在數據驅動的時代，數據分析已成為各行各業決策的關鍵。然而，金融、制造、零售等行業客戶在數據分析過程中仍面臨諸多挑戰。作為行業領先的數據智能產品提供商，數勢科技憑借自主研發、基於大模型增強的智能分析助手SwiftAgent，多次榮獲行業諸多獎項，並贏得眾多客戶的青睞與合作。那麽這款產品為何能快速得到市場認可，我們將從客戶面臨的切實痛點出發，逐步剖析Agent架構結合語意層的新範式，進而展示其針對使用者痛點的產品功能，並透過實際案例詮釋其如何助力企業實作「數據普惠化」的願景。
業務人員需簡單易用：缺乏低門檻且高效的數據分析工具
「盡管我們滿懷熱情，渴望深入挖掘數據背後的真相以驅動決策，然而SQL的復雜性卻如同一座高山，讓非技術人員望而卻步，大量的寶貴時間被耗費在了查詢語言的學習上，而非直接轉化為有價值的洞察與行動。雖然BI工具以其數據視覺化能力為分析工作增色不少，但每次需要技術團隊親自下場配置數據集和報表，其過程的繁瑣與復雜性依舊令人感到無助。」
從業務人員視角來看，他們面臨的主要痛點是缺乏高效的數據分析工具。為了進行數據分析，業務人員不得不自學SQL語言或使用復雜的BI工具，這不僅增加了學習成本，還降低了工作效率。在獲取數據後，他們還需從海量數據中手動挖掘洞見，匯出Excel並制作透視表來獲取結論。在與客戶的溝通中我們發現，許多團隊希望以自然語言互動的方式，更快速地從數據中獲取洞察，以輔助日常決策。同時也涉及到客戶的分析師團隊，他們舉了一個很無奈的例子，說出了眾多分析師的心聲「我們就像Excel的奴隸，日復一日地沈浸在數據的匯入、整理與分析之中，這些重復而低效的任務不僅消耗了團隊的精力，更成為快速響應數據、提供決策支持的巨大障礙」。
管理團隊需即時洞見：現有數據產品無法快速產生深度結論
"每當董事會要求對數據迅速做出反應，我總是希望能即刻獲得精準的結論。但遺憾的是，當前的數據大屏雖能提供表面的數據概覽，卻難以深入挖掘其背後的故事。要獲取更深層次的分析，我還需手動在資料倉儲中構建查詢，這一過程既耗時又不便。「
「我們的駕駛艙在數據視覺化方面確實做得不錯，讓數據一目了然。但在解釋數據背後的原因，解答業務中的‘為什麽’時，它卻顯得有些力不從心。它像是一個優秀的展示者，卻未能成為一個深入的分析者。"
這些真實的客戶管理層聲音例子反映了一個通用的訴求：管理團隊需要的不單是數據的視覺化展示，更是對數據的深入理解、快速獲取結論和基於數據深度挖掘的原因解釋，對數據分析工具的智能性和即時互動性有著更高的要求。從管理團隊視角來看，盡管企業耗費大量精力建設了資料倉儲、數據湖以及大屏、駕駛艙等工具，這些工具在一定程度上解決了領導層面看數據的問題，但很多數據產品仍停留在固化形式的看板階段。對於決策層而言，數據並不等同於洞察。當需要對某些細分的業績指標進行深入分析時，仍需向分析團隊提出需求，並等待漫長的分析結果。
同時，領導層更關註「為什麽」的問題，如公司業績下滑、門店銷量不佳等，而現有的視覺化、駕駛艙等工具只能提供「是什麽」的答案，無法觸及數據背後的關鍵原因。因此，領導層迫切希望能夠透過自然語言提問，如「為什麽指標下降？」，並即時獲得系統的結論性回答，這是大模型技術結合數據所能提供的價值。
技術團隊需標準化能力：現有數據分散與指標口徑不一致
"雖然公司有眾多部門在使用數據，但每個團隊對同一指標的定義卻截然不同，沒有統一的數據口徑和解釋標準。這種不一致性給跨部門的溝通和決策帶來了混亂」
"每次業務人員新增一個指標開發需求，都希望我們能半小時內提供相應的指標。現狀是,雖然我們已經在數倉加班加點開發了，但還是被業務團隊說反應慢，有苦說不出"
同樣，在與客戶的技術團隊溝通中我們發現，數據開發，數倉工程師等等角色都面臨著更多的挑戰。盡管資料倉儲已經搭建完成，但業務方總是提出各種臨時性需求，導致資料倉儲集市層建立了大量臨時ADS表，並維護了多種臨時性口徑。這不僅使數據變得分散，還導致了指標口徑的不一致。
為了應對這些痛點，數勢科技提出了利用大模型Agent架構來改變原有範式的解決方案——SwiftAgent 大模型數據分析助手。
大模型的Agent架構結合指標語意層 加速數據民主化行程
我們簡單透過一張流程圖，展現一下上面提到各個角色的痛點。原有模式為業務方提出需求，技術團隊采購BI工具供業務方使用。然而，這些工具往往過於復雜，面對BI報告時，業務方常因技術術語或工具不熟悉而感到困惑，難以有效利用數據指導業務。同時，數據分析師雖然精通BI工具，但面對龐大的需求數量，人員顯得嚴重不足，難以迅速響應並滿足業務方的數據需求。數據產品經理經常需要指導業務人員如何使用BI工具，但由於各種原因，往往難以教會其使用。最後，數據工程師，即我們常說的「表哥」、「表姐」們，專註於數據處理和ETL工作，卻常因「ETL任務繁重」或技術難題，難以高效完成數據處理，進而影響整個流程的順暢進行。因此，數勢科技提出了Agent架構加語意層的新範式，旨在降低業務團隊的看數門檻，讓大模型更深入地參與到數據分析的各個環節中，讓管理者以及業務人員透過自然語言的形式就可以精準且快速的進行查數，同時作為數據工程師來說指標不需要重復開發，一處定義即可全域使用。
當然，在Agent架構加語意層的新範式的推進過程中，也有另一種形態的產品，為了迎合「自然語言取數」這個場景，試圖抄近路使用大模型直接生成SQL,強行將大模型與BI進行了結合，完成了所謂的「數智化賦能」。因此我們在近期也收到了眾多前ChatBI客戶的吐槽與求助，下面簡單來談談二者的區別，為何這種模式經受不住長期考驗？
大模型直接生成SQL ChatBI為何經不住考驗？
「本以為引入ChatBI智能取數工具能是我們工作效率和成本控制的救星，結果卻成了準確性的噩夢。吐出來的數據，錯得離譜，害得我們不得不回過頭去，用最老套的手工提數方式一遍遍覆核，效率？不存在的！更諷刺的是，所謂的智能，現在讓業務部門對我們的數據可靠性投來了深深的懷疑目光。"
某國際零售巨頭的管理人員與我們深入的探討了ChatBI使用過程中的痛點，同時她提到一個具體的問題，比如問：「最近3個月銷量最好的Top3商品是哪些？這三個分別的好評率是多少？並生成報告解讀」，雖然看著很日常化的需求，但需要多個任務的銜接，不僅僅是數據分析，還要做排序、解讀，甚至歸因。該客戶使用的ChatBI平台顯然沒有給到準確的數據，在經過多部門的驗證發現，數據不僅存在嚴重偏差，而且連基本的商品分類都混淆不清，各區及跨平台的計算方式也讓人摸不著頭腦。
盡管NL2SQL技術以其快速響應與輕量化部署的優勢，為客戶勾勒了‘概念即落地’的美好藍圖，但模型產生的幻覺問題卻成了不可忽視的絆腳石。提數過程中出現的‘一本正經地胡言亂語’，徹底違背了我們對數據準確性的堅守，無法向客戶交付既迅速又精準的數據洞察，這無疑是對我們初衷的背離。
因此為破解NL2SQL模式提數不準的難題，數勢科技采用了NL2Semantics的技術路線。透過引入Agent架構，能夠首先將復雜的查詢請求拆解為一系列原子能力，隨後結合指標語意層進行深度解析。最終，大模型接收到的所有指令都會被精確對映到一系列預定義的要素上，如時間維度、地域維度、公司維度等。以該零售客戶的問題為例，大模型僅需將「最近三個月」辨識為時間要素，「商品」辨識為產品維度，「好評率」辨識為具體指標，並建立這些要素與數據之間的對映關系。這些指標維度對應的SQL邏輯片段，則是在數據語意層（Semantic Layer）中進行維護和管理的，總之，透過Agent架構加語意層的新範式，是給客戶提供準確數據的根基，更多關於指標語意層相關內容請關註「數勢科技」。
同時，為了應對客戶提出的各種難度問題，我們對SwiftAgent進行了符合業務場景的「靈魂拷問」，例如對「黑話」的理解能力、同環比與排序、模糊查詢與多維分析、多指標與多模型的關聯查詢，甚至是歸因分析與大模型協同等不同級別問題。最後，我們還嘗試了「維度過濾及查詢+模糊指標+同環比+歸因分析+建議「的五顆星（王者級別)問題即「某區域某商品的下單金額周環比為何下降，並生成報告解讀和趨勢圖表」，SwiftAgent智能分析助手能夠輕松應對。
在企業構建智能分析助手之前，每個門店經理在做月度復盤、技術復盤時都是依靠專業分析師在 BI 或 Excel 裏面做分析，成本、門檻很高。部署數勢科技SwiftAgent之後，實作了讓門店經理、不太懂數據的人可以直接透過自然語言的輸入，去做一些指標洞察跟分析。比如看最近 30 天的銷售額，首先會讓大模型去把這一段話去解析出來，裏面的銷售額、毛利是指標，30 天是日期，做日期推理，再對應到語意層把數據取出來。取到之後，還可以透過快速地點選，讓大模型生成一些視覺化的圖表。當發現指標異常時，可以讓大模型去排程一些歸因小模型，來做一些維度或者因子分析，實作快速洞察。針對維度特別多的問題，我們會透過一個維度歸因的演算法，快速定位到因子維度。原來一個門店經理可能要花 4 個小時才能夠知道，這一天毛利為什麽跌了，是什麽商品跌了，誰負責的門店跌了，現在透過自然語言互動即可直接生成結論。
數據查詢 零 門檻 業務人員也能輕松用數
數勢科技SwiftAgent采用AI對話式互動，結合大模型和AI Agent技術，讓使用者僅憑日常交流的語言（無論是文字還是語音）就能輕松查詢數據，無需掌握SQL或Python等專業查詢語言。還將用自然的方式引導使用者，即便面對「我想看一下最近的銷售情況」這樣的模糊查詢，也能迅速提供如「最近7天銷售額」、「本月北京地區銷售額」等具體回答，供使用者細化查詢。
同時，具備強化學習能力，能根據使用者的「點贊」和「踩」反饋不斷糾正錯誤、調整查詢，更加精準地滿足使用者需求。此外，SwiftAgent還將使用者過往的問答分析進行沈澱並強化學習結果，在相似問詢場景中直接提供結論及思考過程，展現出強大的思考及學習能力。其雙向互動功能更是將AI思考過程白盒化，讓使用者清晰可見，進一步增強了使用者體驗。數勢科技SwiftAgent讓數據查詢和分析變得像說話一樣簡單，無需技術背景也能0門檻取數。
數據分析、策略建議 零 等待 管理團隊即問即答
數勢科技SwiftAgent智能分析助手，為企業高管帶來了即問即答並且提供歸因分析與策略建議的數據分析體驗。傳統上，高管們需透過數據駕駛艙或大屏檢視指標，但深入分析或關聯分析時，往往需等待分析團隊響應，耗時長達數小時甚至數天。而今，借助SwiftAgent，無論是在PC端還是手機端，高管們都能隨時進行自然語言查詢、高階歸因分析及異常分析，無需等待秒級獲取企業核心經營數據。SwiftAgent不僅以圖表形式直觀展示業務結果，如柱狀圖、折線圖、環狀圖等，還輔以文字解釋，讓業務現狀、對比、趨勢一目了然，助力精準決策。
此外，SwiftAgent還能模擬專業分析師思維模式，針對不同行業生成客製化數據分析報告，並主動推播洞察，有效緩解企業人員不足、數據分析能力匱乏的問題，智能輔助管理團隊進行策略建議。在問題診斷和分析的基礎上，我們將數據分析的What、Why和How三個方面整合在一起，實作了能力的增強。例如，「當領導詢問這個月的毛利為什麽下降」時，我們不僅能夠按照商品維度精確提取毛利數據，快速定位毛利下降振幅較大的商品，還能結合企業已有的知識庫，將數據分析結果與標準操作流程（SOP）相結合，自動生成一系列針對性的改進建議。這樣的策略建議不僅詳實地呈現了數據和分析結果，還為使用者提供了明確的行動指南，有助於他們更迅速地做出決策。
SwiftAgent還將提供強大的數據趨勢分析能力，讓使用者能深入洞察指標趨勢異常，精確分析歷史時間序列數據，找到問題根源，並以報告形式總結呈現，全面提升數據洞察能力。數據趨勢分析的能力使使用者能夠針對過去幾天、幾個月甚至幾年的指標趨勢異常進行深入洞察。例如，使用者可以辨識出哪些指標是先降後增，哪些是先增後降，還有哪些指標可能呈現出波動性。在這個基礎上，我們可以對指標的歷史時間序列數據進行更精確的波動分析，幫助使用者找到每個指標趨勢異常的根本原因。同時，我們可以將這些趨勢分析的結果以報告的形式進行總結，最終呈現給每位使用者，以提升他們對數據的洞察能力。
統一口徑 零 幻覺 技術團隊無需反復校驗
前文提到數勢科技透過Agent架構加語意層的新範式，構建統一的指標與標簽語意層，即NL2Semantics體系，有效解決了大模型對底層業務語意理解難及企業數據口徑不一的問題。該體系首先建立了包括行業標準、指標、人貨場標簽等在內的易於理解的語意層，解決了數據「幻覺」問題，確保了數據準確、口徑統一且分析可溯源。指標一次定義，多次復用，無需反復校驗，大幅提升技術團隊的工作效率。
SwiftAgent采用的獨創數據計算加速引擎Hyper Metrics Engine（HME），透過智能化編排調優和一系列計算最佳化，解決了數據分析中的「不可能三角」問題，即在高靈活性的數據分析基礎上，實作了快速數據處理和低成本營運。解決傳統計算查詢效率低及效能弱等問題。底層選用StarRocks、Doris等高效數據分析引擎，結合對數據加工和使用場景的最佳化，以及數據虛擬化技術的套用，實作了亞秒級數據查詢和即時人機互動，極大提升了數據分析的效率和靈活性。
俗話說：「光說不練假把式」，下面我們將分享三個來自零售、快消品及金融行業頭部企業的實踐案例，展示數勢科技SwiftAgent智能分析助手如何在實際套用中助力企業實作高效決策與業務增長。
SwiftAgent智能分析助手實戰案例一：
攜手書亦燒仙草 共建大模型增強的智能門店督導助手
書亦燒仙草在新的一年裏明確提出了兩大核心目標：做大財務成果，做強顧客價值。這意味著企業不僅要在財務表現上實作顯著提升，還要在顧客體驗和服務價值上達到新的高度。為了實作這一目標，企業亟需轉變傳統的經營管理模式，向更加精細化、數據化的方向邁進。具體而言，這包括兩個層面的轉型：一是以產品為維度的精細化營運，透過建設統一的分析工具、統一的分析語言和統一的分析思路支撐戰略決策和管理。二是以門店督導為維度的精細化管理，透過智能督導助手的建設，賦能督導巡店效率和質素的提升，並為IT部門提效，降低運維成本。
督導作為連鎖加盟行業中連線公司與加盟商的關鍵角色，往往都面臨以下幾個挑戰：首先，資訊獲取困難，督導在巡店前需要獲取門店的基礎資訊、業績表現和存在的問題，但目前缺乏有效的工具和系統支持；其次，督導能力差異顯著，這直接影響了他們對門店經營的分析和指導能力；再者，新督導培訓面臨難題，新入職的督導需要快速熟悉營運標準操作程式（SOP）和策略，但目前缺少有效的平台和內容來支持他們的快速培訓和培養。這些挑戰導致了一系列嚴重後果：新開門店由於業績不達標，加盟商對品牌失去信心；老門店則面臨商圈變更和消費者線上轉移的雙重壓力，業績下滑，進一步影響了加盟商對品牌的信任。
智能督導助手與構建的指標平台無縫整合，全面考慮了一線督導的實際使用習慣，旨在大振幅提升工作效率和督導效果。其核心功能包括：
·目標設定： 精確明確門店巡檢的核心目的，涵蓋提升服務質素、確保營運標準執行、最佳化門店環境等多個關鍵方面。借助智能分析工具，以對話式界面直觀展示門店業績排名和同店對比分析，從而迅速釘選需要重點巡查的門店。
·巡店計劃： 充分利用智能分析工具的知識庫功能，精準確定巡店的具體地址及其他相關資訊。同時，借助強大的數據分析能力，明確每次巡店應重點關註的業績指標及其潛在波動原因。
·門店稽核： 運用智能分析工具，對門店的各項問題指標進行全面檢查。例如，一旦發現新品銷售情況不佳，系統會深入探究並歸因於「產品上新動作」等相關系列指標的問題，並即時呼叫知識庫中的相關文件和標準化操作程式（SOP），指導進行快速有效的問題糾正。
專案效果：最佳化門店管理、提升督導效率
快速數據獲取：透過快速數據查詢功能，督導能夠迅速獲取關鍵的門店營運數據，提高數據分析效率。
自動化巡店計劃：自動生成巡店計劃，使督導能夠更專註於門店管理和問題解決。
問題定位：智能督導助手能夠準確定位業績指標的下滑或波動的原因，幫助督導快速辨識關鍵因素。
有效業務策略：提供了基於數據分析的業務策略知識庫，幫助督導根據門店具體情況制定有效改進措施。
書亦燒仙草CIO王世飛表示： 「與數勢科技攜手後，實作了數據管理的根本性變革。現在，所有經營域的數據均源自統一的指標平台，這一舉措確保了數據看板的一致性，統一了團隊對數據的認知，並極大地簡化了數據尋找過程。針對那些缺乏現成看板的情況，我們提供了自助取數平台，使業務部門能夠自主下載數據、進行分析，無需等待我們的開發團隊，這一系列變革顯著提升了業務部門的滿意度。」
SwiftAgent智能分析助手實戰案例二：
攜手某國際快消品巨頭 智能最佳化訂單管理
在全球快速消費品市場的激烈競爭中，某國際快消品巨頭面臨著品牌分銷與經銷網絡的復雜性挑戰。線上線下多渠道並存，包括電商、大賣場KA、便利店等，使得供應鏈團隊在訂單追蹤和管理上遭遇效率瓶頸。特別是在訂單到收款（Order to Cash）的全鏈條中，從下單前準備到客戶付款，每一個環節都需要精細化管理以確保訂單順暢執行和客戶滿意度。為了應對在復雜分銷網絡下的效率瓶頸，該國際快消品巨頭攜手數勢科技，旨在透過數碼化手段推動供應鏈團隊訂單管理效率的大幅提升，並打造企業供應鏈分析助手。主要服務供應鏈OMA（Order Management Assistant）團隊，透過解決訂單管理過程中的痛點，提升訂單滿足率和客戶滿意度，進而增強企業的市場競爭力
構建訂單管理指標監控體系 三大核心手段助力專案落地
數勢科技基於其智能分析助手（SwiftAgent）和智能指標平台（SwiftMetrics）產品組合，為該巨頭建立了【訂單管理指標監控體系】。該體系覆蓋下單準備、下單、訂單確認、分貨、倉儲發貨、收貨、發票、付款、砍單、砍單追蹤跟進等全業務流程環節。透過AI Agent智能問數和歸因分析，打造供應鏈訂單管理智能助手，全面提升訂單管理效率。
建立Order-To-Cash指標體系
梳理量化全流程指標體系：梳理並量化完整訂單鏈路的全流程指標體系，確保每一個環節都有明確的指標進行衡量。
確立北極星指標：確立部門北極星指標，包括訂單滿足率和訂單跟進完成率CFR（Case Fill Rate），以此作為衡量訂單管理效率的關鍵指標。
MVP階段驗證與推廣：完成MVP階段驗證後，逐步進入推廣及穩定階段，確保指標體系在實際業務中得到有效套用。
搭建指標管理流程機制
橫向拉通各級指標體系：橫向拉通企業級、BU級、個人級指標體系定義、開發、管理流程，確保各級指標之間的一致性和協同性。
縱向打造北極星指標體系：縱向打造具體業務領域下的北極星指標體系和SA場景套用能力，為不同業務場景提供客製化的指標管理解決方案。
打造訂單智能分析助手
整合全生命周期狀態指標體系：整合供應鏈訂單管理全生命周期狀態指標體系，SwiftAgent幫助OMA團隊追蹤自詢單、下單、掃描出庫、物流、驗收入庫、砍單/返單全流程業務表現。
監控定位效率瓶頸：針對各個環節的效率瓶頸進行監控和定位，幫助OMA團隊一鍵定位CFR瓶頸，並采取有效措施進行改善。
辨識異常訂單，定位客戶砍單原因
歸因分析，並自動生成改善指引報告
提效200% 挽回訂單損失上千萬 大幅提升訂單完成率
智能指標平台結合智能分析助手的專案落地，在實施中展現出了顯著的效果，特別是在提升訂單完成率與客戶滿意度方面。首先，智能指標平台能夠支持指標體系的構建和追蹤目標達成情況，透過對各項指標的即時監控和歸因分析，業務人員能夠清晰了解訂單管理的各個環節表現，並及時采取措施進行最佳化。其次，平台與RAG知識庫的無縫對接，不僅提升了精確問數的能力，還能處理使用者的復雜需求，如多表連線查詢、自動加合及排序等高級計算，結合內部知識體系，快速呼叫及沈澱問題解決方案，顯著提高了業務人員的工作效率。再者，基於智能分析助手的大模型自然語音取數功能，意圖辨識準確度高，使得業務人員可以透過自然語言與系統進行互動，快速獲取所需數據和相關問題的引導，極大地提高了數據查詢和分析的效率。
這一系列措施的實施，使得分析效率大幅提升，從平均每人每天處理少於20筆訂單提升至每天處理60+筆訂單，提效200%以上。同時，系統能夠及時發現並處理異常砍單訂單，有效挽回超過上千萬的訂單損失！不僅提升了企業的經濟效益，還顯著增強了客戶的信任度和滿意度。
SwiftAgent智能分析助手實戰案例三：
大模型+Agent+指標語意層：賦能某城商行非技術人員實作靈活取
某頭部城商行的內部統計數據顯示，2023年臨時性數據分析需求占總需求的40%，每天大約有20多個工單。這一現象揭示了該銀行在數據分析領域存在巨大的即時響應潛力和最佳化空間。面對這一挑戰，銀行經營分析團隊透過靈活調整工作計劃，積極應對數據分析需求的增長。但日益增加的臨時性數據需求和可能出現的工單積壓問題，持續困擾著領導層、業務團隊和經營分析團隊。他們試圖透過各種方式擺脫這一困境，大模型的興起為其提供新範式。套用大模型是該城商行的戰略目標之一，由副行長牽頭，大力推動大模型在套用場景的落地。在大模型落地初期，該城商行選擇了幾個重點場景，數據分析就是其中之一。他們希望透過大模型技術升級數據分析工作，以滿足靈活數據分析的需求。
數勢科技為銀行提供智能分析解決方案，以SwiftAgent產品為核心，利用行業知識和數據分析模型，理解策略目標，將銀行經營矩陣實作從數據到價值的快速轉化。解決方案技術架構包含五個部份：
基座大模型：數勢科技選擇了經過實際套用驗證的國產大模型，並對其進行了進一步的Prompt微調和模型微調，以確保其在銀行數據分析場景中的高效套用。這樣的客製化處理不僅滿足了銀行對數據安全性的高標準要求，還會顯著降低大模型可能產生的幻覺問題，提高數據分析結果的準確性。
企業資料來源：待到專案實施過程中，數勢科技首先對該城商行的各類資料來源進行詳細梳理和整合，包括業務系統數據庫、資料倉儲和數據湖等。這一過程可以確保所有數據的規範化和標準化管理，為後續的指標語意層構建和大模型套用奠定堅實基礎。
指標語意層：數勢科技計劃為該城商行構建統一的指標語意層，明確定義各類指標的計算口徑和業務含義。這不僅提高數據指標的管理效率，還確保不同業務部門在數據使用上的一致性，避免了因口徑不統一而導致的數據分析偏差問題。
SwiftAgent產品：作為智能分析解決方案的核心，SwiftAgent透過與使用者的互動式問答，能實作數據指標的靈活查詢、自動歸因分析、視覺化報告自動生成以及指標全生命周期的預警分析。使用者只需透過自然語言輸入需求，SwiftAgent便能智能辨識並反饋精準的分析結果，可以明顯提升數據分析的效率和準確性。
數據分析套用：在一期建設中，數勢科技將重點落地企業經營分析、企業行銷復盤和業務團隊日常用數三大套用場景，旨在為銀行的各級管理層提供高效、精準的數據支持，助力其在決策和營運中更加靈活和敏捷。未來，數勢科技將繼續擴充套件更多的數據分析套用場景，進一步滿足銀行多元化的數據分析需求。同時，數勢科技根據該城商行需求進行客製開發，包括開發移動端、打通SSO統一登入、整合許可權系統等。
使用者意圖辨識率＞98%，復雜任務規劃準確率＞95%，好用的智能分析套用讓取數用數排隊情況成為過去式
智能分析系統建成後，該城商行經營分析團隊負責人、大數據部門負責人以及多位中高層領導參與驗收，從多方面進行評估與打分，主要結果如下：
1.準確性：使用者意圖辨識率＞98%，復雜任務規劃準確率＞95%。
2.效率提升：分析工作處理時長減少80%，每人每周減少10+小時數據處理工作。
3.使用者滿意度：使用者滿意度9.3+分。
互動友好度：使用者介面友好度9.5分。
該城商行各相關方均對智能分析系統高度評價，系統正式上線。如今，基於SwiftAgent打造的智能分析套用，在該城商行中高層領導及業務團隊中已常態化使用，取數用數排隊與工單積壓情況成為過去式。
數勢科技將繼續深耕數據分析領域，不斷最佳化和升級SwiftAgent產品，以滿足更多客戶的多樣化需求。我們相信，隨著SwiftAgent的廣泛套用和持續叠代，它將為更多企業帶來高效、精準的數據分析體驗，助力企業在激烈的市場競爭中脫穎而出，實作數據驅動的業務增長和持續創新。
