目录
引言
1.数据分析Agent市场分析
1.1 数据分析Agent市场定义
1.2 数据分析Agent技术实现路径
1.3 数据分析Agent应用现状
2. 数据分析Agent解决方案
2.1 数据分析智能体平台SwiftAgent
2.2 关于数势科技
3. 数据分析Agent应用案例
3.1 案例1：数据分析Agent助力某城商行实现智能精准问数
3.2 案例2：某城商行借助数据分析Agent实现AI报告生成，效率提升40倍
3.3 案例3：书亦烧仙草引入数据分析Agent，实现门店运营精细化
3.4 案例4：某头部车企研究院借助数据分析Agent实现试制参数设计效率飞跃
3.5 案例5：数据分析Agent助力某国际快消品巨头提升业务决策效率
关于沙丘智库
法律声明
引言
在数据爆炸的时代，企业每天产生的信息量以指数级增长。如何从海量数据中提取有价值的洞察，已成为企业竞争力的核心命题。传统的数据分析模式依赖人工建模和专家经验，面对实时性、复杂性、多源性的数据挑战，一种创新型工具——数据分析Agent，正悄然崛起，成为全球企业数智化转型的“新基建”。
数据分析Agent借助大模型、AI Agent等先进技术，能够实现从数据到洞察的自动化转变，为企业提供更加高效、精准、智能化的数据分析解决方案。它不仅能够帮助企业解决复杂的业务问题，还能推动企业从“被动问数”向“主动决策”的范式变革，真正实现数据驱动的业务增长。
本报告旨在深入探讨2025年中国数据分析Agent的实践与应用案例，分析其市场现状、技术实现路径以及为企业带来的价值与变革。通过研究不同行业、不同规模企业的成功实践，我们希望为更多企业引入数据分析Agent提供参考与借鉴，助力企业在数字化转型的浪潮中乘风破浪，实现高质量发展。
👇点击 下载 提取码: sqsq）
免费查看及下载PDF完整版报告
01
数据分析Agent市场分析
1.1 数据分析Agent市场定义
作为企业数据分析工作的主力工具，BI平台经历了从报表、可视化到智能化的产品迭代。在大模型的驱动下，数据分析市场迎来了Agentic时代。
在Agentic时代以前，企业利用BI平台将数据到决策的路径缩短，实现描述性分析、诊断性分析、预测性分析，但只是解决了“what”和“why”层面的问题。大多数BI平台虽然增加了AI的能力，例如实现基于NLP的自然语言问数，但在独立行动方面仍然受限。
Agentic时代的特点是充分发挥AI Agent的“主观能动性”，系统能够在无需明确指令的情况下实现数据分析工作流的高度自动化，从数据跨越到决策甚至到行动/结果，帮助企业解决“how”层面的问题。这缩短了数据分析工作流的完成时间，加速数据驱动型洞察的生成，最终实现更快的执行速度并对业务产生积极影响。
在大模型的加持下，2023年AutoGPT开启AI Agent新范式；进入2024年，AI Agent发展势头迅猛，呈现爆发式增长；迈入2025年，AI Agent的技术探索重点从单Agent转向多Agent协同，并在多领域加速落地。沙丘智库面向企业高管的调研显示，35.8%的企业认为数据分析是AI Agent最有可能创造价值的应用场景之一。
数据分析Agent是将AI Agent应用于从数据到洞察的工作流程中，半自主或自主地编排任务，帮助用户更有效地从数据中提取有价值的信息和见解。在数据分析过程中引入AI Agent，对多步骤任务进行精细化控制，可以缩小数据与洞察之间的差距，是大模型在数据分析领域实现深度价值的关键。
数据分析Agent本质上实现了一种工作流上的转变，使得在工作流内或跨工作流的多步骤任务可以自动执行，只需要用户进行高水平的干预。在数据分析Agent中，用户输入与需要执行的任务、目标或问题有关，辅助基于洞察力的决策制定。AI Agent可以自主执行数据准备、分析、可视化、解释和函数调用等任务，并接收来自用户和其他AI Agent的进一步输入和反馈。通过将AI Agent应用于数据分析过程中，可以进一步提升数据分析的自动化和智能化水平。
Gartner将数据分析Agent（Agentic Analytics）列为2025年数据&分析领域企业值得关注的九大重要趋势之一，认为使用AI Agent进行数据分析，完成业务成果的自动化闭环具有变革性意义。
1.2 数据分析Agent技术实现路径
一个完整数据分析Agent的典型架构如下：以用户发起请求为起点，业务人员只需要以自然语言输入需求，总控Agent（LLM）负责理解目标、规划任务步骤，随后根据需求将任务分配给不同的子Agent如数据查询Agent、高级分析Agent、可视化Agent、报告解读Agent等协同完成，最终将洞察结果呈现给用户。
当前，实现数据分析Agent的关键能力体现在两点：对话式数据查询和多Agent协同架构。
第一，对话式数据查询降低业务人员查找和使用数据的门槛。取对数是数据分析工作的第一步，问答取数则是数据分析Agent实现价值的基础。
通过自然语言获取数据洞察的能力不是大模型带来的，早在10年前就已经开始有国外的BI平台引入自然语言查询、自动洞察生成、自然语言生成等功能。但由于技术的不成熟，相关产品和功能一直未得以普及。大模型能够深入理解自然语言查询和处理的语义及上下文，生成准确且高效的SQL语句，有效提升企业的取数效率，推动数据向民主化迈进。
当前，企业探索对话式数据查询的主流技术路线可分为三种：
第一种是NL2SQL，利用大模型将自然语言问题转换为数据库可读的SQL，但完全依赖大模型的能力难以对齐业务语义和数据语义，导致准确率、性能、成本等多方面的技术挑战。当前NL2SQL路线主要面向数据工程师，辅助SQL开发提效；
第二种是NL2DSL2SQL，利用已有BI平台中的数据集和报表，大模型先生成BI查询DSL，再根据规则转换成SQL查询，通常是BI厂商基于原有架构采取的技术路线；
第三种是NL2Semantic Layer，利用语义层将语义对齐的复杂度从大模型中释放出来，提高数据查询的准确率和时效性。从落地质量要求上看，这条路线当前更符合企业级业务分析场景的数据分析需求。
语义层对于提高数据查询准确率来说至关重要，语义层相当于给大模型外挂了一个企业自己的知识库，将业务语言转化为数据语言，解决数据查询准确率难题。多家国内外大厂以及科技新锐力量都选择利用“语义层”提高大模型取数、问数的准确性。
第二，多Agent协同架构实现复杂数据分析任务的全自动执行。从业务的视角看，只是取数、问数无法满足洞察需求，数据的采集、存储、加工、建模、消费整个链条上，随着技术的进步，数据工作的重心越来越往右移，数据直接可被业务消费是企业的迫切需求，多Agent协同架构为这一难题提供了解决思路。
按应用架构划分，AI Agent可以划分为单Agent、多Agent两种类型。多Agent朝着一个共同的目标努力，而这个目标超出了单Agent的能力范围。多Agent的联合应用往往可以解决单Agent无法完成的复杂任务，同时创造出适应性更强、扩展性更高和更稳健的解决方案。
长期来看，就像人类社会需要通过分工合作解决问题一样，多Agent将成为大模型解决复杂问题的必经之路，也更适用于复杂、动态的环境。
随着2024年9月OpenAI o1以及2025年初DeepSeek的发布，将大模型能力从概率推算推进到深度推理。推理模型加强了模型对复杂任务的处理能力和自主决策能力，进一步推动多Agent架构的实现。当前，头部大厂不仅将Agent作为核心战略，更是纷纷推出多Agent产品，2025年初OpenAI发布的Operator、DeepResearch，近期微软发布的Magentic-UI（多智能体Web操作系统），以及年初爆火的Manus等，均采取多Agent架构。
数势科技也积极布局，利用多Agent架构升级多智能体分析系统，总控Agent完成任务规划与协调，数据Agent、可视化Agent、总结Agent等子Agent协同工作，完成从数据提取、可视化到总结报告的完成流程。多智能体分析系统成功构建起“数据-洞察-决策-行动”的全链路闭环体系，推动企业级智能决策能力实现质的飞跃。
1.3 数据分析Agent应用现状
传统数据分析模式下，数据的获取和分析往往依赖于专业的IT和数据团队，这不仅效率低下，还限制了数据的广泛使用。近年来，数据普惠化和民主化逐渐成为企业业务方的核心诉求，让数据资源能够更广泛地被企业内部的各个层级和业务部门所利用，同时降低数据使用的门槛，使非技术人员也能够轻松访问和分析数据。
随着大模型技术的不断成熟，数据分析Agent为业务方实现数据普惠化和民主化奠定基础。从2023年至今，企业侧对数据分析Agent的需求持续提升。
短期来看，企业80%的简单数据查询问题仍然可以用BI工具解决，数据分析Agent的价值则是帮助企业解决20%更深层次的复杂数据分析难题。长期来看，数据分析Agent将为企业带来从“被动问数”到“主动决策”的范式变革，真正做到主动式数据预警和洞察生成推动各行各业的智能化转型。
当前，在数字化水平较高的行业如金融、零售、先进制造等，数据分析Agent已有渗透，并在企业内部实现上线应用，显著提升企业数据分析工作的效率、准确率和洞察力。
大模型项目从POC到正式上线投产往往面临较大的失败概率。Gartner预测，到2025年，至少2/3基于生成式AI的项目将由于数据质量差、风险控制不足、成本上升或业务价值不明确而在概念验证后被放弃。因此，企业在决定使用数据分析Agent前，参考成功项目的经验，进行周密的规划和准备至关重要。
企业引入数据分析Agent产品需要从业务场景、数据质量、人员和基础设施等多个维度进行充分准备。通过明确业务需求、梳理数据资源、组建跨职能团队和配置合适的基础设施，确保数据分析Agent的顺利实施和高效运行：
· 业务场景准备：企业引入数据分析Agent前，需深入梳理业务流程，明确核心业务需求与应用场景，如销售预测、客户分析或运营监控等。同时，构建清晰的业务模型，定义数据结构与分析逻辑，并通过模拟场景验证Agent的功能与性能，确保其能够精准满足业务目标，为决策提供有力支持；
· 数据质量准备：企业需全面盘点数据资产，整合分散的数据资源，建立统一的数据目录和指标体系，确保指标定义清晰、语义一致、数据完整且准确，并具备良好的可理解性，为数据分析Agent的高效运行奠定坚实基础；
· 人员准备：成功实施数据分析Agent需要组建跨职能团队，涵盖业务专家、数据科学家、IT技术人员和数据治理人员，各司其职又紧密协作。同时，针对不同角色开展针对性培训，提升全员数据素养与Agent操作能力，并建立高效的沟通与协作机制，确保项目顺利推进；
· 基础设施准备：企业应根据大模型的具体需求，合理配置硬件资源，选择合适的软件工具和服务平台，并建立完善的安全与合规机制，以确保数据分析Agent能够高效、稳定地运行。
02
数据分析Agent解决方案
近年来，国内数据分析领域涌现出一批新锐企业，它们凭借创新的技术和理念，推动了数据分析行业的变革和发展。其中，数势科技作为这一领域的佼佼者，凭借其在数据分析领域的深厚积累和对新技术的敏锐洞察，成为行业的标杆。
早在2023年，数势科技就敏锐洞察到大模型涌现出的语言理解和代码生成能力将为数据分析市场带来新机遇，成为业界首家推出数据分析和决策智能体SwiftAgent的企业，并于2025年进一步迭代至SwiftAgent3.0版本，实现从“对话式取数”到“决策自动化”的跨越式升级。
2.1 数据分析智能体平台SwiftAgent
数势科技数据分析智能体平台SwiftAgent作为基于DeepSeek及行业先进大模型构建的企业级智能分析决策平台，致力于为企业提供具备“准确”、“友好”、“智能”、“安全”四大特性的企业级决策智能体平台。
SwiftAgent采用“大模型+指标语义层+Agent架构”，实现自然语言精准问数。在语义层的构建方面，数势科技基于多年指标平台项目的经验积累，沉淀如下技术优势：
· 指标血缘管理：除了指标本身的管理外，数势科技对指标之间的血缘关系进行维护，例如指标中应包括的指标建议、每个指标拆解的维度等，通过血缘关系和定义的结合，使大模型能够进行更加深入的数据分析；
· 指标加速引擎：数势科技自主研发的“指标加速引擎”，虚拟化逻辑计算与物化预计算动态融合技术，即使面临海量并发查询，也能保障秒级性能。较传统数仓承载能力跃升数倍以上，同时，避免了传统数仓因瞬时流量过大导致的系统崩溃；
· 多源数据链接：除了结构化数据外，数势科技还支持对文本、Excel、图片、音视频等企业非结构化知识的维护，建立企业存量文档与指标之间的关系，辅助用户生成策略建议。
除了语义层外，数势科技还将自然语言问数的整个过程白盒化呈现，提高用户对数据结果的信任度。当前，数势科技在限定场景下可以达到95%以上的数据查询准确率。
通过整合异构数据源、自动化构建业务语义层、生成深度洞察报告及智能策略建议，SwiftAgent成功为企业构建“分析-决策-行动”的完整闭环，助力企业实现从“数据可视化”到“决策自动化”的跨越，降低AI应用门槛的同时提升决策效率与准确性。
SwiftAgent3.0产品最新版本的核心架构分为三层：数据层、引擎层和应用层。
数据层支持多源异构数据接入，提供灵活的数据集成方案，包括存算一体、存算分离和存 算外置。通过这些方案，确保不同数据源能够无缝连接并进行高效处理。
引擎层是整个产品的智算核心，包含三个关键模块：
· 数据语义模块：通过精准的指标和标签平台，解决大模型的幻觉问题，确保自然语言 与数据之间的精准映射。该模块通过结构化转译消除语义鸿沟，并利用预计算加速引擎将复杂查询响应时间压缩至秒级，确保实时决策需求的满足。
· 智能模型引擎模块：采用混合智能架构，结合大模型和小模型的动态协同。大模型负责语义理解与逻辑推演，调用行业知识增强的百亿参数模型；小模型则专注于结构化分析，处理时序解析和指标计算等任务。动态路由控制器根据任务自动分配算力，实现推理成本与精度的最优平衡。
· 数据分析技能池：涵盖从数据提取到归因分析再到报告生成的完整闭环，提供全面的数据分析能力，帮助决策者获取精确的洞察。
应用层是SwiftAgent向上为企业提供功能场景的重要支撑，通过多Agent架构，将多个数据应用智能体协同工作。在不同业务场景下，智能体可以联合调用，如分析报告场景需要同时调用取数Agent、分析Agent和报告Agent，实现高效协作，满足业务需求。
SwiftAgent3.0产品在语言理解、数据提取、数据呈现、数据接入、报告生成、策略建议等六大方面实现升级和进化，实现提升企业分析决策效率和质量的目标。
核心优势1：语言理解能力全面增强
SwiftAgent3.0采用了更先进的推理模型DeepSeek R1/V3，能够更准确地理解用户的意图和语义，实现自然流畅的人机对话。无论是企业管理者还是一线业务人员，都可以通过简单的自然语言指令快速获取数据分析和决策支持。
核心优势2：增强数据提取的准确性与效率
SwiftAgent3.0通过行业指标库与大模型自动化生成业务语义层，实现了数据处理与语义层构建的高效、准确。用户可以在语义工厂选择任意数据表开启“智能推理过程”，并生成可用指标，根据场景和指标进行勾选并应用相关模型，大大提升了数据分析的效率和准确性。
核心优势3：数据呈现直观性大幅提升
SwiftAgent3.0支持13+种主流图表类型（如折线图、柱状图、雷达图等），并提供自动化图表推荐与零代码编辑功能。这些功能降低了团队协作门槛，使数据分析结果更加易于理解和分享，无论是数据报告还是决策建议，都能以直观、清晰的方式呈现给相关人员。
核心优势4：异构数据源全面接入
SwiftAgent3.0实现了异构数据源的全面接入，无论是结构化数据还是非结构化数据，无论是内部数据还是外部数据，都能被高效整合和利用。支持的数据源包括数据湖仓（如Hive）、事务型数据库（如MySQL、Oracle）、分析型数据库（如StarRocks、Doris）以及本地Excel、CSV文件等。
核心优势5：洞察报告能力深度提升
SwiftAgent3.0在数据洞察能力与报告生成方面进行了深度提升。思维链的展现更加白盒化，用户可以完整了解大模型的思考过程，包括数据收集维度、数据清洗逻辑、异常及归因分析等。平台还能深度推理并生成专业洞察报告，自动沉淀行业知识，减少对微调的依赖。
核心优势6：洞察与决策路径全面打通
SwiftAgent 3.0打通了洞察与决策路径，提升了数据分析与洞察的实时性和准确性，确保决策能够迅速转化为行动。平台能够实时检测关键指标的异常波动并触发预警机制，同时基于数据洞察和企业知识库生成智能策略建议，并提供参考文献可追溯功能，确保决策的科学性和可靠性。
SwiftAgent3.0产品的登场标志着从“被动问数”到“主动决策”的范式革命。通过“大模型+企业级语义平台+多Agent架构”，系统既能精准识别自然语言意图，还可以基于大模型推理能力调用企业私域知识库，如历史经营策略、行业分析范式，自动生成包含归因分析和建议的智能报告，当前阶段虽聚焦于“建议生成”，但已为“智能决策”埋下关键技术种子。
2.2 关于数势科技
北京数势云创科技有限公司（原京东副总裁黎科峰博士创立），是行业领先的Data+AI产品提供商，整合DeepSeek能力，深耕大金融、高科技制造和泛零售等领域，为企业提供基于大模型增强的数据分析智能体平台、智能指标平台、智能标签平台系列产品，提升企业的数字化决策能力，推动企业数字化升级。
数势科技目前已服务包括民生银行、江苏银行、上海银行、中原银行、平安、中金、中信建投、国信证券、海通证券、西南证券、方正证券、富德生命人寿、中信建投期货、东证期货、沃尔玛/山姆、博世、宝洁、胖东来、星巴克、霸王茶姬、蒙牛、飞鹤等数百家金融、零售消费及高端制造行业头部企业。数势科技已获得腾讯、深创投、京东、大湾区基金等众多知名机构数亿元的投资。
03
数据分析Agent应用案例
3.1 案例1：数据分析Agent助力某城商行实现智能精准问数
（1）企业介绍
某城商行成立于2014年，自成立以来高度重视数字金融建设，2018年全面启动数字化转型，积极探索发挥数字化优势赋能，以客户为中心，推进数字化产品创新，提升金融服务质效。
（2）业务挑战
在数字化转型的推动下，银行业正面临日益激烈的市场竞争和快速变化的客户需求。在这一背景下，基于指标的分析已成为提升银行竞争力、优化决策过程和改进业务流程的关键工具。
然而，当前该银行在指标管理和开发方面存在一些不足：
第一，指标管理功能有待完善。指标分散在各种报表中，在命名、口径等方面缺乏统一管理；
第二，指标开发效率有待提高。现有依赖人工开发宽表数据集来加工指标的方式，需求响应缓慢；
第三，智能化分析能力不足。不具备问答式、智能化的指标数据分析能力，缺乏预警归因功能。
（3）解决方案
该银行基于数势科技的SwiftAgent产品打造智能分析解决方案，该方案以提升数据分析效率和响应速度为目标，通过构建指标语义层、采用Agent架构、增加反问机制、配备加速引擎以及适配主流国产模型，该方案以多轮对话的方式实现数据指标的灵活查询、自动归因分析、可视化报告自动生成以及指标全生命周期的预警分析。
在项目实施过程中，数势科技对该银行的各类数据源进行整合，构建统一的指标语义层，并对国产大模型进行Prompt微调和模型微调。
解决方案的架构包括基座大模型、企业数据源、指标语义层、SwiftAgent产品和数据分析应用等部分。基座大模型选择了经过实际应用验证的国产大模型，并对其进行了Prompt微调和模型微调，以确保其在银行数据分析场景中的高效应用。企业数据源对银行的各类数据源进行了整合，包括业务系统数据库、数据仓库和数据湖等，确保了数据的规范化和标准化管理。指标语义层构建了统一的指标语义层，明确定义了各类指标的计算口径和业务含义。SwiftAgent产品通过与用户的交互式问答，实现了数据指标的灵活查询、自动归因分析、可视化报告自动生成以及指标全生命周期的预警分析。数据分析应用重点落地了企业经营分析、企业营销复盘和业务团队日常用数三大应用场景，为银行的各级管理层提供了高效、精准的数据支持。
此方案以数势科技SwiftAgent为核心产品，结合了最先进的大模型技术（LLM）和指标语义、标签语义的数据分析能力，应用RAG和AI Agent能力，帮助企业内大范围的业务和非技术人员通过简单问答快速获取数据指标和洞见，智能化解读数据和生成报告，辅助智能决策。
方案的技术创新点如下：
第一，指标和标签语义层确保数据查询准确性。
通过构建企业的标准化语义层，预设数据指标和标签的定义与管理，避免业务理解不一致，让大模型更准确地理解用户需求，从而输出更精准的结果。例如，许多企业在尝试通过大模型与企业内部数据进行对话时，常常遇到由于大模型对业务理解不准确而导致的结果偏差问题。而数势科技通过构建标准化语义层，为数据指标和标签设定了明确的定义和管理规则，使得大模型能够准确理解业务需求，从而提供更准确的分析结果。
项目实施之前，业务部门经常对数据分析结果提出质疑，认为数据不准确或不符合业务实际情况。但自从构建了指标和标签语义层后，这种情况大大减少了，因为大家对数据的理解更加一致，大模型输出的结果也更加精准。
第二，Agent架构确保系统高效回复复杂问题。
SwiftAgent采用Agent架构，具备任务拆解和工具调用能力，能够自动解决复杂问题，无需过多人力介入。例如，在处理复杂的数据分析任务时，SwiftAgent能够将任务分解为多个子任务，并自动调用相应的工具和算法进行处理。这种自动化的处理方式不仅提高了数据分析的效率，还减少了人为错误的发生。
某次业务部门需要对一个大型项目进行风险评估，涉及到大量的数据和复杂的分析。此前，此类分析需耗时3-5个工作日，而SwiftAgent的Agent架构将其缩短至10分钟内完成，大大提高了工作效率。
第三，反问机制支持行内业务人员模糊提问。
增加反问模块，让大模型更好地理解用户需求，一步一步把需求“精细化”，提升正确结果概率，生成更可用的结果。例如，当用户提出一个模糊的问题时，SwiftAgent会通过反问的方式，引导用户进一步明确需求。这种互动式的沟通方式能够提高大模型对用户需求的理解程度，从而提供更符合用户期望的结果。
比如，有领导提问：“帮我看下最近的业务情况。”SwiftAgent会反问：“您是想了解哪个业务条线的情况？是信用卡、小微、财富管理还是其他业务条线的指标呢？”通过这样的反问，能够更准确地把握用户的需求，提供更有针对性的结果。
第四，自研指标数据加速引擎提升百亿级场景数据查询效率。
数势科技通过自研指标加速引擎（Hyper Metrics Engine），可将结果生成用时降低至5秒左右，提升用户交互体验。在当今快节奏的工作环境中，用户对数据分析结果的时效性要求越来越高。数势科技自研的指标加速引擎能够快速处理大量数据，并在短时间内生成准确的分析结果，满足了用户对数据分析效率的需求。
以前，员工在查询数据时，往往需要等待很长时间，这让他们感到非常焦虑。现在，有了加速引擎，他们可以在瞬间得到结果，大大提高了工作效率，也提升了他们的工作满意度。
（4）价值与效果
通过智能指标和分析平台建设，数势科技助力该银行实现如下价值：
第一，全流程指标闭环管理。通过统一管理平台实现指标定义、加工、应用到评估的全流程功能建设，确保指标定义的统一性和标准化，并促进不同系统间指标口径的一致性。
第二，低代码指标开发提效。通过直观图形化界面和自动化数据处理技术简化指标定义流程，减少对复杂SQL代码的依赖，提升指标开发的高效性和准确性。
第三，智能化指标灵活分析。融合大模型能力，实现自然语言交互、自动图表绘制、数据分析报告生成和多维度归因分析，以支持用户快速获取和理解业务数据，为决策提供依据。
3.2 案例2：某城商行借助数据分析Agent实现AI报告生成，效率提升40倍
（1）企业介绍
某城商行注册成立于1996，集团总资产已超3万亿元，年营收超500亿元、盈利超200亿元，资产质量保持银行业较好水平，是国内20家系统重要性银行之一，在英国《银行家》杂志全球银行1000强榜单中列前百强。
（2）业务挑战
该城商行的数据管理部拥有一个500人左右的团队，其中约一半为外包人员。外包成员主要包括数据分析师、产品经理、工程师等角色，主要服务内容是利用BI工具为分支行领导及业务人员提供数据提取服务，并撰写相关报告。
以核心报告之一——分支行业绩对比及经营考核报告为例。在总行进行经营分析时，需要完成两项主要工作：一是对所有分支行的核心指标进行排名；二是撰写绩效考核报告。这一过程目前主要依靠人工完成。例如，若围绕10个指标撰写一份经营分析报告，需先由数据分析师提取相关数据报表，再由业务人员依据该报表制作报告模板，随后数据分析师与业务人员协同手工撰写报告，整个流程通常耗时约两天。
由于效率偏低，虽然数据管理部人数较多，但仍常出现工单积压的情况。并且，该城商行目前每年在200多名外包人员上的成本约为7,000万元。为优化成本结构，银行管理层期望借助大模型技术，提升数据处理效率，以及节省相应的人力成本。
（3）解决方案
在考察了一些智能分析厂商后，该银行发现目前的智能分析产品大多仍停留在查数这一基础场景上，价值比较有限。然而，银行内部真正高频且亟待解决的痛点是报告生成，其中不仅要包含数据表格，还要有对数据的解读以及相应的策略建议。只有真正满足报告生成这一核心需求，才能有效赋能团队，实现智能决策。
数势科技SwiftAgent报告生成能力是在自然语言精准取数的基础上，结合DeepSeek的深度思考能力和沉淀的金融行业分析模板，结合自研小模型和多Agent架构调用共同实现的。具体而言，报告生成的过程包括以下几个关键步骤:
第一步：报告框架生成。基于企业数据库和行业通用知识，自动化生成报告框架，作为后续内容填充的结构基础；
第二步：子问题生成。根据指标语义层，SwiftAgent生成报告中每个子问题，严格依据存量指标进行构建；
第三步：数据提取与分析。针对每个子问题，自动化调用相应的Agent进行数据取数、分析，并生成相应的内容；
第四步，结果填充。将分析内容结构化输出为完整报告。
通过这种创新的AI报告生成能力，SwiftAgent可输出包含资产配置优化建议及市场趋势预测的结构化报告，辅助用户决策。这种报告不仅帮助用户精准研判市场动态，也能提升投资决策和风险管控的专业效能。
借助数势科技SwiftAgent的AI报告生成能力，该银行大幅缩短数据报告生成时间。该银行信用卡部门首先与数势科技开展合作探索，打造速赢场景，六周时间即完成项目落地：
项目落地步骤一：分析报告场景与指标体系梳理（约2周）
在引入AI报告生成技术的初期，关键任务是将抽象的业务需求转化为可量化的分析指标。项目团队首先与业务部门合作，确定从信用卡用户活跃度和营销策略分析两个场景入手。
通过从银行数据中台接入信用卡交易数据、手机银行行为日志以及第三方支付渠道等数据，团队构建了涵盖DAU(日活跃用户数)、MAU(月活跃用户数)、消费频次、绑卡交易占比、留存率等指标的活跃度分析体系。
同时，在信用卡运营策略效果评估方面，团队与银行共同对活动进行了细致分类，针对促活类、增收类、留存类活动分别设计了不同的评估指标和归因分析模型。
项目落地步骤二：分析模板设计与持续优化（约2周）
实现报告生成自动化与智能化的关键在于打造可复用的分析模板。项目团队与银行分析师合作，定义了分析模板的整体架构，并为每种分析范式设计了不同的可视化类型和总结侧重点。针对核心信用卡活跃类指标的归因分析，采用了维度归因、因子归因和分析树归因三种范式的融合方案，确保报告接收方能够从多个视角全面了解指标变化的原因。
通过与银行分析师的共同努力，项目团队建立了约20个分析模板库，按报告类型分类存储，并记录版本迭代历史。这一举措旨在提升AI生成报告的采纳率。测试数据显示，采纳率由最初的30%提升至80%。
项目落地步骤三：培训推广，从试点到规模化的跨越（约2周）
试点推广是验证项目价值的关键环节。项目团队与银行合作，选择信用卡中心的用户运营与活动运营团队作为试点对象，覆盖超过50%的分析师团队，并建立了问题反馈通道，每 周收集用户需求。经过2周的试点运行，报告生成时间从原来的2.5个工作日（纯人工撰写）缩短至30分钟（大模型生成10分钟+人工辅助优化20分钟)。
在为信用卡中心快速提效并完成速赢场景后，项目团队制作了培训视频，将报告生成能力推广至对公贷款业务团队，鼓励更多业务团队尝试使用AI报告工具。
（4）价值与效果
经过一系列实践和探索，该头部城商行信用卡部门在AI报告生成方面取得了显著成效。根据业务团队实测反馈，报告生成效率提升了约40倍（按每日8小时工作时长计算，从20小时缩短至0.5小时）。这一效率提升使业务团队能够将更多精力投入到信用卡生命周期促活策略的制定和优化中，减少重复性数据搬运工作。
3.3 案例3：书亦烧仙草引入数据分析Agent，实现门店运营精细化
（1）企业介绍
书亦烧仙草成立于2007年，是一家致力于打造健康茶饮、为顾客提供好奶好料产品体验的优质新茶饮品牌。目前书亦烧仙草在全国门店数量突破5000家，并且已在越南、印尼、泰国、马来、菲律宾、美国、西班牙等地成功开设加盟门店。
（2）业务挑战
近年来中式茶饮连锁行业迎来的爆发期，多个品牌实现了全国数千家店的规模化连锁，甚至拓展到海外市场。随着门店规模迅猛扩张和同行竞争日趋激烈，书亦烧仙草将精细化门店运营作为2024年的关键战略。
在轻资产运营的商业模式下，书亦烧仙草8成左右的门店来自品牌的加盟商，而门店运营要解决的关键问题就是如何让加盟商门店跟自营门店一样，做到标准化管理和运营。同时，加盟直营化的强管理模式，让茶饮连锁企业积累了大量客观的业务数据、管理数据，引入智能分析Agent，可以数十倍提升标准化管理和运营的效率。
（3）解决方案
数势科技为书亦烧仙草打造两个关键场景——月度经营分析会及督导巡店。
场景1：月度经营分析会
书亦烧仙草每月都会从各区域到分公司到总部，逐级提交经营分析报告，作为管理团队每月研讨及决策的关键输入。
过去，各业务部门和分子公司都需依赖内部分析师，通过向数据部门提需取数或手工处理数据的方式，编写月度分析报告，存在手工数据处理效率低、数据整合困难、分析维度有限、各部门的指标口径以及站在部门视角输出的结论参差不齐等痛点。
数势科技为书亦烧仙草整合企业数据、搭建集团统一的指标体系。然后，通过覆盖目标达成、销售、产品、竞品等多维度的智能分析模块，结合预警机制，实现从数据发现问题到执行决策的闭环管理。
场景2：督导巡店
运营督导体系的成功和效率是决定茶饮行业加盟模式成败的“隐形战场”。在当下的环境中，1名督导通常覆盖20-30家店，在日常工作中往往还面临着“对上”和“对下”的双重负担，既要向区域经理定期发送总结数据汇报的日报，从BI看板、三方外卖平台以及各种门店管理工具中手工提取数据、加工、整理总结成报告；又要向管辖的每个加盟商提供品牌赋能和情绪价值，回答加盟商的各种问题，例如“门店如何提升业绩”、“如何优化门店管理的SOP”。
在这样的高负荷、低人效的工作场景下，极易出现管理漏洞。因此需要让数据赋能督导，让数据简单可用，在最重要的战场上让数据发挥价值。
数势科技为书亦烧仙草的每个督导配备了一个“移动端+PC端”结合的SwiftAgent助手，在目标设定、巡店计划、门店稽核和效果验收四个督导工作的关键环节，为其提供随身助理般的帮助。
· 目标设定：精确明确门店巡检的核心目的，涵盖提升服务质量、确保运营标准执行、优化门店环境等多个关键方面。借助智能分析工具，以对话式界面直观展示门店业绩排名和同店对比分析，从而迅速锁定需要重点巡查的门店。
· 巡店计划：充分利用智能分析工具的知识库功能，精准确定巡店的具体地址及其他相关信息。同时，借助强大的数据分析能力，明确每次巡店应重点关注的业绩指标及其潜在波动原因。
· 门店稽核：运用智能分析工具，对门店的各项问题指标进行全面检查。例如，一旦发现新品销售情况不佳，系统会深入探究并归因于“产品上新动作”等相关系列指标的问题，并即时调用知识库中的相关文档和标准化操作程序（SOP），指导进行快速有效的问题纠正。
· 效果验收：通过对比分析巡检前后的各项关键指标变化情况，利用数据分析手段全面评估门店在服务、产品、运营等多个方面的实际提升效果，为门店的持续优化和业绩提升提供强有力的数据支持。
（4）价值与效果
在月度经营分析会场景，借助SwiftAgent，书亦烧仙草在经营分析决策效果和效率上有了显著提升：
· 效率提升：报告生成时间从3天缩短至1小时，释放人力投入策略制定；
· 决策精准：通过数据归因减少主观猜测（例如，江苏区域业绩下滑并非员工能力问题，而是因竞品集中开店导致市场份额被挤压)；
· 成本优化：预警系统提前识别风险市场（如浙江杯量占比后三），避免资源浪费；
· 越用越聪明的决策能力：AI模型持续学习业务变化和数据分析的业务逻辑（如新品上市效果追踪），SwiftAgent上线半年后其分析能力和结论深度越来越贴合该企业的经营逻辑和分析范式。
在督导巡店场景，借助SwiftAgent，书亦烧仙草实现优化门店管理、提升督导效率：
· 快速数据获取：通过快速数据查询功能，督导能够迅速获取关键的门店运营数据，提高数据分析效率；
· 自动化巡店计划：自动生成巡店计划，使督导能够更专注于门店管理和问题解决；
· 问题定位：智能督导助手能够准确定位业绩指标的下滑或波动的原因，帮助督导快速识别关键因素；
· 有效业务策略：提供了基于数据分析的业务策略知识库，帮助督导根据门店具体情况制定有效改进措施。
3.4 案例4：某头部车企研究院借助数据分析Agent实现试制参数设计效率飞跃
（1）企业介绍
某汽车集团是大型国有控股股份制企业集团，其下属的研究院是集团的技术管理部门和研发体系的核心枢纽，主要负责多个自主品牌的产品开发及新技术的规划制定与实施工作。
（2）业务挑战
该车企研究院肩负着推动企业产品创新与市场竞争力提升的重要使命，但面临来自消费者和竞争者的双重压力：
一方面，消费者购车需求日益多元化且变化迅速，涵盖外观设计、内饰质感、动力性能、智能化配置、燃油经济性、安全性等多个方面，这要求车企必须缩短研发周期，快速推出新款车型；另一方面，面对激烈的竞争市场，车企需要在产品性能、技术特点等方面打造“护城河”型产品，同时随着竞争对手不断推出新的产品和技术，车企需要对已有车型进行持续升级和迭代。
以上压力要求该车企研究院实现敏捷的车型开发工作，以快速响应市场。然而，这对试制工程师来说带来了巨大的挑战。每一款车型有上百个需要关注的指标，乘以负责的车型数量后，整个部门需要管理超过10万个指标，试制工程师的工作极为繁重，他们需要反复进行实验和调整，力求确保汽车的质量和性能达到最佳状态。
试制工程师日常大量的时间用于繁琐的取数和计算工作，传统BI报表的灵活性不高、智能化水平不足，难以满足试制工程师复杂多样的用数需求。
（3）解决方案
试制工程师的参数设计工作是后续样车试制的基础，确保试制车辆能够满足设计要求和市场需求。具体而言，参数设计工作可以总结为四大核心环节：
第一，数据获取。在参数设计的起始阶段，试制工程师需要全面且精准地收集各类数据，包括从市场调研中获取消费者对车辆性能、配置及外观的期望偏好，分析竞争对手的产品性能和技术特点，从公司内部收集设计文档、技术规范和历史车型数据等。
第二，性能参数和指标计算。试制工程师根据车辆的设计目标和市场定位，计算关键性能参数，如加速性能、制动性能、操控性能和燃油经济性等，并考虑不同工况（如城市道路、高速公路、山区道路等）对性能的影响。同时，结合市场调研数据、竞争对手分析以及法规标准和安全要求，确定各项性能指标的阈值范围，并评估不同配置和选装件对性能指标的影响，从而为后续的参数确定提供科学合理的依据。
第三，试制车型参数确定。确定试制车型的具体参数时，试制工程师根据产品策略和定位，充分融入自身多年积累的丰富经验，结合实际生产中的工艺限制、成本因素以及整体性能平衡等多方面考虑，对参数进行优化调整。
第四，形成报告&汇报。试制工程师在完成试制车型参数确定后，需将整个工作成果系统地整理成详细报告，并向相关部门和人员进行汇报。
在参数设计工作中，取数和计算通常占据试制工程师80%的时间，且出错率较高，一旦最终的参数设计错误，所有工作需要推倒重来。
在此背景下，该汽车研究院与数势科技展开合作：其一，搭建指标平台，实现对数据指标的统一、高效管理和应用；其二，利用大模型的力量，实现智能取数、问数，提升数据获取的效率和准确性；其三，借助智能报告生成，缩短从数据到决策建议的距离，进一步实现数据分析的自动化和智能化。
首先，借助数势科技智能指标平台SwiftMetrics，以及数势科技多年来服务企业客户沉淀的指标规范化方法论，该汽车研究院实现对数据指标的统一、高效管理和应用。
智能指标平台SwiftMetrics是数势科技2020年推出的第一个产品，也是行业第一款“管研用一体化”智能指标平台，企业使用数势指标平台只需一次定义原子指标，所有派生指标、衍生指标均可通过动态业务逻辑计算实时生成，业务团队可以零代码调用，效率大幅提升，需求响应从天级压缩至分钟级。
在产品架构上，数势科技指标平台支持对接Power BI、Tableau、帆软、QuickBI等主流BI工具，适配各种数据底座，避免厂商锁定，这也是和其他指标平台厂商相比，该汽车研究院选择数势科技的重要原因之一。
其次，数势科技SwiftAgent作为业界首款发布、且已完全对接DeepSeek推理模型、实现企业级交付的数据分析Agent产品，借助大模型技术的优势，为该汽车研究院试制工程师的取数工作注入“智能”的力量。
基于自身指标平台提供的企业级数据语义层Enterprise Data Semantics Layer，数势科技SwiftAgent采用“大模型+指标语义层”的方式，改变了一般对话式取数的NL2SQL路径，可以让用户随时随地地通过自然语言交互来取数用数，并保障数据查询准确率接近100%。
例如，如果需要打造一款防御型车型，试制工程师需要关注性能、安全等方面的参数，可以直接向SwiftAgent提问“我计划为A车型打造防御策略，请结合市场上近三个月竞争对手的表现，为性能和安全参数提供要求”，SwiftAgent基于对问题的理解，调取与竞争车型相关的数据，并根据竞争对手过去三个月的表现，找到性能和安全相关参数的合理范围，帮助试制工程师快速完成指标的获取工作。
最后，SwiftAgent不仅能帮助试制工程师快速准确获取数据，其智能报告生成能力目前已经能做到初步给试制工程师出最终参数的决策建议，再以文字形式进行总结，帮助试制工程师更快、更好地完成参数设计工作。后续，SwiftAgent将以知识库模板的形式融入更多试制工程师的历史经验和行业know-how，进一步提升决策建议的准确性和有用性，真正做到从数据到决策的跃迁。
（4）价值与效果
基于数势科技指标平台和智能分析助手SwiftAgent，该车企研究院试制工程师80%的取数和计算工作得以通过智能化手段解决，工作效率提升5倍以上。试制工程师得以将节省的时间和精力用于更具价值的工作，如竞争对手调研、用户反馈收集、历史经验沉淀等，从而进一步提升企业的研发效率和市场竞争力。
3.5 案例5：数据分析Agent助力某国际快消品巨头提升业务决策效率
（1）企业介绍
某国际快消品巨头是全球领先的日用消费品公司之一，旗下拥有众多知名的独立品牌，覆盖美容护肤、个人清洁、家居护理、口腔护理和婴儿护理等，业务遍及全球180多个国家和地区。
（2）业务挑战
在当前竞争白热化的消费品行业中，市场环境瞬息万变，消费者需求日益多样化且快速更迭，产品生命周期不断缩短。在这样的背景下，仅仅依靠传统经验和直觉来制定决策已经远远不够，企业必须以数据为驱动，精准洞察市场趋势、消费者偏好和竞争对手动态，从而实现精准营销、产品创新和运营优化。
快消品公司大多采取矩阵式经营，该国际快消品巨头则是其中的典型代表。集团内的每个品牌都是独立的经营单元，这种模式在提升品牌灵活性和市场响应速度的同时，也带来了集中化的IT部门与个性化、分散化的业务数据需求之间的天然矛盾。
集中化的IT部门通常采用标准化的数据管理流程，且需要在多个品牌和业务单元之间进行资源分配，使得数据获取和分析的周期较长，难以满足品牌团队对数据的即时需求。品牌团队可能需要等待数天甚至数周才能获取到所需的数据，导致决策滞后。
该国际快消品巨头过去在数据质量方面已投入较大精力，在大模型技术出现后，希望借助AI的力量进一步提升数据驱动决策的能力。
（3）解决方案
该国际快消品巨头在AI规划中将数据分析Agent作为三大核心探索方向之一，并与数势科技积极开展合作探索。
数据分析Agent的价值不仅仅停留在智能问数层面，为企业做出决策分析才是其核心价值，这其中涉及到非常多的技能要求，包括智能问数、诊断归因、报告生成、建议生成，这也是数势科技当前正在探索的方向。
数势科技与该国际快消品巨头以“GM（General Manager）智能问数”场景作为切入点，探索大模型驱动的数据分析智能体。数据分析智能体基于大量数据的背后，自动从各个角度完成深度分析，得出最终的关键结论，并将分析结果总结为日报，发送给业务单元高管，旨在帮助他们快速了解业务进展、市场变化和潜在问题。
数据分析智能体的技术实现关键如下：
第一，DeepSeek实现深度思考与CoT推理能力。DeepSeek R1大模型作为数据分析智能体的“大脑”，通过模拟人类的深度思考过程，能够对复杂问题进行多维度、多层次的分析。此外，DeepSeek还支持逐步推理，能够将复杂问题分解为一系列逻辑步骤，逐步推导出解决方案。这种推理方式不仅提高了问题解决的准确性，还增强了分析过程的透明度，使用户能够清晰地理解决策依据。
数势科技将DeepSeek R1领先的MoE专家架构以及长思维链推理能力，注入SwiftAgent，使SwiftAgent能够自动的深度思考，找到数据和决策之间的因果推理关系，为企业提供更具前瞻性、更专业的决策建议。
第二，多Agent架构实现复杂问题的拆解与协同执行。多Agent架构是解决复杂问题的关键。通过将复杂问题拆解为多个子问题，并分配给不同的子Agent进行处理，可以显著提高问题解决的效率和准确性。每个Agent专注于特定的任务或领域，例如数据收集、数据分析或结果呈现。这些Agent之间通过高效的通信机制进行协同工作，确保信息的实时共享和任务的无缝衔接。例如，在一个市场分析需求中，一个Agent负责收集市场数据，另一个Agent负责分析竞争对手动态，而第三个Agent则负责预测市场趋势。通过多Agent架构，这些任务可以并行进行，最终整合为一个完整的分析报告。这种架构不仅提高了工作效率，还能够灵活应对各种复杂场景，适应不同业务需求。
数势科技持续完善任务调度能力与Agent组件化构建能力，当前已经将SwiftAgent升级为多Agent架构，将多个数据应用智能体协同联动起来，如“问数Agent”、“归因Agent”、“报告Agent”等，通过多步骤的任务规划和执行，来满足复杂业务场景需求。
第三，分析师经验的沉淀与范式化为Agent提供决策思路。分析师在长期的工作中积累了丰富的经验和独特的分析方法，这些经验是企业宝贵的财富。通过沉淀高级分析师的分析范式，并将这些范式融入到大模型中，数据分析智能体能够获得更精准的决策思路。例如，高级分析师在处理市场波动问题时，可能会采用特定的分析框架，通过将这些分析框架和方法转化为可操作的模型，此数据分析智能体能够在面对类似问题时，快速调用相应的分析范式，提供高质量的决策建议。此外，这种经验沉淀还可以通过持续学习机制不断优化，使智能体能够适应不断变化的市场环境。
数势科技为企业提供可视化界面的方式，将高级分析师的经验抽象成分析范式模板，针对不同问题总结不同的分析范式，形成结构化的知识库，为大模型构建决策分析场景的思维链。
（4）价值与效果
在“GM（General Manager）智能问数”场景中，数据分析智能体为该国际快消品巨头带来如下价值：
第一，提升数据获取效率。数据分析智能体通过自然语言对话的低门槛交互方式及背后的NL2Semantic和指标加速引擎技术，让用户以10倍效率获取可信、可用的业务数据，随时随地掌握一手业务信息；
第二，增强管理决策质量。数据分析智能体不仅能够提供数据，还能通过智能归因和异常检测等算法，帮助企业高管以10倍效率定位关键问题，识别业务拐点，预防潜在风险，辅助企业做出更适配战略、更有前瞻性的决策。
关于沙丘智库
沙丘智库是沙丘社区旗下的数字技术研究平台，专注AI与大数据技术应用研究，为客户提供客观、可执行的技术洞察与研究服务，帮企业做更好的技术决策。
截至2024年12月，沙丘智库跟踪调研了国内外各行业头部企业超1000个大模型落地实践，输出800多份深度案例研究与技术实践报告，已成为全球范围内大模型技术研究的主要参与者和观察者。
沙丘社区创立于2020年，是中国专业数字技术社区，以推动中国数字技术发展为己任，通过技术社区、技术研究平台和新媒体矩阵等综合服务体系，汇聚了50万+数字技术生态从业者，作为数字化时代崛起的专业社区，沙丘社区专注AI、大数据等新兴技术的研究与传播，致力为中国数字技术发展做贡献。
法律声明
版权声明
本报告为沙丘社区制作，报告中所有的文字、图标等内容均受有关商标和著作权的法律保护，部分文字和数据采集于公开信息，所有权为原著者所有。没有经过本公司书面许可，任何组织和个人不得以任何形式复制或传递。任何未经授权使用本报告的相关商业行为都将违反《中华人民共和国著作权法》和其他相关法律的规定。
免责条款
本报告中行业、市场及公司数据一方面是主要来自沙丘社区数据产品，通过分析师的桌面研究、行业访谈、市场调查及其他研究方法获得，仅供参考。本报告中发布的相关数据采用样本调研方法，其数据结果受到样本的影响。由于调研方法及样本的限制，调查资料收集范围的限制，该数据仅代表调研时间和人群的基本状况，仅服务于当前的调研目的，为市场和客户提供基本参考。受研究方法和数据获取资源的限制，本报告只提供给用户作为市场参考资料，本公司对该报告的数据和观点不承担法律责任。