人人可用、真能落地，阿里用 Agent 掀翻了数据分析的牌桌

有一件事儿，让众多企业持续投入了一百多年：让数据变得更有价值。最终，更复杂的统计方法、更炫酷的可视化报表出现了，伴随而来的是更庞大的数据团队。

这是一场“拔河”运动，麻绳的两端是“专业数据分析”和“人人可用”。从手工统计时代的方差分析、回归模型，到信息时代的 Excel、水晶报表，再到前几年的敏捷 BI。数据分析工具是越来越专业了，但也离“人人可用”越来越远了。

对这一矛盾最贴切的解决方案出现在 2024-2025 年，AI Agent 直接改变了数据分析的底层逻辑。AI 开始承担部分数据工程师的职能，在取数、分析、洞察领域展现更多潜力。

8 月 28 日，阿里全资子公司瓴羊全新升级“智能小 Q”，从单一的 ChatBI 能力跨越到多技能一体的超级数据分析师。这也是阿里在数据分析赛道交出的首份 Agent 答卷。阿里生态与零售行业结合紧密，同时拥有通义系列开源模型，结合大模型、数据和场景，集结了 Agent 的三大要素，具有典型意义 ”。因此， InfoQ 特别采访了瓴羊副总裁王赛、瓴羊数据系统产品线总经理董芳英，聊了聊数据分析的三重跃迁，以及当前数据分析 Agent 们的核心叙事与技术逻辑。

不按常理出牌的瓴羊，正完成数据分析的三阶跃迁

今年年初，一篇刊登在哈佛商业评论的研究报告表明，98.4% 的组织 2025 年计划增加对 AI 和数据驱动战略的投资。正如这份研究报告的合著者 Randy Bean 所言：“虽然很多组织长期以来一直在努力从数据计划中获取价值，但过去两年的变革尤为显著——GenAI 激发了人们对数据质量和更广泛的数据能力的更大兴趣和投资。”

国内从业者在多个行业获得的洞察，同样佐证了这一点。比如，在消费品行业较为集中的上海、北京等地区，数据驱动意识普遍更强；近年来，越来越多的制造业企业也开始意识到数据治理的重要性，希望通过数据治理来更好地支撑数据决策分析。反映到产品上，就是数据分析类 Agent 开始集中出现在市场上。

行业构建数据分析 Agent ，有几条不同的技术路线：一种是将自然语言直接转换为 Python 或 SQL 代码，另一种是将自然语言转换为 BI 领域的特定语言。前者更多是新兴 AI 厂商们的打法，高度依赖基础大模型能力，但通常缺乏自有分析引擎，稳定性和性能优化受限；后者更多是老牌 BI 厂商们的打法，倾向于复用已有分析引擎，但灵活性受限。

在技术路线的选择上，也有厂商选择不按常理出牌，走出了第三条路：混合方式。 比如瓴羊，同时支持将自然语言直接转换为 Python/SQL 代码，以及 BI 领域特定语言。这种方式既能保证大模型在复杂计算场景下的灵活性，又能利用 BI 引擎的现有能力提升准确性。

技术积累的完成，促使数据分析开始从可视化、可决策到可行动，进行三阶跃迁。

第一阶段的可视化，主要解决的是企业效率痛点。

在过去很长一段时间，企业普遍面临数据使用门槛高、信息传递效率低下等问题。数据分析工作严重依赖专业的数据分析师，这些专业人员不仅要掌握统计学、概率论等理论知识，还要理解业务逻辑，到了信息化时代，还需要熟练使用 SQL、Excel 等工具。此外，数据分析本身就是一件耗时耗力的事情。过去企业进行数据分析时，通常需要花费少则一两天，多则一两周的时间，来准备数据、构建报表。

可视化技术的引入，将庞杂的数据转化为更直观的图表、仪表盘和交互式界面，能在一定程度上降低数据使用的技术门槛。对于企业内各团队而言，即便不具备数据分析专业背景，也能通过直观的信息快速获取数据洞察，减少沟通成本，提升企业整体运营效率，并且这种提升是大规模的。过去需要专业数据分析师一周完成的工作，如今在 AI 与可视化协同之下，可能被压缩至分钟级响应。

第二阶段的可决策，主要解决的是人的脑力问题， 将业务规则、行业 Know-How 沉淀为 AI 可理解的决策树，为企业决策提供直接有效的建议。这也是当前数据分析赛道各个玩家们的核心叙事。

这一变化的背景是，企业诉求变得更加直接：给结论就好。比起繁冗的报表、指标和数据，关键信息和直接建议，显然更有价值，也能减轻管理者的认知负担。

当赛道玩家们在技术维度的竞争无法拉开差距时，行业 Know-How，则成了兵家必争之地。拥有独特、深入的行业 Know-How，意味着企业能够比竞争对手更加敏锐地洞察市场机会和风险。从一线实践、零散经验到体系化沉淀，Know-How 的积累往往需要数年甚至是数十年的行业深耕。也正因此，在行业 Know-How 的积累与复用层面，长期服务多行业客户的互联网大厂，更有优势。

在数据分析这条赛道，国内外大厂正在“重仓”，要么像腾讯、字节设立专门的事业部，要么像阿里一样，单独开辟战队，维持中立性。以瓴羊为例，在行业 Know-How 上，依托阿里生态的深厚积累以及数十年的行业实践经验，瓴羊在电商、互联网、汽车、金融等重点行业建立起完善的分析体系和指标体系，并构建了多层能力体系，来融入行业与企业知识。

这套能力体系的最底端，是承载大量通用行业知识的基座模型，能够理解不同行业的常见指标、业务流程与业态特征；中端是瓴羊针对企业的专有知识和业务背景，支持按周为单位的增量训练，能够快速将企业特有的数据模型和结构知识融入到基座模型，实现月度级的更新与交付，此外，瓴羊也支持企业自建知识库，不用重新训练模型，就能将特定知识通过配置方式接入系统；顶端是一套数据中台机制，通过持续回收用户反馈的数据，不断回溯和优化知识体系，推动模型与分析能力闭环演进。

第三阶段的可行动，是业内围绕数据分析的未来构思——以 AI 为核心，对企业原有的业务流程进行全面重组。 这也是数据分析赛道玩家们，下一步需要解决的、更宏大的数字化命题。

三阶跃迁的目的，是为了将 BI 类产品从 PPT，转化为真正实用的工具。这也是瓴羊的“智能小 Q”，在产品技术层面的核心目标，即：在准确性、企业级能力、价值增量三个维度通过考验，让企业忘记过程指标：“数据分析”，关注结果指标：“业务价值”。

分析 Agent 们的核心叙事：忘记“数据分析”，关注业务价值

准确性是一切的基础，也是最核心的评价维度。根因在于，幻觉引发的可靠性问题，始终是大模型落地应用的一根刺。尤其在严谨的数据分析领域，微小的数据误差可能直接影响到最终结论。同时，企业也需要确信他们获取的信息和结论是可靠、符合事实的，这是建立信任的前提。

企业级能力是第二个关键维度。无论是数据分析还是其他功能产品，作为面向企业的应用，产品必须在稳定性、可靠性、安全性等方面满足企业的要求。

在提升准确性与企业级能力层面，智能小 Q 构建了三层技术体系：

第一层是 基础模型的选型与深度优化。瓴羊基于对不同企业需求和成本结构的理解，适配不同参数规模的基础模型，并在此基础上通过模型认知和优化经验，如提示词设计、上下文控制策略以及面向数据分析场景的专项评测体系，确保模型在实际业务环境中兼具可用性与适应性。
第二层是 针对领域大模型的定向微调。在基础模型之上，基于瓴羊自有的超百万条高质量语料，构建了一套完善的训练体系，针对多元数据结构（如明细表、统计指标表、行业特有格式等）进行定向微调，使得模型能更好地理解业务数据的语义和行业逻辑。这项技术从应用至今，已经在瓴羊内部持续迭代了近三年，积累了丰富的场景适应性与语义泛化能力。
第三层是 深度融合 BI 分析引擎。像自定义时间周期、占比统计以及同环比分析这类复杂的数据分析场景，如果仅仅依赖基础大模型生成代码，不仅编写复杂、极易出错，还难以保障计算性能与准确性。依托沉淀十年的 OLAP 多维分析引擎技术，瓴羊将这类复杂计算封装为稳定、高性能的内置能力，通过与大模型技术相结合，形成一套协同机制，以处理更复杂的数据分析场景。

听起来有点复杂，但构建数据分析 Agent 绝非仅仅调用大模型 API 并搭配一个聊天框而已，而是需要庞大的 工程化能力 和 产品化能力。在工程层面，需要投入的工作包括数据接入与治理、任务调度、结果校验、系统稳定性保障以及持续迭代优化等等。这些远不是一个模型调用就能够解决的。在产品层面，数据分析 Agent 需要将 AI 能力转化为稳定、可靠、易用的产品功能，深度融合进企业的决策流程。

那么，有了这样一套数据分析 Agent，是不是就能立刻实现降本增效？让财务报告上的数字变得好看？

数据分析 Agent 的内核，并非简单的降本增效，也很难一概采用效果付费模式来衡量其价值。 一方面，真正意义上的按效果付费，更适用于价值闭环极度清晰的场景，比如，电商广告依靠成交、转化付费。另一方面，数据分析如同企业的“水电煤”，是基础而关键的能力，很难与直接的业务增长简单挂钩。

数据分析对企业带来的价值，是全局性、渗透性和长期性的。其根本的意义在于，拓展企业的能力边界——通过技术大幅降低使用门槛，让数据能力渗透到组织末梢，赋能更多一线业务人员，从而驱动整体能力的升级。这种升级是全方位的，而不仅仅是重复原有工作下的成本压缩。

显然，行业对这种全局价值是有预期和研判的。

截至目前为止，已有百余家企业客户通过智能小 Q 在企业内部提升数据分析效率，包括：瑞幸咖啡、牧原肉食、微医、益海嘉里和杭州联华华商集团等。在处理大量真实、复杂问题的过程中，不断优化模型与数据的结合方式、调整提示策略、完善计算逻辑。这种长期工程化与实践积累，才是一款产品达到企业级可用标准的根本原因。

在准确性和企业级能力都能得到保障的基础上，价值增量是数据分析 Agent 们的高阶较量——是否能解决企业真实的痛点，是否能带来更深刻的洞察。

比如，当前很多企业在数据分析上面临三类典型困境：

第一种是 “求而不得” 。一线业务人员或运营团队急需数据来指导动作或监控效果，却往往因自身技能不足或企业内部数据分析师资源有限，无法及时获得所需数据支持。
第二种是“泛滥成灾” 。不少中层管理者或数据分析师被淹没在海量数据与报表中，难以快速定位关键信息，加剧决策负担。
第三种是 “到底有没有数” 。企业高层经常会收到来自财务、业务、分析等多渠道上报的数据，但在将这些数据转化为战略决策或具体行动时，却发现数据之间缺乏一致性、可信度或业务解释力，导致“有数无洞察”。

智能小 Q 本次重磅更新的 问数、解读、报告 三大能力，分别对应上述三重困境。其中，问数解决的是一线人员“求而不得”的痛点，通过一句话取数分析、获取数据和图表结果，快速完成业绩进展总结、波动归因分析、异动指标分析。业务人员能够自主、实时地获取所需数据，企业实现人人可用数据分析能力。

解读解决的是“泛滥成灾”问题。用户只需要输入一段话，智能小 Q 就能解读仪表板上的任何数据，帮助用户从海量报表和指标中快速定位关键信息，并配置图表级解读思路、整体解读思路和仪表板预置解读思路，帮助用户获得更精准、更清晰的数据结论。

报告解决的是“到底有没有数”问题。用户只需要根据分析需求输入指令，智能小 Q 就能自动完成从智能分析逻辑构建、自动化取数洞察到内容叙事整合的报告生成全流程，一键 20 分钟内生成数据报告。

来自行业应用的案例与数据更为直观。在农业领域，某大型肉品企业依托智能小 Q 构建了数字化决策体系，过去需要依赖人工的报单复盘、经验决策，如今转变为分钟级数据响应与自动化分析。通过智能小 Q 的报告 Agent 与问数 Agent 双引擎架构，该企业目前 90% 的业务场景可实现自助式数据查询，无效会议争执减少了 50%，销售管理效率显著提升 80%。

在娱乐领域，成立 25 年、服务超过 5 万家 KTV 的视易云策，通过智能小 Q 升级了“AI 问策”功能，有效解决了连锁化管理中的数据滞后与效率痛点。用户通过对话式语音 / 文字交互即可调取数据，导出数据效率和精准度大幅提升，原本需要 4 个人一周才能完成的年度报表，如今压缩至 1 小时，精准度也更高。管理者、投资人能通过总部大屏或定制报表中实时看到营业额、投资回本进度等核心数据；财务人员能实现跨门店统一管理；店长能随时了解门店运营情况。整体上看，AI+ 数字化预计可以帮助 KTV 门店节约单店 2-3 名人力、一年 20-30 万综合成本。

这些案例一方面反映了 Data x AI 对实体行业的渗透和影响，另一方面也成为了智能小 Q 产品自身的竞争壁垒，为数据类 Agent 这条赛道划下了一条“准入门槛”。