦能業務決策和創新。”

目前，Aloudata Agent 公開版已開放免費體驗，歡迎訪問 Aloudata 官網，立即預約。