数据革命：大模型+图模型如何重塑企业数据分析流程丨爱分析调研

# 数据革命：大模型+图模型如何重塑企业数据分析流程 随着企业对数据驱动决策的依赖越来越深，数据分析流程的效率和准确性就成了绕不开的核心命题。但传统数据分析这条路，走得并不轻松。沟通障碍、高昂的人力成本、低下的工作效率，几乎是每个企业都踩过的坑。管理层和业务部门常常在排队等数据，分析团队则疲于奔命，常态化加班成了家常便饭。那么，有没有办法打破这个僵局？大模型技术的兴起给出了一种答案，而图模型的加入，则让这个答案变得更加完整和可靠。 大模型凭借强大的自然语义理解能力，让用户可以直接用自然语言与数据分析系统对话，实现自助式分析。这听起来很美好，但单一的大模型方案并非万能——生成结果可能出错、查询速度慢、交互过程呆板，这些都是实际落地中遇到的硬伤。为了解决这些问题，图模型提供了一个全新的视角：通过将数据与业务元素结合起来，不仅能提升准确率，还能实现即时人机对话，让用户通过可视化界面实时建模，数据分析从此变得更灵活、更高效。 接下来，我们通过一个大型国有企业的真实案例，看看这套“大模型+图模型”的组合拳是如何落地，并让数据分析时间从平均7天缩短到0.5天的。

### 企业数据分析痛点显著，“排队与加班”困扰着管理层、业务部门和数据分析团队 在企业数据分析领域，一个再明显不过的痛点正在浮出水面——“排队与加班”已经成为管理层、业务部门和数据分析团队的共同噩梦。随着企业向“数据驱动”和“精细化运营”转型加速，数据分析的需求水涨船高，分析团队每月的工作量也屡创新高。但问题在于，需求方和数据分析团队之间存在着天然的沟通鸿沟。需求方从业务角度出发，而分析团队往往对业务理解不够深，很难快速在需求和数据指标之间建立起“映射关系”。等到分析结果出来，双方对结果的解读又可能南辕北辙，返工重做的情况比比皆是。 此外，数据分析团队的人力成本相当可观。以北京地区为例，数据分析师年薪在20-25万元，数据工程师25-40万元，数据科学家更是高达50-100万元。在当前经济复苏不达预期的背景下，企业对员工规模的控制更加严格，尤其是那些不直接产生收益的团队。于是，数据分析需求的激增、团队规模的有限、以及沟通效率的低下，三者叠加形成恶性循环：管理层和业务部门排队等数据，分析团队则陷入常态化加班。 ### 大模型破除数据分析痛点，引领数据分析大升级 放眼全球，无论是跨国巨头还是新兴创业公司，都已被卷入大模型引发的变革浪潮。经过一年的探索和论证，越来越多的企业计划在2024年将大模型落地。Gartner预测，到2026年，超过80%的企业将在生产环境中采用生成式AI的API、模型，并部署启用相关应用。大模型作为生成式AI的核心，正在引领数据分析的全新升级。 大模型的自然语义理解能力有多强？它能理解用户提出的问题，然后基于文本生成SQL语句，自动从数据库中提取数据并分析，最后还能对结果进行解读并生成报告。对业务人员来说，他们可以直接和大模型加持的数据分析系统对话，实现真正的自助式分析。数据分析因为价值明显、落地可行性强，成了大模型落地的热门场景。据爱分析的调研，数据分析是企业在2024年关注度最高的应用场景之一。在准备落地大模型的企业中，78%计划在数据分析场景中应用，将其视为大模型落地的重要切入点。

图表1：企业2024年大模型落地场景提及率

### 只依赖大模型，数据分析升级难成功 虽然很多企业试图通过大模型直接与企业内部数据对话，但真正的落地远不止“Text to SQL”这么简单。一些“大模型+数据分析”项目在上线后，自然语言的交互方式确实带来了新鲜感，但体验不佳，最终难以真正投入生产。具体来说，纯粹的大模型方案会导致生成结果出现三个问题：**错、慢、呆**。 - **错误生成**：大模型先天存在幻觉问题，生成内容的准确度较低。CEO、COO等非技术高管通常很重视大模型创新项目，往往会参与验收。错误的回答不仅会导致项目验收失败，还容易让高管降低对大模型的信任度，进而影响后续一系列创新项目的推进。当然，对于“上周xx产品的销售额是多少”这类简单取数问题，大模型的准确率很高。但这类用例的价值非常有限——需求方直接和数据分析团队沟通，或者用传统工具取数，同样能便捷完成。 - **慢速生成**：数据分析经常需要连接多张表，这意味着数据库要处理更多数据，执行复杂度更高，查询速度变得非常缓慢，甚至导致应用无法响应。企业大多已经建立数据仓库，因此普遍采用“让大模型在数据仓库宽表中查询”的方式，以提升速度。但这样一来，宽表建模所花费的时间又不可忽视。 - **呆板生成**：如前所述，企业普遍采用宽表查询的方式。这需要提前通过建模生成一张宽表，缩小查询范围以提升准确率和效率。但二次建模带来的交互复杂度随之上升。用户需要一个更灵活的数据模型，能够应对任意问题，而不是先制作一张宽表再去回答——这会使交互过程变得呆板。 ### “大模型+图模型”可以解决错、慢、呆三大问题，让数据分析实现高质量升级 图模型由数据和业务元素组成，其中数据源自数据库，业务元素源自知识库。大模型+图模型解决方案的核心在于：纯粹的大模型方案只改造了交互层，没有触及数据层。而通过图模型来表示数据层，就可以解决错、慢、呆三大问题。 - **准确率提升30%左右**：图模型通过两个方面缓解大模型幻觉。第一，全局可视化让提问更准确。图模型采用三元组描述数据，既呈现数据，又体现数据之间的业务关系，相当于企业的“数字孪生体”。用户可以方便地了解全局业务逻辑（在权限允许范围内），从而更准确地提问。第二，向系统提供更多提示词。系统理解用户问题时，可以从图模型中获得更多上下文信息，作为prompt输入大模型，提升准确率。据图模型技术厂商欧拉智能的实验数据，图模型可以将大模型生成结果的准确率提升30%左右。 - **即时人机对话**：基于图游走技术的数据分析系统，避免了传统关系数据库跨表分析慢和二次建模带来的时间成本。需要留意的是，国内外有多款图计算引擎，计算速度差异较大，商业化图计算引擎明显优于开源引擎。基于图模型，用户即使没有数据分析背景，也可以通过可视化界面自行配置业务规则，做到实时建模，无需协调数据分析团队介入，大大节省时间。 - **可视化实时建模**：“大模型+数据仓库宽表”的处理方式，导致用户仍然需要数据分析团队帮忙建模制作宽表，排队问题依旧存在。核心原因在于用户通常不懂SQL语言，遇到任何专业问题都绕不开数据分析人员。大模型+图模型解决方案一般提供可视化配置页面，业务人员可以自行实时建模，交互从呆板变得灵活。 不仅如此，图模型还有另外两项优势。**一是总拥有成本低**。传统数据仓库需要大量人力进行模型开发，而图模型仅需一次建模，后续没有二次建模投入。**二是有利于跨部门决策**。图模型作为企业的“数字孪生体”，企业员工无论是做重大决策还是日常决策，都能获得全局视图。比如管理层制定供应链策略时，不仅要考虑供应链本身，还要考虑生产、渠道等部门可能受到的影响，基于全局视图更有利于制定最佳策略。 ### 项目需求：满足业务人员开箱即用、灵活取数、实时计算的目标，助力一线精细化运营 面对运营分析需求的爆发式增长，这家大型国有企业的数据繁多且复杂。每个分析主题都需要单独建模，而且依赖IT技术人员逐一提取工单数据。同时，该企业对一线业务人员的使用要求很高——不仅要学习基础的分析术语，还要熟悉计算函数。整个数据分析过程耗时长、效率低、维护成本高，已经无法满足快速多变的业务分析需求。业务人员在分析术语和计算函数学习方面成效不佳，抱怨声不少。企业迫切需要转变分析流程，实现业务人员开箱即用、灵活取数、实时计算的目标。 ### 技术厂商：欧拉智能 该项目的技术提供方是欧拉智能，一家走“大模型+图模型”技术路线的企业。欧拉智能希望将图模型作为企业的数据底座，以图计算引擎为核心计算能力，快速串联客户内部散落在各地的数据，释放业务价值，减少技术人员的支持和参与，减少重复建模的过程。其核心产品是欧拉认知智能平台，不仅解决了纯粹大模型方案带来的错、慢、呆三大问题，还通过引入Agent技术带来更大价值。平台具备多个Agent，用户提问后，Agent会先判断任务类型（查询型、计算型、推荐型、预测型等），然后进行流程拆解，最后调用各种封装好的工具解决问题。Agent技术让生成结果的可信度和准确率进一步提升。 ### 解决方案：构建数据自服务，实现实时搜索分析，提效一线客户运营 欧拉智能认为，以数据驱动管理是未来趋势，在线自助分析工具是企业数字化转型的必备服务。该企业应面向一线人员，提供简单易用的实时分析工具，支持指标配置化、数据可视化、分析智能化，实现一线自助个性化分析。 欧拉智能的解决方案技术架构分为五层：数据层、图模型层、智能层、配置层和应用层。通过这一架构，欧拉智能为该企业构建了包括自服务平台、网络通、业务大厅和ICT在内的多个应用。

图表2：欧拉智能解决方案技术架构

- **数据层**：盘点该企业业务数据资产，包括ERP账务、票据中心、数据中心、ICT平台、地市集中库、本地数据等，为建立图模型做准备。 - **图模型层**：基于数据资产建立图模型，包括集团产品收入模型、集团产品订购模型、集团产品欠费模型、业务管理模型和集团产品使用模型等六个部分。图模型层还有欧拉智能自研的图计算引擎，支持取数、计算、推荐、预测等数据分析需求。 - **智能层**：欧拉智能综合考虑模型成本和推理速度等维度，为该企业匹配合适的大模型。智能层构建了多个Agent，用于判断问题类型、流程拆解以及调用引擎里封装的多项工具。 - **配置层**：欧拉智能提供可视化规则配置界面，用户不仅可以看到全局视图（在权限允许范围内），还可以进行可视化实时建模，无需再在数据分析工单队列中排队。 - **应用层**：基于企业需求构建多个应用，包括自服务平台、网络通、业务大厅和ICT。 ### 项目收益：用数效率提升至原来的14倍 该企业一线业务人员的数据获取和分析时间，从平均7天降低到0.5天。系统建成后的3个月内，快速推广至6个不同业务部门，活跃用户从200+迅速增长至1000+，支撑了20多个不同场景的实时分析和灵活用数需求，减少内部取数、分析工单1500+，大幅提升了各业务专题分析需求的效率。该企业项目负责人评价：“欧拉认知智能平台的功能很好用，也很喜欢这种便捷式的自助查询和分析工具，确实可以提高工作效率。” **结语** 当前数据分析领域正站在一个转折点上，大模型和图模型的结合预示着一场深刻的变革。这场数据革命不仅将重塑企业数据分析流程，更将推动企业决策进入一个全新的智能化时代。通过提高数据分析的准确性、速度和灵活性，企业能够更快地响应市场变化，更精准地制定战略决策，更有效地优化运营效率。随着技术进步和应用深入，数据分析的未来将更加注重自助服务和实时交互，数据分析不再是少数专业人士的专利，而是成为企业各级员工日常工作的一部分。这不仅将极大提升工作效率，还将促进数据文化的普及和创新思维的培养。这场由大模型和图模型共同引领的数据革命，将帮助企业在激烈的市场竞争中占据先机，实现持续的增长和发展。