当前，国内互联网已步入“业务3.0”阶段——由增量蓝海转为存量红海，增长逻辑从高速扩张转向精耕细作。企业唯有依赖既有数据资产，挖掘潜在机会，方能在存量竞争中保持优势。然而，数据价值释放面临两大掣肘：

业务1.0、2.0阶段侧重快速迭代，数据沉淀缺乏统一规划，字段口径频繁变更，脏数据、冗余数据比例高，直接拉低挖掘效果。

传统数据治理需投入大量人力与时间，周期长、见效慢，与业务“短平快”诉求矛盾，导致“想挖掘先治理”难以落地。

AI技术的成熟为上述困境提供新解：通过智能化手段低成本完成数据清洗、口径对齐与质量评估，缩短治理链路，使企业以最小代价获得可信赖的数据底座，从而真正迈入“数据驱动增长”的3.0时代。

聚焦当前数据痛点，剖析其阻碍“数据驱动增长”之机理，核心矛盾体现在两大维度：

酒店、机票等垂直业务线各自沉淀指标，字段口径、命名规范及更新频度差异显著，导致跨域数据难以对齐。据此设定增长目标或评估潜在空间时，结果常被系统性偏差干扰，出现“目标失真、举措错位”现象。

同一业务在不同发展阶段关注焦点不同：早期以获客为核心，模型围绕 PV、UV 构建；中后期转向收益，模型又基于 GMV、利润率重塑。前后指标定义、粒度与衍生逻辑互不兼容，致使历史数据无法连贯追溯，难以通过“子指标改善→整体指标提升”的拆解路径释放增量价值。

综上，数据口径失序直接削弱目标设定的科学性与策略落地的可达性，成为业务增长必须首先破除的壁垒。

企业内部“取数”可归纳为三大环节、十项痛点，各环节层层叠加，终致数据使用成本居高不下。

底表规模庞大且人员流动频繁，交接过程常使高频查询口径遗失。

交叉业务需跨团队沟通，组织壁垒抬高获取门槛。

业务方向调整迅速，原有积累失效，团队需重复从零梳理。

同一指标存在多种底表与口径，元信息晦涩，产运人员难以快速定位所需字段。

复杂 SQL 编写与校验耗时，即便技术岗亦需投入大量精力，产运侧更无力承担。

复用历史脚本时，复制粘贴易引致标点、字段等低级错误。

产品在既有 SQL 上凭直觉修改，缺乏语法校验，出错概率高。

汇报场景要求口径严格一致，但同名指标在不同语境下定义常异，导致数据与管理层预期错位。

业务术语与经营指标需人工映射翻译，增加额外理解与转换成本，拉高整体使用门槛。

挖掘数据价值的常见问题：

日常、重复及长尾分析占据大量时间，产运人员反复执行相似脚本，价值密度低。

复杂分析需多层拆解，逢汇报节点更集中爆发；跨团队场景需汇聚多业务域数据，协调与清洗过程进一步拉长周期。

精细化运营驱动下，指标维度常超 10 个，人工已无法有效遍历组合，仅能凭经验筛选少数维度，易遗漏关键洞察。

若依赖专业数据分析师，则受限于稀缺编制，仅能覆盖战略级课题，产运侧需求普遍处于排队状态。

传统解法无外乎“加人”或“提能”，均面临成本与规模瓶颈，难以普及。

在数据价值链中，三类核心角色本应各司其职：

由于前述痛点，现实出现明显错位：产品忙于口径对齐与寻数，数仓疲于应付临时 SQL，商分被迫自建中间表。三方相互补位、协同低效，难以形成“数据驱动业务”的闭环。为破解此困局，团队启动 AI 方案，以技术手段替代人工补位，促使各角色回归高价值工作。

对大语言模型在数据领域的应用潜力，我们归纳于四个层面：

1、知识库与数据治理

模型可自动规范化元数据，并嵌入 AI 工作流或智能体，实现治理标准化；历史经验沉淀后供“永不离职”的模型持续复用，形成可传承、可扩展的资产。

2、Chatbot 问答

以自然语言交互替代人工咨询，支持底表、字段、需求及 SQL 的即时问答，降低沟通成本。

3、智能体（Agent）

依托工具调用与代码执行能力，完成端到端任务交付，对长尾、低 ROI 需求提供低成本解决方案，释放被压抑的产运需求。

4、模型原生能力

大语言模型具备专业数据知识与编码能力，可生成高质量 SQL 及复杂分析代码，直接媲美中级数据分析师，为深度洞察提供技术底座。

AI 对数据价值链各核心角色的赋能路径如下：

1、业务产品

2、数仓治理

（示例见后页）

3、商业分析

AI 构建业务知识库的实践路径可归纳为五个层面：

1、模型实体识别

面对海量异构及非结构化日志，模型可自动抽取出订单、资金、产品、用户等核心实体，实现 schema-free 资产的快速结构化。

2、血缘关系识别

通过解析监控与链路日志，建立指标级血缘：

当总量指标异常时，一键定位上游波动源；

识别同链路指标的同涨同跌规律，辅助归因；

支撑搜索请求量暴涨等场景的下钻分析，自动拆解至用户类型、产品维度等细分因子。

3、业务标签打标

对航班、行程、产品等静态数据赋予场景化标签（如“红眼航班”“周末亲子游”），使搜索结果与用户需求精准匹配，显著提升转化率。

4、情感与正负向分析

5、流程自动提取

针对 1.0–3.0 阶段累积的老系统，利用模型从现有日志中反向解析完整业务流程，生成可定期更新的“活”流程图，解决“人口述不全”的痛点，实现知识库的持续自我进化。

实体识别流程如图：输入数据经模型解析后完成关系抽取，输出结构化实体。

以下为用户会话实体示例。该实体系新增定义，此前并未建模，现借助大模型直接从主流程日志提取，可一次性还原用户连续动作（列表浏览、往返筛选、详情查看、出发到达及日期选择等）。无需额外建设模型与管理平台，即可沉淀高价值属性，反哺主流程体验优化与潜在问题定位。

流程提取案例如下：依托埋点日志与既有链路串联能力，对复杂订单业务进行实体识别，锁定订单相关事件后生成流程图。为确保跨平台一致性，采用 Mermaid DSL 描述并可视化输出。

业务流程提取实现流程可划分为三阶段：

1、原始数据获取

采集最细粒度日志，结合工具与 AI 完成初步结构化；对无法直接结构化的字段，由模型按业务语义对齐并补全。

2、DSL 生成

将结构化结果转换为 Mermaid DSL，自动输出标准化流程图，确保跨平台呈现一致。

3、交互式追问

依托真实日志与 DSL，支持“为何订单进入某节点”等回溯问询，模型即时给出基于规则与数据的解释。

该方案已解决多条历史遗留、人工难以梳理的复杂业务流程，显著降低梳理成本并提升可维护性。

历史数据沉淀曾因“用途不明”而被忽视。AI 大模型出现后，其 ROI 立即显性化，价值释放体现在三点：

1、稳定价值流

模型可支撑“治理→使用”全链路闭环，数据挖掘与训练频率由“周”缩短至“小时”，后续案例将给出量化对比。

2、稳定角色

模型“永不离职”，治理思路、规则与中间产物可长期保鲜，避免人员流失导致知识断层。

3、成本递减

AI 嵌入现有流程或重构新流程均可行，治理边际成本显著下降；同时覆盖率提升，核心业务表与长尾交叉指标可一并纳入治理范围，实现低成本、全量级数据资产管理。

此图展示 SQL Agent 知识库的迭代流程，意在说明：把 AI 嵌入数据治理可显著提升效率。评测 Agent 与 SQL 生成 Agent 可自动发现知识缺口并触发补充，形成闭环，持续加速知识库演进。

以下通过“工单降门槛”案例，展示 AI 在数据使用环节的价值。

1、原有流程

线上缺陷触发工单 → 值班开发人工检索日志、代码、Wiki → 定位问题耗时高，且每周轮值带来显著心智负担。

2、AI 改造

将系统日志、PRD、代码与 Wiki 统一接入知识库，构建问答式接口。业务方以自然语言描述现象，模型即时返回关联日志片段、异常根因及修复建议，无需再经开发侧排查。该方案显著释放开发人力，同时缩短业务方获取数据与答案的路径。

成效以“航变验证”场景为例：

过去，订单是否真实发生航变，需由产运提交工单，等待开发或数仓人工核查日志、比对代码逻辑，耗时数小时至数天。

接入 AI 问答后，产运直接输入订单号与自然语言提问，模型即时聚合系统日志、解析代码分支，秒级返回结论。该流程已完全无需开发介入，实现业务问题自助式闭环。

常规底表与数仓查询亦可通过自然语言直接提问，模型即时返回结果。

AI 对数据使用场景的扩展可从“数据域”与“使用域”双维度展开：

1、数据域

类型延伸：由结构化数据（SQL、ES）拓展至日志、文本、图像等非结构化数据，无需前置治理即可直接解析。

输入扩展：用户行为日志、系统运行日志等原始痕迹成为可即时查询的数据源，省去传统提取与加工环节。

交叉融合：跨领域数据仅需一次性合并提问，模型自动完成关联分析，显著降低治理与协同成本。

2、使用域

依托上述数据，可实时完成情感识别、意图识别及场景化推荐，实现从“取数”到“用数”的闭环升级。

以下场景侧重非结构化日志的实时应用：

1、数据源

主流程日志呈典型非结构化特征，涵盖多业务线埋点事件。

2、实时分析

借助大模型对滑动时间窗口内的用户行为流进行情感与意图挖掘，即时判断操作异常或需求倾向。

3、会话建模

结合实体识别能力，将离散事件聚合为“用户会话”实体，实现行为序列的结构化表达。

4、标签与营销

会话模型与组织层标签体系打通，可实时输出高意向标签。例如，持续查询一年后航班的用户被标记为“远期行程不确定”，系统即刻触发价格稳定性提示或优惠券投放。

该链路在 AI 介入前需搭建重资产实时计算平台，现依托模型即可低成本完成“日志→洞察→动作”的秒级闭环。

下图展示数据分析智能体的端到端线性回归案例。

该能力将预测建模门槛降至“零算法基础”，一线产运即可自助完成训练与上线，确保业务逻辑与模型假设高度契合。

依托 AI 自动建模，某业务场景效率指标大幅跃升：数据闭环由 T+1 缩短至小时级，可即时评估前一小时的经营表现；模型训练频次从人工 7 天一次提升至每日一次，并支持多模型并行训练，整体效率呈数量级提升。

如图所示，每日 06:00 系统自动触发多模型并行训练——该时段人工无法值守，AI 依既定策略完成全流程并产出模型。关键信息已脱敏，仅展示运行概况。

上半年聚焦产运日常分析及重点项目深度应用，实现取数、归因、报表全流程 AI 化。

下半年扩展至专业商分场景，涵盖预测、洞察等复杂分析，目前正与业务方共建验证。

技术加 AI 不足以保证成功，必须依赖需求方制定成功标准并持续共创；闭门造车无法产生实际业务价值。合作的，不是我们开发自己在那闭门造车这个造出来了，因为我们自己闭门造车的东西，大多数情况之下可能都是没有什么实际价值的。

主流程数据应用已落地三类场景：

针对国际长航线，综合多重因素实时生成个性化航班方案，降低用户决策难度与出行风险。

基于主流程行为信号，模型即时判断价格敏感人群并触发精准优惠，具体策略略。

实时预测离网意图，立即推送干预权益。相较传统模型，AI 方案链路更短、成本更低。

下一阶段目标紧扣“业务 3.0”数据驱动诉求，以 AI 为牵引，分层推进四项建设：

持续优化治理效率，并将治理流程本身数字化，确保全链路高效、可追溯。

同步完成各业务域的线上化、指标化改造，夯实数据底座。

与商分团队共建，依托 AI 拓展预测、归因、优化等高级分析场景，突破 Excel 级统计局限，输出可落地的策略建议。

迭代“九章 AI”交互，使取数、用数、分析全程口语化即可完成，最终实现“会说话即可享有专属数仓/数分”的数据平权愿景；在长尾需求普遍满足的同时，把高价值场景推向更专业的洞察深度。

Q1：老师你们的AI的自然语言处理与结构化查询是怎样融合的？

A1：通过和业务数仓配合，提升数据质量质量，基于确认后的业务和数据整体知识库，包含业务术语、业务指标、schema说明等核心内容，通过问题澄清、歧义消除agent和sql生成和检查agent来完成自然语言到结构化查询的转化。

Q2：老师，你们引入agent后遇到的最难解决的问题是啥？

A2：最难的是测试案例集合覆盖不到生产的全部案例，部分生产的案例解决起来费力度很高，需要从底层大模型选型、知识补充和工程优化如agent执行流程设计优化等多个手段一起来解决问题。

Q3：知识库平台是每个领域搭建一个吗？数据领域的知识库是不是单独搭建的？

A3：每个业务子领域都搭建了一个知识库，这样既能避免业务子领域之间出现交叉歧义，又能很好提升数据召回并控制上下文大小

Q4：AI在数据分析中是怎样降低多维度指标分析和预测任务的难度？

A4：多维度指标分析场景下，用AI可以采用暴力分析的方法，将多个维度进行排列组合，哪个组合结果分析结果有价值就用哪个。