“在数据分析领域，降低门槛和提升效率是贯彻始终的追求。”
2024年4月24日，首场“会数据同学”走进标杆系列活动——「走进雅戈尔」，在浙江宁波举办。此次活动由瓴羊与宁波服装行业巨头雅戈尔联合主办，其宗旨在于探究雅戈尔的数智化转型成就，了解服装行业数智化升级典型范例，沉淀通用路径和方法，为更多意在数智化升级的企业 
提供范本。
活动主要围绕数据在实践中的运用展开，对数据构建、治理、分析和应用等多个方面进行了深入的交流，分享了具有实际操作意义的经验。瓴羊数据系统总经理董芳英在活动上分享了关于“AI时代的智能分析”的主题内容，并展示了相关实践案例。
降低门槛、提升效率：让数据更“有用且易用”
在企业的数智化升级过程中，一个经常被提起的问题——业务团队和数据团队之间的相爱相杀。一方面，业务团队常常感到他们所需的数据支持未能得到满足，这让他们觉得求人难；另一方面，数据团队则感到自己的辛勤工作未被认可，面对大量且不断变化的需求，开始质疑自己的工作价值。 弥合业务团队与数据团队之间的分歧至关重要。数据专业人员可能对业务术语不够熟悉，而业务人员可能难以精确表述他们的数据需求。因此，建立一个有效的沟通桥梁尤为关键。业务团队的核心需求是能够更便捷地检索数据，最好能够不求人、自主地整合所需信息，减少对外部支持的依赖。数据团队则需要考虑如何通过实施更系统化、框架化的解决方案，来提升支持业务的效率和效果。 总体来讲，在数据分析领域，门槛的降低和效率提升是贯彻始终的追求。
AI时代的智能分析：让数据分析更“有效且高效”
模型大小规模对于性能有着显著影响。量变引起质变，一般当模型达到10B级以上，性能就会出现明显的差异化；其次，数据的重要性不容忽视。更大规模的预训练数据和更高质量的标注数据能够显著提升模型性能，并有可能减少所需的模型规模。因此，企业在考虑将AI和大模型与内部业务结合时，首先需要考虑的是选择合适的模型参数和数据基础。 瓴羊Quick BI 在分析领域和大模型结合的实践中，有三个重要核心： 1.选择合适的基础大模型。合适的模型并不意味着参数越大越好，因为较大的模型参数可能会导致推理过程中的响应时间延长，从而给用户带来不佳的体验。此外，模型的规模越大，对计算资源的要求越高，企业需要承担更高的成本和代价。
2. 重视数据质量。不同的分析领域都有其独特的理解和语义。例如，排名排行、分布趋势、对比增长等，大型模型可能无法直接完全理解和解读这些概念。因此，我们会在基础大模型上融入BI领域的专门训练语料，并在此基础上进行微调。这让客户无需再做参数级的海量训练，从而显著降低成本。 3. 确保业务数据的质量。在Quick BI上，我们构建了两层关键能力：一是，在通用大模型上，基于BI领域进行微调；然后，整合具备建模、加速、渲染、OLAP能力的BI引擎，在大模型基础上，针对自然语义进行推理，提供相应的分析和服务能力。简单来说，第一层是搭建，第二层是问数。 搭建说得俗一点，就是很多企业都会做的搭报表工作。这通常是一项繁琐的任务，即便表格不够美观和吸引人，也有可能被业务挑战。Quick BI能够承担从报表创建、生成到洞察以及美化的整个工作流程，Quick BI的智能小Q则涉及辅助分析的工作，包括智能问数、智能搭建、智能洞察，企业看数、问数不仅是简单要数，更包括对数据的深入理解和分析，从而为业务决策提供有效的支持。
以一家快消品牌客户为例，通过将智能小Q集成到供应链管理系统里，客户可以轻松执行三项关键任务：首先是问数，例如识别仓库里哪个滞留订单比较多；其次是分析这些订单滞留的主要原因，利用此前沉淀的算法提供分析结果，指出订单滞留可能跟仓库所在地区的极端天气变化有关，或跟销量预测的供需关系不精准有关系；第三是提供建议，通过构建企业内部的知识库，将过去处理订单积压问题的经验和解决方案集成到系统中，使用户能够通过这个平台查询原因、寻找历史处理方法，从而实现问题的端到端解决。
当然，自助式分析能力的优势不止如此。我们经常和数据分析师打交道，他们总自嘲是“抠数师”。他们的工作主要分为两部分：首先，他们需要查看多个数据表格，检查与自己相关的数据是否已经更新。其次，他们需要从各个报表里抠出对应的数据组装成报表，给老板等管理层看。借助Quick BI，数据分析师只需勾选他们关注的数据，每天只需看相关数据，而不必关注看板里跟他无关的东西。对企业内的业务人员来说，只需要关注自己“一亩三分地”的数据，这样既提高了效率，也简化了工作流程。
1NN决策体系，让数据更统一，策略更咬合
最近跟企业的CIO和数据人员交流的时候，他们经常提出这样的问题：AI催生了数据民主化，每个人都要自己分享和使用消费数据，这样是否意味着一个企业里的数据口径满天飞，难以控制，且让成本变得更高？如果只是纯粹地放出数据权限，不做标准化管理，那么混乱将不可避免地发生。 为解决这一问题，我们认为应将分析工作转化为数据团队的产品化输出。这意味着团队需要培养复用性、框架化、体系化和扩展性的思维方式。基于这一理念，我们提出了一种分析理念：1NN，这是一套基于数据的企业管理语言。 1NN数字化的决策体系的第一层是公司的决策层，主要做战略层面上大的战略决策和判断，往往看的是大数。第二层是管理层，需要承接决策层的战略意志，同时制定下发的具体策略。最后一个N，可以理解为执行和运营层，这个层级的数据和执行会反馈到前面。三个层级串联起来，最后构建了一个完整的分析体系。 在具体执行上，我们来看1NN的实效。在最后一个N上，虽然看似只是数据看板，但其作用却非常有趣，我们称之为“目标一致，策略协同，通过比较激发斗志”。第一个是业绩表现，尽管员工无法获取公司的整体数据，但他们能够了解自己的排名，以及自己团队与其他销售团队相比所处的位置。此外，他们还能看到公司的优秀标准和平均水位线，了解自己与业绩激励的目标之间的差距；第二个是销售人员可以看到个人在小团队里的排名，以及从与公司优秀标准的对比中找到自己的位置。 在一个工业制造案例中，全球化客户面临预测和实际之间存在较大差距的问题，预算数据分散，难以有效整合，导致缺少数据的指导。1NN架构通过分析预算和实际之间的差距，例如，将企业内部全球工厂的报表在作战室里直观展示，从一个场景快速看到效果，继而驱动企业汇总数据，最终全面改善数据治理。
