2025 StartDT Day 发布会全回顾

5 月 20 日，以“企业级数据处理和分析，如何迈向大模型时代？”为主题，由 StartDT（奇点云、GrowingIO）主办的 2025 StartDT Day 圆桌讨论暨产品发布会召开。会上，StartDT 发布了全新产品架构图，有了大模型中间层的加持，能帮助企业在 AI 上真正有所作为。

GrowingIO 发布智能数据分析产品 ChatBI 问数，释放 IT 精力，提升业务洞察效率；AI 分析师，让每个人都能拥有一支强大的专业分析师团队。

奇点云赋能数据开发工程师，让每一位数开都能运用大模型开展数据集成和数据治理，解放双手，提效不止 100%；发布数据云蓝图，以数据开发 CodePilot、智能数据治理为亮点，搭配多种低代码指标配置和智能数据集成功能，将 AI 封装进产品本身，最大化降低使用成本，提升企业应用效率。

StartDT 全新产品架构图

数据云-大模型平台-AI 数据处理和分析应用场景

在企业级产品中应用大模型，远比 C 端的单点应用要复杂得多。C 端应用往往聚焦在聊天、写作、搜索等轻量级场景，而企业场景则涉及业务逻辑繁复、数据体系庞杂、安全合规要求严格等一系列挑战。我们发现，目前业内真正实现大模型在企业核心业务中深度落地的案例仍非常有限，很多厂商停留在 POC 或试验阶段。

事实上，大模型本身并不具备“自主思考”的能力，它本质上是一种高级的、深层次的“信息检索器”，必须依托高质量的数据、靠谱的专家经验 RAG，以清晰的工作流方式，给予大模型成熟的思考模式，才能在复杂的企业环境中发挥价值。

在此背景下，我们在构建企业级 AI 产品的过程中，围绕大模型的落地梳理出一套完整的系统架构：底层是“数据云”，中间是“大模型平台”，上层是“数据处理与分析应用场景”。

在这个架构中，数据的可用性、可信度与合规性是根基。只有在高质量的数据基础上，AI 能力才能被“喂养”出来；而 AI 智能体的调度，尤其是多智能体之间的协作，能够帮助企业完成从开发、治理到提效的全流程能力整合。最终，所有这些能力都将服务于具体的业务场景，实现企业数据从“人工可用”到“AI 可用”的跃迁。

GrowingIO 智能数据分析产品 ChatBI 问数

释放 IT 精力，提升业务洞察效率

我们深刻认识到，无论是数据中台、数仓，还是大模型，本质上都是技术解决方案在不同阶段的演化。不论是什么工具，都应该回归到赋能业务本身。只有真正回归到业务场景中，帮助企业卖得更好、推荐更精准、库存更合理、研发更高效，数据的价值才得以更好地体现。

为了帮助企业深层次挖掘和充分发挥数据价值，GrowingIO 在探索多个 AI 场景的基础上，正式推出了全新的 ChatBI 问数模式，一个更可用、好用、可信的智能数据分析产品。

在操作界面中，业务人员只需用口语化的问题提问，例如“每个月的新客售卖金额是多少”，系统便可精准识别、匹配指标，并且能够感知定义缺失情况，自动创建新指标，实现高效响应。

技术架构上，ChatBI 采用“AI 理解 + 业务引擎执行”的双层解耦模式：由大模型负责语义识别和向量匹配，加之 GrowingIO 10 年积累的成熟模型与计算体系，保障数据的准确性、安全性与结果可控性。这种结构不仅提升了 AI 理解的准确率（可达 95% 以上），也有效避免了“让 AI 接管全部流程”所带来的风险，让客户更安心地把业务问题交给系统解决。

GrowingIO AI 分析师

让每个人都能拥有一支强大的专业分析师团队

AI 分析师是 GrowingIO 为了解决企业数据分析效率问题推出的产品。传统模式需依赖人工出具报告，而 AI 分析师则是用 AI 解读数据，复用专家经验，实现自动化分析与智能决策支持。

在没有 AI 分析师之前，企业里常常是这样的画面：

业务方在例会上发现某个核心指标突然异常，比如访问量下降、转化率波动，第一反应是“这怎么回事？”接着立刻在群里 @数据、运营、产品......“谁能帮我看下这个数据？”“有没有哪个维度出了问题？”随即开始人工排查：一个个系统登录、一张张报表核对、一个个维度拆解，甚至要安排分析师通宵跑 SQL。等报告出来，往往已经错过了第一时间的决策窗口。

有了 AI 分析师，我们就帮助客户高效解读关键业务数据。一方面，在单指标分析场景中，当老板或业务方关注某个具体数据（如访问用户量、营收等）时，AI 可自动进行纵向（时间、地区、类目、渠道、用户分层等维度）与横向（相关指标间的因果关系）分析，快速判断指标是否异常，并给出变化原因和业务建议，显著提升数据洞察效率。

另一方面，在开放式分析场景中，如活动复盘、渠道优化、客单下降原因分析等，AI 分析师基于 GrowingIO 10 年专家经验构建的分析场景经验库，结合 RAG 技术，自动生成结构清晰、逻辑严谨的分析报告，帮助客户完成复杂问题的系统性拆解与复盘。

在技术架构上，AI 分析师的工作流程为：接收问题，AI Agent 通过语意理解和分流进行数据分析，调用专家库的分析模型进行数据归纳，输出结论。另外，AI 分析师具有记忆功能，如报错或调用失败则会自动循环工作流，调用其他知识库内容，最终帮助企业做出分析和决策。

奇点云赋能数据开发工程师

基于大模型开展数据集成和数据治理

传统的数据集成和治理依赖大量人工整理和规则配置，效率较低且难以应对复杂多样的数据场景。为了解决海量非结构化数据处理与数据治理难题，奇点云赋能数据开发工程师，上线基于大模型开展数据集成和数据治理的功能。

基于此功能，数开人员能针对企业特定业务域中的非结构化数据，借助大模型进行关键信息的提取与应用，并利用多模态大模型对数据进行智能识别和结构化处理，打通数据孤岛。随后，结合 Tool Call 统一语义，利用上下文智能分类，完成数据的标准化、结构化和入库。

数据入库后，数开人员能够利用大模型根据数据模型设计与代码编写规范，对企业相关项目的模型与代码进行全面审计，并依托内置的质量规则库，对数据资产进行数据质量监控规则的自动匹配，优化企业数据治理效能。另外，大模型的智能识别和动态策略引擎能够帮助数开人员完成敏感数据的自动化分类、实时权限管控及风险预警，更好地保障企业数据安全。

基于以上功能，我们已经帮助多家客户实现了项目落地：

以某大型奢侈品集团为例，我们已成功将大模型融入其数据质量治理与监控项目项目中，相比传统人力开发流程，开发效率提升超过 50%，数据质量规则的生成与配置周期大幅缩短。

我们相信，这样的功能一定是大量客户所需要的，感兴趣的朋友可以后台私信小奇～

数据云蓝图

全流程提效+AI 能力嵌入式融合

数据云平台作为一个服务数开的产品，致力于提升企业在数据集成、运维、治理等全链路的开发效率与工作质量。随着企业数据规模的持续扩大，数开工作本身的链路越来越长、复杂度越来越高。因此，我们围绕“全流程提效”和“AI 能力嵌入式融合”两大路径推出数据云蓝图，展示 DataSimba 的未来产品架构和发展方向。

在数据集成方面，数据云将深入融合 AI 能力，实现从“表的发现”到“同步任务生成”的自动化流程。数据开发者只需定义上云目标，AI 即可基于表结构扫描结果，智能判断同步策略（如全量或增量），推荐适配字段，并支持一键生成同步任务，显著简化人工配置过程。

在数据开发方面，数据云将持续强化 CodePilot 能力，推动开发任务的智能化。比如在编码过程中，AI 可以进行自动化注释、语法纠错、代码优化等，帮助开发者提升效率、降低运维成本。这些结构化、规则明确的任务，正是大模型擅长的领域。

在数据治理方面，数据云 AI 的应用将重点落在“规则生成自动化”和“治理流程智能化”上。企业往往拥有成千上万张表，手动配置每张表的质量规则工作量极大。因此，数据云通过自动扫描结合 AI 识别机制，自动生成质量规则建议，供数据开发者快速审核与采纳，极大提升数据治理效率与可控性。

总结来说，我们对 AI 大模型始终保持理性与务实的态度：不盲目吹捧，也不轻易否定。我们相信，大模型是不可逆的技术趋势，将深刻影响数据治理和分析的发展；但同时也清醒地认识到，AI 仍然存在模型幻觉、输出一致性等问题，企业级应用任重而道远。

正因为如此，我们坚持从实际场景出发，将 AI 能力深度融合进数据开发、集成、运维、分析等各个关键环节，从交付工具迈向交付结果。这是我们的强项，也是我们的使命。而交付真正可用、可信、有效的产品也是 StartDT 作为一家追求高确定性服务的公司，对客户最基本的承诺。

最后，随时欢迎各行各业联系 StartDT，我们期待与更多企业一起探索 AI 在业务中的无限可能。