零售連鎖行業內智能分析 AI Agent 的應用探索-岑潤哲.pdf

《零售連鎖行業內智能分析 AI Agent 的應用探索-岑潤哲.pdf》由會員分享，可在線閱讀，更多相關《零售連鎖行業內智能分析 AI Agent 的應用探索-岑潤哲.pdf（44頁珍藏版）》請在三個皮匠報告上搜索。

1、零售連鎖行業內智能分析 AI Agent 的應用探索2024.05數勢科技：行業領先的數據智能產品提供商部分代表客戶投資方擁有在大金融、高科技制造和泛零售等領域的專業洞察力及技術實力，為全球優秀企業提供基于大模型增強的智能指標平臺、智能標簽平臺及智能營銷平臺系列產品，提升企業的數字化決策能力，推動企業數字化升級成為企業數字化升級首選長期技術伙伴我們的愿景業內頂尖的技術專家和業務人才基于行業落地實踐經驗的標準軟件產品先進的智能算法和垂直大模型應用我們的團隊能力我們的使命推動企業數字化升級，實現數據價值的普惠化擁有在大金融、高科技制造和泛零售等領域的專業洞察力及技術實力，為全球優秀企業提供基于大模

2、型增強的智能指標平臺、智能標簽平臺及智能營銷平臺系列產品，提升企業的數字化決策能力，推動企業數字化升級公司簡介C O N T E N T S 目錄02集中式數據分析 VS 民主化數據分析04數勢智能分析AI Agent的應用場景與創新價值01零售行業經營分析領域的現狀和痛點03大模型增強的智能分析 AI Agent 創新點05總結與未來展望零售行業經營分析領域的現狀和痛點零售行業經營分析全景圖與核心痛點5數據源數據源多亂雜多亂雜指標管理指標管理不統一不統一數據應用數據應用門檻高門檻高品類管理訂單管理供應鏈管理客戶服務市場營銷質量管理設備管理信息化組織&HR行政后勤EHS財務管控資源管理經營健康

3、指標經營過程指標經營結果指標經營分析戰略及年度計劃現有數據產品無法端到端快速產出深度結論痛點以下是3個不同客戶發出的真實聲音示例，反映了管理團隊對現有數據駕駛艙大屏產品的痛點體驗：Data InsightData Insight：我們公司花了很大精力建設了駕駛艙和各種大屏，看起來很高端，但數字并不等于見解。每次有具體問題，團隊還得回去挖數據、分析指標，周報變成了無盡的等待游戲。Speed is EverythingSpeed is Everything：每當董事會要求針對數據作出快速反應時，我都希望能夠立刻拿到結論，這個數據大屏卻只能給我表面的數，深入分析還得是手工在數倉里建作業，太慢了。Th

4、e Golden Why QuestionThe Golden Why Question：我們的駕駛艙解決了數據展示的問題，但未觸及數據解釋的關鍵。當涉及到業務背后的為什么時，它似乎沒有答案。信息過載信息過載BI產品學習門檻高，歸因解讀靠人工痛點以下是3個不同客戶發出的真實聲音示例，反映了業務團隊在指標獲取、數據分析與數據挖掘方面的核心痛點：SQLSQL學習難度高：學習難度高：盡管我們有意愿深挖數據背后的真相，但SQL的復雜性讓我們非技術人員望而卻步。許多時間都浪費在了查詢語言的學習上，而不是洞察和行動。BIBI報表配置難度高：報表配置難度高：我們依賴BI工具來提供數據的可視化，但每次都需要技

5、術團隊介入來配置數據集和報表，它的復雜程度令人沮喪。大量時間花費在導出數據到大量時間花費在導出數據到ExcelExcel里輸出結論：里輸出結論：分析團隊的日常就像Excel的奴隸，時?；ㄙM大把時間將數據導入、整理和分析，這種重復低效的工作限制了我們對數據快速反饋的能力。SQLSQL學習難度高學習難度高BIBI報表配置難度高報表配置難度高導出到導出到ExcelExcel手動手動看數成了日常工作看數成了日常工作痛點以下是3個不同客戶發出的真實聲音示例，反映了數據團隊在指標定義、指標開發和指標管理方面的核心痛點：報表需求靈活多變，臨時表冗余：報表需求靈活多變，臨時表冗余：我們數據團隊大部分時間都花在

6、了應對業務部門多變的報表需求上，每次業務流程一變，我們就得開發各種臨時表、中間表。這不僅效率低，還很容易造成錯誤，甚至有的表用一次就廢了指標口徑不一致：指標口徑不一致：雖然公司有眾多部門在使用數據，但每個團隊對同一指標的定義卻截然不同，沒有統一的數據口徑和解釋標準。這種不一致性給跨部門的溝通和決策帶來了混亂難以實時響應業務新增指標需求：難以實時響應業務新增指標需求：每次業務人員新增一個指標開發需求，都希望我們能半小時內提供相應的指標?，F狀是，雖然我們已經在數倉加班加點開發了，但還是被業務團隊說反應慢，有苦說不出報表需求靈活多變報表需求靈活多變指標口徑不一致指標口徑不一致難以實時響應業務難以實時

7、響應業務新增指標需求新增指標需求01交易額A02交易額B03交易額C重復報表需求雜、指標口徑不統一、難以實時響應業務變化集中式數據分析 VS民主化數據分析集中式數據分析：數據需求無限，開發資源有限，需求排隊嚴重數據工程師雜亂數據源數據需求需求排隊產品運營團隊數據開發開發完成IT部門供應鏈團隊會員運營團隊門店經理客服團隊大模型的出現，加速企業數據民主化進程數據Agent提出任務數據查詢數據報表異動分析數據報告給出答案數據源利用大模型Agent能力，顯著降本增效傳統數據分析路徑長，存在明顯人力瓶頸老板任務數據+BI工程開發數據查詢運營任務數據+BI人工繪制數據報表產品任務數據+BI人工梳理異動分析

8、臨時需求數據+BI人工總結數據報告（人力瓶頸）（產出緩慢）（大模型）（秒級響應）門檻高商業分析，需借助研發與BI協助門檻低簡單交互，人人都是數據分析師效率低需求響應數小時，決策不及時效率高數據查詢，報告分析任務秒級響應能力薄只能查數，分析需要人工能力厚歸因分析、異動分析、報告總結交互性弱以數據查詢與看板展示為主交互性強多輪追問、歧義反問，有理有據粗曠式集中式/分散式民主式發展階段階段特點小規模、小數據分析分析可靠性不穩定，不靈活通常在個人層面閉環中等/大規模數據分析分析效率不穩定，質量差，依賴路徑較長。響應慢大規模、海量數據分析全體用戶級自助式分析分析到決策制定鏈路短，響應快參與人群規模少數個

9、體中等大規模用戶角色獨立分析師IT開發團隊、商業分析師數據科學家、數據分析師企業公民分析工具Excel、SQL、IDE ToolsBI工具、Excel、notebook.指標平臺、大模型、生成式BI、.分析效能低高從集中式到民主式數據分析的演進過程民主式數據分析：讓企業內每一個公民可以實現從數據消費到決策數據民主化意味著企業內部每一個“公民”都可以通過極低門檻的方式獲取和理解數據資產，并可以從數據資產中快速發現可執行的決策動作分析開發者業務分析師企業內“公民”數據民主化的最大受益群體大模型驅動的智能分析助手-數據語義層-數據平臺底座-用戶體驗層-整合客戶旅程，提供產品消費級用戶體驗以企業級指標

10、/標簽體系為驅動，構建數據資產語義編織BI 工具數據挖掘工具讀得懂、用得著，查得到面向企業全局主數據管理存儲、通用底層數據模型數據倉庫數據湖元數據集成元數據管理元數據服務融合指標標簽平臺人數占比5%人數占比15%人數占比80%大模型增強的智能分析 AI Agent 創新點創新點：實現 NL to Metrics+Label to SQL1最近7天A門店的訂單量是多少？2XXX商品今年累計賣了多少？3今年XX商品的交易金額與退貨金額分別是多少？4XX品牌最近3個月銷量最好的Top3商品是哪些？這三個分別的好評率是多少？幫我解讀下5華東區XX商品的下單金額周環比為什么下降了？任務難度系數難點枚舉值

11、轉維度枚舉值轉維度指標語義模糊指標語義模糊跨表多指標查詢日維度上卷年維度多任務規劃指標取數結果排序衍生計算多維歸因報告解讀NL2SQLNL to Metrics+Label to SQL可實現可實現可實現但不準可實現且準確難實現可實現且準確難實現可實現但不準可實現且準確可實現且易理解枚舉值轉維度同環比計算場景數據分析訴求時間維度產品維度數據指標數據維度任務指令地域維度公司維度假設我們有一個分析的任務，原來需要.Python/R/SPSSPython/R/SPSS數據可視化工具數據可視化工具異常檢測算法異常檢測算法了解了解SQLSQL基本指令與語法基本指令與語法學會繪制折線圖學會繪制折線圖高階預

12、測模型高階預測模型相關性分析相關性分析歸因算法歸因算法復雜復雜SQLSQL撰寫撰寫了解數據清洗機制了解數據清洗機制歸納總結能力歸納總結能力“幫我看看這幾個指標，哪里出問題了，最后給我個分析報告，馬上要”原始數據（Raw Data)有洞見的報告（Insights）大模型直接生成SQL的標準方案，存在效果瓶頸和性能風險使用大語言模型直接驅動數據庫，通過AI生成的SQL語句，實現用戶問答數據自動獲取，當前研究發現存在一定風險與瓶頸數據查詢任務大語言模型生成SQL語句（TEXT2SQL）SQL服務企業數據中臺查詢結果輸出用戶標準 NL 2 SQL 方案意圖理解&結構化生成生成的SQL做數據庫查詢 準確

13、率低 企業級（千/萬張表）數據查詢 準確率約60-70%即使是GPT也難有一個直接可用的準確效果 性能存在風險 大模型寫出的SQL未經優化，可能導致長查詢的占比較多，性能不好甚至導致查詢服務異常，多表關聯的真實查詢 性能不可控 學習成本高 預訓練大模型未掌握企業客戶數據與數據格式定義，當數據源過大時，大模型對表的結構學習成本高（增量預訓練、長窗口、functioncall等）數據安全存在風險 大模型直接對接數據查詢，缺少數據權限管控，隱私與安全性風險較高，用戶可通過問詢獲取非用戶權限內的數據 能力單一 很多高級的分析問題，單純靠大模型生成SQL 無法解決交互式數據查詢LLM帶來的LUI+GUI

14、結合，顯著提升數據分析體驗不需要學習復雜的代碼或產品功能，簡單的LUI（Language User Interface）+GUI（Graphics User Interface）即可實現原有的分析與報告生成需求數據可視化數據可視化指標歸因指標歸因總結報告總結報告基于自然語言的指標分析基于自然語言的指標分析Language User InterfaceGraphic User Interface大模型增強的智能分析AI Agent,實現企業數據查詢的端到端提升數據查詢任務大語言模型意圖理解指標/標簽查詢SQL服務查詢結果輸出用戶指標/標簽SQL轉換指標/標簽定義結合大模型+指標指標管理平臺，NL

15、 2 MQL，提供更優方案 數據可信，準確率明顯提升 預設數據指標的定義與管理，避免業務理解對不齊 借助思維鏈分析與歧義反問，提升泛化性，避免直接從文本到SQL 性能提升且穩定 基于自研的數據查詢加速引擎，智能優化查詢語句 Top95 可實現 從檢索到回答的 秒級出數 學習成本低 指標的數據樣本可通過大模型輔助生成 全流程白盒，企業客戶用業務語言描述查詢過程，方便快速排查 數據安全可保障 利用指標分析平臺的權限管理能力，結合RBAC基礎，對數據與指標進行精細化的權限管控，實現數據查詢的安全可控 能力覆蓋更全 高級數據分析問題，可通過精準的指標進行關聯與展示，實現單項數據可查、報表可展示、總結報

16、告可生成指標轉換意圖理解&指標關聯用指標關聯的SQL做數據庫查詢結合數據指標與大語言模型，可實現用戶問答數據自動獲取，在準確率效果與性能穩定性層面提升明顯交互式數據查詢企業數據中臺1.任務規劃能力將復雜任務化繁為簡，逐步拆解讓大模型自動執行。2.數據理解能力依托指標和標簽的語義特性，讓大模型更懂數據。3.高效計算能力將計算任務通過自研計算引擎HME提交執行，極大優化了計算效率?；诖竽Ｐ偷睦斫夂退伎寄芰?，實現基于自然語言的數據分析，并針對獲取的結果數據進行智能解讀與歸因，提升經營分析效率用戶Query是否適用分析Agent調用外部工具/知識庫/模型本身問答是否使用規劃器TOTCOT子目標分解R

17、eActAPI對齊Feedback:1.Finish/fail2.Result3.Reward元數據查詢指標/標簽查詢圖表生成場景指標推薦相似指標推薦參數解析圖表推薦歸因分析維度歸因因子歸因數據解讀解讀知識庫數據分析API調用Text2CodeHM APIResult是是否否ActLLM規劃規劃指標行列權限校驗大模型增強的智能分析AI Agent架構記憶短期記憶：會話上下文長期記憶：歷史分析思路工具調用Agent規劃過程中Thought Module至關重要1.你需要制定一個任務計劃清單來確保解決問題，2.請簡化以上問題，讓其更容易解決3.請找到問題的關鍵假設，幫助解決問題4.將這個問題分解成

18、更小、更易于管理的部分5.從不同的角度分析問題、質疑假設和評估6.請一步一步的制定計劃，并給出合理的解釋.慢思考如何分析問題：逐步思考，分解法，反思法，批判法，假設法Select moduleAdapt moduleImplement module基于用戶需求：task，在以下思考方式thought_modules，選擇其中最有可能解決用戶需求的思考方式，并輸出?；谟脩粜枨螅簍ask和已選擇的思考方式：seletcted_module,重新編排和改寫，生成新的reasonning_structure請使用以下推理結構reasonning_structure,解決用戶需求：taskTask類型

19、同環比分析排序分析增速分析維度歸因分析因子歸因分析.利潤同比去年怎么樣哪個商品貢獻毛利最高哪個區域銷量增速最快哪些維度導致銷售額降了銷售額波動可能和哪些指標有相關性數勢智能分析AI Agent的應用場景與創新價值案例背景：承接數字化轉型戰略，建立一套經營決策的指標分析體系在原有的數據倉庫基礎上，構建一套完整的指標體系框架，并幫助其打造一套可供戰區負責人（管理團隊）和門店督導（一線業務人員）快速使用的低門檻智能數據分析助手，推進數字民主化進程總部視角總部視角萬元盈利率GMV凈利毛利 加盟商加盟商督導督導顧客顧客渠道GMV渠道毛利門店運營成本 QSC稽核紅燈綠燈新品銷售達成 大眾點評星級美團外賣星

20、級餓了么外賣星級小程序差評率 抓價抓價格格抓品抓品質質抓服抓服務務抓體抓體驗驗發現問題形成改善策略落地執行衡量標準門店精細化分析場景門店精細化分析場景統一數據資產（指標統一數據資產（指標+標簽體系）標簽體系）解決思路：以產品分析和門店運營切入，建設統一的分析思路、語言和工具統一的分析工具統一的分析語言統一的分析思路智能數據資產（指標）平臺大模型分析助手管理層決策看板產品分析支撐產品上新、營銷、下架的管理決策；門店健康度分析賦能管理到執行的運營策略優化構建統一財務經營、門店運營、門店管理、商品分析場景的指標體系，讓分析能夠進行多維度下鉆打造基于統一數據的決策體系和策略診斷的支持工具指標體系設計框

21、架財務經營域門店運營域產品&供應鏈&外賣門店管理域指標維度6029x指標/標簽維度6324x指標維度2227x指標維度2434x數勢智能分析AI Agent實施架構與支持場景基座大模型（智能）SwiftMetrics數據指標平臺（平臺）SwiftAgent數據分析助手（產品）企業數據源（信息）指標管理需求管理生命周期管理權限管理分類管理指標開發快速配置開發低代碼開發指標定義字典屬性定義動態屬性模板元數據管理權限管理數據源管理API接口服務高性能指標加速引擎國產大模型基座自定義指標資產交互式指標問詢自動歸因分析可視化報告自動生成交互式數據查詢問答窗口指標全生命周期預警分析數據分析場景（應用）Pr

22、ompt微調模型微調產品力分析客戶畫像分析門店評價分析財務經營分析供應鏈庫存分析營銷效果分析會員運營分析客戶投訴分析技術實現方式數據源模型層技術服務組件應用功能服務離線數據（包括矢量數據庫/知識庫/關系型數據庫/分布式數倉等）實時數據外部數據接入模型微調推理加速模型管理大模型prompt管理Agent規劃器COT設置模版管理場景索引槽位填充報告解讀服務術語管理動態示例動態示例經驗學習Fewshot服務指標標簽檢索指標標簽管理查詢優化預計算指標標簽查詢服務圖表下鉆圖表推薦圖表擴充圖表切換圖表生成服務分析算法意圖識別代碼生成指令優化計算分析服務反問澄清上下文對話壓縮索引對話引導記憶管理服務調度任務

23、審核中心系統監控調度與監控賬號體系角色權限數據提取module組合反思機制數據分析高階分析數據解讀決策干預指標提取畫像提取指標分析畫像分析基礎解讀模版解讀維度歸因因子歸因智能預警指標預測基于結果輸出建議（聯動知識庫）業務場景客戶洞察門店管理員工績效新品分析.應用場景1：當用戶提問模糊的時候，怎么提升交互體驗容錯原則（容錯原則（Help users recognize,diagnose,and recover from errors Help users recognize,diagnose,and recover from errors）理想中的“讓用戶隨便說一句話，大模型產品馬上開始完全自動

24、化執行”，往往是不太可能的，因為用戶天生就是“懶”的，而且語言本身也具有一定的模糊性，因此在產品設計環節里，可以增加反問模塊，讓大模型更好的理解用戶需求，一步一步把需求“精細化”，提升正確結果概率，增加使用者的信任感最近是多近？7天？天？30天？天？60天？天？什么渠道??？線上渠道？線下渠道？線上渠道？線下渠道？三方渠道？三方渠道？按下單口徑按下單口徑的訂單量還是按支付支付成功口徑成功口徑算的訂單量？是按一個區間區間做同比分析還是按時點時點？希望查詢哪個時間段的總資產情況？例如，是最近最近7天、最近天、最近1個月個月，還是今年年初至今今年年初至今的統計數據？您也可以自定義時間窗口藍色藍色代表可

25、點擊的快捷按鈕代表可點擊的快捷按鈕，給用戶提供一個可點選的快速通道給用戶提供一個可點選的快速通道同時情況同時情況1和情況和情況2提供自定義時間窗口供用戶精準篩選提供自定義時間窗口供用戶精準篩選希望做哪個時間段的對比呢？例如，是昨天相比上個月同期，還是昨天相比上個月末昨天相比上個月同期，還是昨天相比上個月末？您也可以自定義時間窗口情況情況1 1：時間維度表述不清楚：時間維度表述不清楚情況情況2 2：時間對比表述不清楚：時間對比表述不清楚創新價值1：用戶可干預，讓LLM反問并協助澄清情況情況3 3：指標表述不清楚：指標表述不清楚若用戶問的指標不明確，可以通過若用戶問的指標不明確，可以通過多路召回機

26、制多路召回機制，把用戶最有可能想要的指標進行羅列展示，并讓用，把用戶最有可能想要的指標進行羅列展示，并讓用戶戶準確選擇符合提問語境需要的指標準確選擇符合提問語境需要的指標，同時也可以快速查看每個指標的元信息與含義，同時也可以快速查看每個指標的元信息與含義創新價值1：用戶可干預，讓LLM反問并協助澄清應用場景2：如何讓用戶可以說企業內部的“黑話”貼近場景原則（貼近場景原則（Match between system and the real worldMatch between system and the real world）利用大模型原生的知識庫技術（ex.RAG），來更好地讓用戶說他熟悉的

27、用詞、短語和黑話，而不是強迫他說系統術語。用戶運營用戶運營部門理解部門理解活動運營活動運營部門理解部門理解經營分析經營分析部門理解部門理解“數據表現數據表現”=”=新客首單人數、成新客首單人數、成熟用戶復購人數、流失召回人數熟用戶復購人數、流失召回人數“數據表現數據表現”=”=活動活動PV/UVPV/UV、完成、完成活動人數、活動帶來的活動人數、活動帶來的GMVGMV“數據表現數據表現”=”=門店營收、門店成門店營收、門店成本、門店利潤、各類損耗指標本、門店利潤、各類損耗指標大模型：你到底要哪個??？后臺知識庫管理范圍后臺知識庫管理范圍如文檔性知識、QA對問答樣例、客服FAQ等通用文檔通用文檔不

28、同的業務角色在提出相似的問題時，分析場景和常用維度肯定是不一樣的，因此需要預置讓大模型理解。舉例：當用戶運營團隊分析“門店情況”時，更多看的是新客首單人數、成熟用戶復購人數、流失召回人數這類指標；而經營分析團隊提出相似問題的時候，更多看營收、成本和利潤類指標場景分析模版場景分析模版企業內部的專有名詞管理（如指標的在企業內的常見簡稱、縮寫，還有一些行業或者企業內部的黑話）R12M 指的是Rolling 12 Month年級指的是會員年限新客代表新增有效會員數企業內部專有名詞企業內部專有名詞SwiftAgentSwiftAgent產品內置企業知識庫配置區域產品內置企業知識庫配置區域多源數據讀?。憾?/p>

29、源數據讀?。杭嫒莶煌袷降臄祿x取和處理，例如Word、PDF、CSV等向量召回向量召回：查詢向量數據庫，并得到相似度TOP的文本塊Prompt構建：按照一定的規則組合Prompt，提高問答的準確率。文本向量化：文本向量化：清洗數據，將文本切塊，并向量化存入數據庫中。創新價值2：多源異構數據鏈接，如接入知識庫記憶召回機制的優化：考慮用戶角色與目標【記憶讀取】融合當前需求與全局目標=(,)+(,)+()綜合考慮最近性、相關性、重要性的記憶讀取公式1=(,)+(,)+()+(,)+(,)在企業數據分析場景中，除了考慮Query與Memory的關系還應考慮用戶角色/經營目標（k）與Memory的關系

30、，同樣包括最近性、相關性演進知識庫管理內容（1）：公司級統一語義的指標體系和分類33門店運營域稽核類指標是否監控異常目視化合格率基礎服務合格率清潔衛生合格率產品品質合格率食品安全合格率紅線合格率稽核分數外賣點評合格率是否串貨是否紅燈執行類指標QSC線上稽核整改完成率QSC線下稽核整改完成率是否完成慧運營開店任務上傳是否完成慧運營值班任務上傳是否完成慧運營打烊任務上傳是否完成慧運營周月清任務上傳是否完成慧運營運營管理人員“門店工作日”任務上傳督導積分制督導平均積分培訓類指標是否完成上新產品動作一是否完成上新產品動作二是否完成上新產品動作三是否完成上新產品動作四是否完成上新產品動作五是否完成產品周

31、周訓是否完成督導周周訓是否完成商學院推送學習任務是否通過新督導學習是否通過店長訓學習是否通過累計“回爐”訓練獎懲類指標罰款金額獎勵金額獎勵事由管理類指標門店首單時間分級類指標門店分級客訴類指標客訴責任率運營類指標口碑類指標督導人數督導平均司齡督導平均管轄城市數督導平均管轄店數門店合格店長配置率店均店員數（店長+店員）完成店長訓人數本年累計督導離職人數本年累計店長離職人數店長打卡完成率分公司培訓人員在崗率分公司營銷人員在崗率NPS小程序差評率小程序店均差評數大眾點評星級點評好評數點評差評回復率點評差評率美團外賣星級美團好評數美團差評率美團差評回復率餓了么外賣星級餓了么差評率餓了么外賣好評數餓了么

32、差評率回復率門店管理域門店總覽拓新類指標地址轉讓總門店數總加盟商數加盟商帶店率應營業門店數營業門店數平均營業門店數新簽門店數新簽加盟商數新簽轉址轉讓門店數新簽轉址轉讓加盟商數新開門店數新開轉址轉讓門店數凈增長營業門店數籌建門店數凈增長門店數試營業門店數轉址門店數轉讓門店數解約&閉店已閉店門店數已閉店待解約門店數暫停營業門店數解約門店數商品商品點踩率商品點贊率流水占比杯量占比供應鏈平均采購價格供應鏈平均售價供應鏈理論毛利額供應鏈理論毛利率曝光UV進店UV下單UV進店轉化率下單轉化率曝光下單率曝光UV(商圈同行前10%均值)進店UV(商圈同行前10%均值)下單UV(商圈同行前10%均值)進店轉化率

33、(商圈同行前10%)下單轉化率(商圈同行前10%)曝光下單率(商圈同行前10%)廣告交易額提升訂單數推廣消耗投入產出比供應鏈外賣34產品分析模型分析目標產品上新分析產品活動運營產品下架評估分析方法市場洞察行業趨勢競品活動分析產品評價診斷產品點踩率分析產品效率診斷產品銷售貢獻分析活動ROI分析產品毛利與銷量矩陣供給能力診斷門店庫存分析策略支持 洞察消費者滿意度，找到潛在爆品 幫助產品定級，合理評估投產比，讓營銷預算編制的更準確 優化產品售賣周期的營銷策略，抓住產品的流量紅利期，幫助帶來更多業績原料供給能力分析倉庫庫存分析訂單差評分析產品評價與銷量矩陣產品銷售與渠道交叉分析活動期間過程分析評價熱詞

34、分析產品渠道毛利分析競品上新分析 洞察市場熱銷品類及時優化營銷策略 促進產品改進方向產品評價與銷量趨勢分析活動期間新品評價分析產品毛利趨勢分析一階段二階段圖例：知識庫管理內容（2）：分析體系與方法結合存量指標體系與分析方法知識庫，由大模型生成適合業務場景的問題35批量分析3篇引用應用場景3：用戶不僅需要提取數據，更需要分析思路36我現在是拿到我想要的數據了，然后呢？我接下來可以問什么類型的問題？老板肯定不止要一份“數據”，要的是結論呀創新價值3：通過持續反思學習讓大模型形成追問機制，幫助用戶解決特定場景的問題37幫我看下哪個一級品類綜合毛利最高幫我看下綜合毛利高的一級品類里，哪個二級品類賣得最

35、好快捷鍵點擊后可以快速進行報快捷鍵點擊后可以快速進行報告生成或可視化告生成或可視化問題追問可以幫助用戶實現從問題追問可以幫助用戶實現從數據的數據的“What”“What”到到“Why”“Why”的躍遷的躍遷功能快捷鍵區域LLM輔助生成的追問區域報告自動生成可視化生成自動下鉆歸因分析Demo演示38總結與未來展望智能分析 AI Agent 的能力優勢總結通過構筑企業的標準化指標語義層，讓大模型完美解析用戶需求，實現精準取數1.1.連接數據語言與業務連接數據語言與業務語言的語言的NL2MQLNL2MQL技術技術精細到指標行列權限的管控機制滿足企業數據安全要求4.4.嚴格的數據嚴格的數據安全保障安全

36、保障讓大模型及時反問與追問，引導業務人員一步步成為專業分析師2.2.用戶友好的交互式用戶友好的交互式反問與引導反問與引導大模型的思維鏈與ReAct架構輔助高效拆解復雜問題，并精準回復3.3.基于基于AgentAgent架構的架構的強大規劃能力強大規劃能力“準確”“友好”“敏捷”“安全”智能分析 AI Agent 的未來展望能和人一樣總結歸納了能和人一樣總結歸納了升級為總結之后自動決策升級為總結之后自動決策能生成一份報告-通過連接讓對應的系統自動執行大模型從能聽懂人話大模型從能聽懂人話升級為幫人說話升級為幫人說話讓用戶提出問題-幫用戶生成適合這個場景的問題Listen-SpeakListen-SpeakBasic Plan-Expert StrategyBasic Plan-Expert Strategy能像人一樣規劃了能像人一樣規劃了升級為像業務專家一樣規劃升級為像業務專家一樣規劃本科生的規劃能力-研究生/博士生的垂直領域的規劃能力Conclusion-Conclusion-DecisionDecision謝謝！掃碼添加數勢科技小助手申請產品試用或了解更多