解码瓴羊：一群最懂数据的人如何让AI真正无处不在？|ai|知识库|算法

机器之心原创

作者：吴昕

三年走来，每一步都「作数」。

懂场景者得 AI

短短一年多，全国已有 197 个 AI 大模型完成备案，行业大模型占比近 70%。伴随这一快速增长的趋势，一个现实问题不容忽视，如果不能和普通商家的现实需求紧密结合，大模型体验再好，也无法帮助大模型厂商自动完成商业闭环：

扎堆商场一楼的新能源车销量大不如前，如何让高昂租金的产出性价比更高？

某大型服装厂的数据表累积超过 3 亿多行，如果提炼不出价值，就只是成本；

因为数字转型做得早，一堆业务系统竖起的数据「烟囱」让某乳业大品牌进退维谷；

答非所问、反应滞后、人工客服难找，智能客服一直在挑战人的血压极限；

算法是智力，算力是体力，数据是血液，「但让 AI 真正飞入寻常百姓家的关键，在于与具体场景的深度融合。」9 月 20 日，瓴羊智能科技（以下简称瓴羊）在 2024 云栖大会上举办了「 Data×AI ：企业服务智能化，价值增长新动能」专场论坛，阿里巴巴集团副总裁、瓴羊智能科技 CEO 朋新宇在论坛发言中说道，归纳成公式就是「（无处不在的）AI =（算法+算力+数据）x 场景」。

「 x 」强调了两边元素的放大作用，一个是指 AI 带来的体验提升，至少要 10 倍好于过去，不然就只是一个外挂。另一面，即使拥有先进算法、强大算力和海量数据，如果不能与具体业务场景紧密结合，AI 价值也无从谈起。

卷场景：大模型掷地有声

瓴羊，作为阿里巴巴的全资子公司，今年迎来了它的第四个年头。看起来「年轻」，实际上资历很深，集合了阿里最懂数据的一群人，其中带头者朋新宇已经是一个在阿里工作了 20 年的数据老将，也是阿里巴巴数据中台的创立者。

瓴羊专注数据要素服务，推出了五大产品矩阵，覆盖了从底层数据治理到顶层业务应用的数据生命全周期。

最引人注目的是应用侧，分析（Quick BI）、营销（Quick Audience）和客服（Quick Service）三款产品涉及所有企业应用的「最大公约数」，也是企业预算最多、最易沉淀数据并与 AI 产生「化反」的业务场景。

第二层是数据侧，包括数据中台 Dataphin 和「瓴羊港」。前者负责企业数据治理工作，确保数据的质量、一致性和可用性，也容易与 AI 结合。后者像是管道，专注数据在企业外部的高效流通，为整个生态提供源源不断的数据活水。

至于基建侧，瓴羊定位自己是一家产品公司，因此年初看到 OpenAI 推出 GPTStore 时，团队没有太过纠结就做出决定，不去跟风「卷」大模型，坚定应用好大模型。

他们选择阿里通义千问作为通用底座，结合专业知识和行业数据，「炼出」不同领域的垂直小模型（如 BI 领域模型），将大模型能力「揉进」几款产品（Quick BI、Quick Audience、Quick Service 和 Dataphin），直接为客户创造价值。

商业智能（BI）工具是每一个迈向 AI 时代商家的标配，BI 技术也从传统 BI、敏捷 BI 逐渐进化到智能化 BI。敏捷 BI 时代，用户可以通过拖拽、点击更直观地与数据交互，随着大模型为 BI 引入革新性生成式分析体验，智能化 BI （如瓴羊 Quick BI ）时代，原本高门槛的数据分析变得像对话一样简单。

智能问数（ChatBI）就是一个颇具代表性的例子，体现出自然语言到 SQL 的技术转换。该功能支持即席查询、覆盖关键问数场景，在复杂计算的兼容性、模糊语义识别方面，表现尤为优异，即使毫无技术背景，用户也能轻松对「数据」发问。

如电商平台销售场景中，想了解销售额大于1万的省份这类问题，就体现了智能问数（ChatBI）二次复杂计算能力

对于模糊语义的识别，当前智能问数（ChatBI）也能轻松识别并理解。如提问中「小郑」定位到「郑强」。

这种智能化的 BI 工具正在解决实际业务中的痛点。以某知名乳业品牌为例，其供应链管理面临两大难题。

一个是查询数据报表的灵活不足，固定报表一般按天甚至月计，满足不了灵活多变的业务需求。求数据开发人员，要等三天才能拿到报表。

另一个是人工报表搭建周期长，成本高，导致异常诊断分析复杂，缺乏多维度目标差异比对分析，「看板」只展示数据，还不能自动分析问题原因。

Quick BI 帮助客户在内部建立起智能问数体系，支持自然语言问询，无论是日常工作、业务会议还是出差途中，业务人员都能快速获取数据、检索资产，还能进行丰富的指标分析。

由于结合了传统统计算法和大模型，Quick BI 可以深度解读图表和补全信息，揭示业务数据背后故事，高效定位原因，真正辅助商家作出决策。

而在营销领域，随着移动互联网用户和流量见顶，企业相关预算分配更加谨慎，从「种草」走向「转化」，更看重「确定性机会」。

以某床垫品牌为例，线上渠道有 9 个，线下门店多达 5600 多家，如何定位「正确的人、在正确时间，说正确的话」，提升转化率？「双 11 」大促，用什么办法激活老会员复购？不少商家苦于平台「沉睡人群」即将流失，却无有效抓手叫醒他们。

现在借助大模型，瓴羊 Quick Audience 的「门店智能营销助手」可以快速「圈定」目标用户，缩短营销创意时间，并优化沟通时机，显著提高触达率。

例如，某知名服饰品牌天猫平台的「沉睡人群」即将流失，商家借助 Quick Audience 迅速「圈定」北京、上海、广州共 42 家门店 5 公里内常驻或工作的「沉睡人群」，在预测设备活跃时刻推送瓴羊超信，实现目标人群的线下门店召回，到店率提升 18% ，线下转化率提升 35% ，全渠道转化率提升 40% 。

而 Quick Audience 的另一个新功能「智能采集分析助手」成功将数据团队从数据采集（「埋点」）这种典型的 dirty-work 中解放出来，以全自动、可配置的方式，一站式完成埋点采集及业务分析应用。

某头部车企，供应商采集埋点开发成本高，周期长，质量把控困难，通过使用智能埋点助手，节约供应商埋点开发人力采购成本 9 成，项目实施周期缩短 50% ，埋点相关数据故障降为 0 。

除了分析、营销场景，当前，智能客服也存在诸多不足，如常常答非所问、维护知识库仍靠人海战术、一线客服效率低下，导致客户投诉频发。为此，瓴羊 Quick Service 2.0 借力大模型，有效解决了这些不足。从效果上看，解答准确率提升至 93% ，人工客服处理问题所需时间从 10 分钟缩短至最快 5 秒，知识库部署所需时间从 7 天缩短至 5 分钟。

卷数据：从治理到流通

除了利用 AI 大模型重构分析、营销、客服三大企业级智能应用，负责数据治理的中台 Dataphin 也迎来最大变化—— 加入了 DataAgent 。现在，只需三步，就可以构建企业专属的数据资产智能体，这也是业内首个场景化智能找数方案。

建立企业数据资产全景和目录是 Dataphin 主要能力之一，现在，借助大模型，将企业数据资产目录构建为一个智能知识库，通过对话就能快速摸清「家底」，还能帮助用户快速定位业务相关数据资产。在个性化数据分析能力上，现在可辅助自动生成 SQL 代码，可链接即席查询和 BI 分析执行看数。

其实，在瓴羊成立之初， Dataphin 就已经经过阿里巴巴和众多企业的实践磨砺，被成百上千的客户应用，它的诞生直指当前中国企业在数字化转型过程中面临的首要挑战：数据「脏乱差」。

如台州银行在数智化升级之前，存在数据标准缺失、指标口径不统一、缺失统一清晰的数据资产盘点等问题。类似的问题也出现在其他行业，如某大型服装企业的营收金额统计，需要计入商场扣点、财务扣税等因素，因为各渠道数据口径不统一，每日的营收数据竟会出现高达数十万元的偏差。被企业视为经营压舱石的「四率二效」指标也因流程不规范，掺杂了各利益方的主观意愿。

而 Dataphin 通过标准化数据处理流程，统一数据口径，并提供全面的数据资产管理，帮助企业建立起可靠、一致的数据基础，为数字化转型铺平道路。Dataphin 最初源于阿里这个「超级工厂」的实践经验，因此在推广初期，瓴羊主要将其引荐给了与阿里规模相当的大型客户。

为了让更多企业能够用上好的数据工具，治理好数据，瓴羊针对性地进行了一系列改进，如针对私有化部署高成本和公共云标准化限制的痛点，Dataphin 通过重构治理方式，提供半托管服务，将部署时间从几天缩短到 1 小时，同时保持了个性化服务。

过去两年，瓴羊在数据领域取得了显著进展，不仅针对数据治理这一企业常见难题持续迭代升级 Dataphin 产品，还针对数据数量和流通这一更具挑战性的问题，推出了数据流通枢纽——瓴羊港。

数据不仅具有使用价值，还蕴含着巨大的交易价值。然而，如何让数据像淘宝上的标品一样高效流通，成为了一个亟待解决的问题。恰逢其时，2023 年 10 月 25 日，国家数据局正式揭牌，为数据流通提供了政策支持。「以数据促进融合发展」成为这家新机构的核心思想之一，而数据流通正是破解数实融合发展堵点的关键。

朋新宇敏锐地观察到，相比于前几年出于安全考虑而「踩刹车」的政策导向，国家数据局的成立有望起到数据「发动机」的作用，驱动企业间的数据流通。顺应这一趋势，瓴羊在 2023 年云栖大会上推出了瓴羊港，旨在破解企业长期面临的数据缺失、数据资产难以管理、外部数据无法融通等关键问题，提供「寻、买、管、用」一站式数据服务，帮助企业实现数据驱动的业务增长。

瓴羊港发布近一年，已达成和 30 多家头部数据方的紧密合作，目前平台上流通的应用场景和行业标签多达 3000 多种。