随着企业对数据驱动决策的需求不断增长，数据分析流程的效率和准确性成为关键。然而，传统数据分析常常面临沟通障碍、高昂的人力成本以及低下的工作效率，导致管理层和业务部门陷入排队困境，分析团队则不得不常态化加班。本文探讨了大模型技术的兴起如何引领数据分析的升级，并通过引入图模型，解决了大模型数据分析中的准确性、速度和灵活性问题。大模型以其强大的自然语义理解能力，允许用户通过自然语言与数据分析系统直接对话，实现自助式数据分析，显著提升了数据分析的效率和用户体验。然而，单一的大模型解决方案存在生成结果的错误、查询速度慢和交互过程呆板等问题。为了克服这些挑战，图模型的引入提供了一个全新的视角，通过结合数据和业务元素，提升了数据分析的准确率，实现了即时人机对话，并允许用户通过可视化界面进行实时建模，从而让数据分析更加灵活和高效。本文还介绍了一个大型国有企业如何通过构建数据自服务平台，实现实时搜索分析，大幅提升了一线业务人员的用数效率，将数据分析时间从平均7天缩短至0.5天，显著推动了企业数字化转型的步伐。这一实践案例展示了大模型与图模型结合的强大力量，预示着数据分析流程的革命性变革，让企业数据分析真正告别了排队与加班的时代。01

大模型引领数据分析大升级，让“排队与加班”成为过去式

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，一个显著的痛点正在逐渐浮出水面——“排队与加班”已成为管理层、业务部门和数据分析团队的共同困扰。随着企业向“数据驱动”和“精细化运营”转型的步伐加快，数据分析的需求日益增长，数据分析团队每月的工作量也随之攀升至新高。然而，需求方与数据分析团队之间存在的沟通障碍，导致了效率的严重低下。需求方从业务角度出发，而数据分析团队对业务的理解可能不够深入，难以迅速建立需求与数据指标之间的“映射关系”。当分析结果出炉，双方在沟通上的困难同样显著，导致返工重做的情况屡见不鲜。此外，数据分析团队的人力成本高昂，且往往不直接参与一线业务，团队规模受限。以北京地区为例，数据分析师、数据工程师和数据科学家的年薪分别在20-25万元、25-40万元和50-100万元之间，属于中高收入群体。在当前经济复苏不达预期的背景下，企业更加重视员工规模控制，尤其是对那些不直接产生收益的团队。数据分析需求的激增、团队规模的有限以及双方沟通效率的低下，三者叠加，使得管理层和业务部门面临排队的困境，而数据分析团队则陷入了常态化加班的窘境。大模型破除数据分析痛点，引领数据分析大升级在全球范围内，无论是跨国巨头还是新兴创业公司，都已被卷入由大模型引发的变革浪潮之中。经过一年的探索与论证，越来越多的企业计划在2024年将大模型落地。Gartner的报告预测，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，并部署启用生成式AI的应用。大模型，作为生成式AI的核心，正引领着数据分析的全新升级。大模型以其卓越的自然语义理解能力，能够理解用户的问题，并基于文本生成SQL语句，自动从数据库中提取数据并进行分析。随后，大模型还能对分析结果进行解读并生成报告。对于需求方而言，他们可以直接与大模型加持的数据分析系统对话，实现自助式数据分析。数据分析因其明显的价值和强大的落地可行性，成为大模型落地的热门场景。据爱分析的调研发现，数据分析是企业在2024年关注度最高的应用场景之一。在准备在2024年落地大模型的企业中，有78%计划在数据分析场景中应用，视其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

02大模型+图模型，让数据分析实现高质量升级只依赖大模型，数据分析升级难成功尽管许多企业试图通过大模型直接与企业内部数据对话，但真正的落地并非仅靠Text to SQL就能解决。一些“大模型+数据分析”的项目在落地后，虽然自然语言的交互方式给人带来了新鲜感，但因体验不佳而难以真正投入使用。具体而言，纯粹的大模型方案会导致生成结果出现错、慢、呆三个方面的问题：

• 错误生成：大模型先天存在幻觉问题，生成内容准确度较低。CEO、COO等非技术类高管普遍重视大模型创新项目，通常会一同参与验收环节。错误的回答不仅会导致项目验收失败，而且容易使企业高管降低对大模型的信任度，进而影响后续的一系列大模型创新项目的开展。当然，大模型面对“上周xx产品的销售额是多少”等简单取数类问题，准确率很高。但在这些用例中应用大模型的价值非常有限，毕竟需求方和数据分析团队沟通或者用传统的数据分析工具来取数，都可以便捷完成。

• 慢速生成：数据分析时常遇到连接多张表的需求，这意味着数据库需要处理更多的数据，执行的复杂度更高。这将导致查询的执行速度变得非常缓慢，甚至应用程序无法响应。企业大多已建立数据仓库，因此普遍采用“让大模型在数据仓库宽表中进行查询”的方式，旨在提升查询速度，但因此增加的宽表建模时间不容忽视。

• 呆板生成：正如前文所述，企业普遍采用“让大模型在数据仓库宽表中进行查询”的方式。该方式下，企业需要通过建模生成一张宽表，以便缩小查询范围来提升查询准确率，以及提升查询效率，但由此带来的二次建模会导致交互的复杂度提升。用户与系统交互的过程中，需要一个更加灵活的数据模型，可以应对提出的任何问题，而不是制作一张宽表再去回答问题，这会导致交互过程变得呆板。

“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，纯粹的大模型方案仅改造了交互层，而未触及数据层。通过图模型表示数据层，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来缓解大模型幻觉。一是全局可视化让提问更准确。图模型采用三元组的方式来描述数据，既呈现了数据，又体现了数据之间的业务关系，可以视为企业的“数字孪生体”，用户可以非常方便地了解全局的业务逻辑（在权限允许的范围内）。因此，用户面向数据分析系统提问时，可以描述地更准确。二是向系统提供更多的prompt（提示词）。系统在理解用户问题的时候，可以从图模型中获得更多上下文信息，将其作为prompt输入大模型，便于提升准确率。图模型技术厂商欧拉智能实验数据表明，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，可以避免传统关系数据库跨表分析慢和二次建模带来的时间成本。特别注意，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由于开源引擎。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，做到实时模型，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让数据分析团队通过建模制作宽表，排队问题依旧存在。出现该现象的核心原因在于用户通常不了解SQL语言，遇到任何专业技术问题都绕不开始数据分析人员。大模型+图模型解决方案一般具备可视化配置页面，业务人员自行实时建模，让交互从呆板变得灵活。

不仅如此，图模型还具备另外两项优势。一是总拥有成本低。传统的数据仓库需要投入大量人力成本进行模型开发，而图模型仅需要一次建模，后续无二次建模投入。二是有利于跨部门决策。图模型可以视为企业的“数字孪生体”，企业员工无论做重大决策还是日常决策，均可以获得全局视图。例如，企业管理层制定供应链策略时，不仅需要考虑供应链相关情况，还应考虑生成、渠道等部门可能受此产生的影响，基于全局视图有利于制定最佳策略。

03 

最佳实践：某大型国有企业搭建数据自服务平台，用数效率为原来的14倍

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，某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，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也很高，不仅需要学习基础的分析术语，还需要熟悉计算函数。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的成效不佳，且不满声音较多。该企业需对分析流程做出转变，以满足业务人员开箱即用、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方为欧拉智能，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，以图计算引擎作为核心计算能力，快速串联客户内部散落在各地的数据，并释放业务价值，减少技术人员的支持和参与，减少重复建立数据模型的过程。欧拉智能的核心产品为欧拉认知智能平台，它不仅解决了纯粹大模型解决方案带来的错、慢、呆三大问题，而且通过引入Agent技术，为企业带来更大作用。欧拉认知智能平台具备多个Agent，当用户提问之后，Agent会优先任务类型，例如查询型、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来解决用户问题。Agent技术让欧拉认知智能平台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的发展趋势，在线自助分析工具是企业数字化转型的必备服务。该企业应该面向一线人员，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。欧拉智能解决方案技术架构分为五层，包括数据层、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。在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，模型推理速度等维度，为该企业匹配合适的大模型。欧拉智能在智能层构建多个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：欧拉智能为该企业提供可视化规则配置界面，用户不仅可以看到全局视图（在权限允许的范围内），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：欧拉智能基于该企业需求，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。系统建设完成后的3个月内，快速推广至6个不同的业务部门，活跃用户从200+迅速增长至1000+，支撑了20+不同场景的实时分析、灵活用数的场景，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，并更有效地优化运营效率。随着技术的进步和应用的深入，数据分析的未来将更加注重自助服务和实时交互，使得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。这不仅将极大地提升工作效率，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。