目录
一、项目背景与痛点分析
企业在日常经营分析中面临诸多挑战，主要包括：
- 数据提取与整理耗时：由于SQL技能一般和数据库复杂，数据提取成为一项耗时的工作。同时，数据分析师的需求响应时间较长，进一步加剧了时间成本。
- 分析结果的不确定性：数据提取到本地后，分析过程同样耗时，且结果可能并不具备实际价值，导致原委挖掘到最后可能并不存在真实问题。
- 分析角度的构思压力：需要不断突破现有的分析思路，为老板提供增量价值，以满足绩效要求。
二、产品调研与"坑"总结
在调研AI数据分析项目时，发现了一些开源项目，如DB-GPT、Supersonic和SQLcoder，但在实际应用中均存在一些问题：
-
DB-GPT：
优势：底层调用大模型，将自然语言转为SQL，对数据进行调用，并提供分析思路。
不足：返回的结果不深入，数据维度无法自行调整，且不一定返回有效信息。
图片展示：
总结：目前阶段难以争取到资源推动项目落地。
-
Supersonic：
优势：表之间通过外键连接，避免了大模型的幻觉问题，提高稳定性。可以提前设置指标，对话时如果命中指标，有成功返回的概率，且可以手动调整时间范围。
不足：只能处理简单问题，展示效果有限，且会给出多个意图解析，需要用户自行判断。
图片展示：
总结：可视化效果不错，但重度依赖大模型的能力以控制稳定输出，仍有提升空间。
-
SQLcoder：
优势：专门用来辅助生成SQL代码的开源项目，效果稳定，语序通顺时基本不会出错。
不足：对于某些特定词汇（如"同比"）可能不了解，需要增加提示词或微调来提升能力。
图片展示：
结合Superset：通过结合Superset这个数据可视化的BI工具，可以实现用自然语言建立图表和仪表盘，操作更加稳定，即使报错也可以修改。
三、落地思路与策略
基于以上调研和分析，提出以下落地思路与策略：
-
短期目标：
选择SQLcoder作为取数工具：由于其效果稳定，且能够辅助生成SQL代码，适合作为短期内的生产力工具。
结合Superset实现可视化：通过Superset将SQLcoder生成的SQL代码转化为图表和仪表盘，提高分析效率和直观性。
培养数据分析师的使用习惯：从数据分析师入手，培养他们使用SQLcoder和Superset的习惯，逐步替代传统的手动取数和整理过程。
-
中期目标：
优化模型能力：随着模型能力的提升和企业的自行微调，逐步优化SQLcoder和Supersonic等工具的性能，提高自动化程度。
拓展应用范围：将AI数据分析的应用范围从取数和可视化拓展到数据整理和分析等环节，进一步提高分析效率和准确性。
-
长期目标：
构建智能Agent：随着更多语料的积累和结构化、非结构化数据的沉淀，构建更大、更智能的Agent，实现更多分析建议的自动生成和推荐。
实现全面自动化：最终实现从数据提取、整理、分析到汇报的全面自动化，为企业提供更高效、更智能的数据分析服务。
四、注意事项
- 人员监督与修正：由于目前阶段大模型还不完善，所以在落地企业级项目时，需要增加人员的监督和修正，确保分析结果的准确性和可靠性。
- 权责机制：本着"谁使用谁负责"的权责机制，明确数据分析师的责任和权限，确保他们在使用AI数据分析工具时能够遵守相关规定和流程。
- 持续迭代与优化：随着模型能力的提升和企业的实际需求变化，需要持续迭代和优化AI数据分析工具的功能和性能，以满足企业的长期发展需求。
综上所述，企业在落地AI数据分析项目时，需要充分考虑自身的痛点和需求，选择合适的工具和策略，并注重人员的培训和监督，以确保项目的顺利实施和长期效益。