10 月 30 日，袋鼠云成功举办了以“AI 驱动，数智未来”为主题的 2024 年秋季发布会。大会深度探讨了如何凭借 AI 实现新的飞跃，重塑企业的经营管理方式，加速数智化进程。

作为大会的重要环节之一，袋鼠云数栈产品经理潮汐带来了题为《指标+AI+BI：构建数据分析新范式》的精彩演讲，深入剖析了当前企业在进行数据分析时所面临的挑战，并分享了袋鼠云数栈在此领域内的最新成果和解决方案。

一、传统数据分析方案的局限性

会议伊始，潮汐首先回顾了传统数据分析方案的架构。传统方案通常采用“数仓+BI”的方式，即业务方提出数据需求后，经过数据产品经理的分析和排期，由数据开发人员将数据从业务系统中统一抽取到数仓进行分层加工。加工后的表吐出到业务库，由 BI 分析师在 BI 工具中进行数据接入、数据模型搭建，并基于这些模型通过组件配置和分析交互设置形成数据报表。最终，业务方可以直接通过这些报表共享或嵌入到业务系统中来进行数据分析与监控。

然而，这种模式存在几个显著的问题：

• 高成本与长周期：BI 工具往往具有一定的上手门槛，对于不熟悉技术或工具的业务用户来说，很难深入使用。复杂的分析任务严重依赖于数据开发人员和分析师的专业技能，导致需求交付时间周期长，沟通调整的成本也随之增加。

• 数据一致性难以保证：传统的 BI 工具是一个封闭且中心化的平台，其中的数据模型定义（包括度量和维度）与其他数据应用之间缺乏互通性。所有数据分析活动都必须在这个平台上完成，这造成了跨应用分析时指标管理不统一、口径不一致以及流程不规范的问题。虽然很多企业在数仓层面实现了统一的数据管理和开发，但在应用层面仍然面临着“烟囱式”开发的困境。

• 灵活性不足：基于传统 BI 工具的数据分析很大程度上依赖于分析师在创建报表时预先设定好的图表类型、交互方式及分析配置。这意味着，在不同场景下分析数据波动的原因时往往没有办法直观快速地得到结论。

因此，当前的市场环境下，企业需要一种更高效、低成本的数据分析方案。

二、指标+AI，赋能数据分析

针对上述痛点，潮汐介绍了当前较为流行且有效的解决方案：在数仓和 BI 中间架设配备 AI 能力的指标层。

数仓处理后的数据在指标层进行统一的数据模型构建，生成原子指标、派生指标、复合指标和衍生指标。这些指标成为后续包括 BI 在内的所有上层数据应用的基础。基于这种架构，数据分析不仅兼容传统 BI 工具，还衍生出更智能灵活的方式，如指标数据智能问答和将指标封装成 API 对业务系统提供即时数据分析服务（即 Headless BI）。这样的架构总共有四个方面的优点：

• 缩短开发链路：指标体系消除了数据结果的二义性问题，不同业务使用同一指标时无需重复开发或校对口径，从而大大缩短了整体开发链路。

• 轻量级数据分析：通过指标 API，可以将数据分析结果轻松集成到任意业务系统中，使业务端能够以轻量级方式实现个性化的数据分析。

• 实现快速决策：在 AI 的辅助下结合行业和企业知识库可以对数据异常情况进行快速精准的定位，帮助业务方缩短问题排查链路，加速决策过程。

• 低门槛使用：Headless BI 几乎零门槛，适用于大多数不太复杂的分析场景，让业务方能够主动愿意形成业务分析与数据决策的习惯，让数据价值更加普及。

三、从指标设计到数据分析实践全流程

从对新数据分析方案的架构及优势分析中，可以看出指标体系的搭建是其中最为关键的一环。袋鼠云之前接触到的很多企业客户其实都已经做过指标体系搭建的尝试，但是实践下来碰到很多问题，如指标管理成本高、重复建设、流程不规范等。

针对这些问题，袋鼠云数栈提出了完整的解决方案，基于该解决方案，企业可以构建一套从规范建立到数据分析应用的完整流程。

｜01 指标管理规范的建立

首先，在企业内部需构建指标管理与加工的流程制度及组织规范，指标管理规范主要包括指标生命周期管理、指标层次与分类管理、指标定义标准化及指标使用管理规范。

指标全生命周期需要确保从业务方提出需求开始，到指标下线的全过程得到有效管控，整个流程每个环节需要定义好输入输出物和负责人员。

接下来是指标层次与分类管理，根据企业战略目标、组织及业务进行自上而下的指标分级，可以分为三个等级，指标类型可以按加工方式和程度分为原子指标、派生指标、衍生指标、复合指标和自定义指标，通过多种类型指标的定义，构建起有序的指标体系。

然后是指标元数据的定义，指标元数据一般包括指标名称、编码、所属业务目录、计算频度、计量单位、负责人、业务口径等信息，定义好每种元数据的填写要求规范，发布前专人审核确保不出现定义内容不准确或不清晰的情况。

最后是指标使用管理，设置公司内指标共享和权限管理机制，让指标的使用更加合规安全。

｜02 指标开发

在建立规范后，我们来关注指标的开发过程。

首先是业务分析。指标管理方要在了解业务的基础上分析需求、拆解指标主题和分类。以零售行业为例，其数据围绕人、货、场展开，通过调研人员、盘点场景，可划分员工销售、采购库存、采购供应商等主题，在这些主题下再细分指标，如员工管理主题下有员工流失率、成效率，销售价格体系中有销售金额、销售利润，由此梳理出存量指标和指标缺口。

指标缺口确定后，开发人员开始工作。比如开发统计各城市在微信和支付宝近 7 日电商业务销售金额的指标时，先创建电商订单数据模型，找到主表订单表及关联表，生成电商业务销售明细原子指标（计算逻辑是订单金额求和，存于电商产品目录下），再由此生成各城市电商销售额派生指标（派生维度为城市和商品类型、时间维度为近 7 天、业务限定为微信和支付宝渠道），配置好离线任务的调度周期和上游依赖，指标数据就可定时产出。

｜03 指标应用

指标完成开发及数据产出后就到了最关键的一环——指标的应用。袋鼠云指标管理平台已将 AI 深度融入指标多方面多层次的应用中。在介绍应用前，先看 AI 基础能力是如何搭建的。数栈有自己的 AI 平台，负责所有产品模块中 AI 能力的搭建，AI 平台支持多种主流大模型部署，并对接行业和企业知识库，结合指标平台业务库的指标属性、指标血源等元数据构成了大模型的数据基础，然后我们就可以在 AI 平台上搭建应用工作流，来定制指标 AI 应用。

目前主要实现的是基于自然语言的指标搜索、自然语言转化 SQL 进行自助取数、指标异常归因分析以及指标智能问答及图表分析这 4 个方面。

一是智能分析。可以在指标取数模块中输入自然语言，如 “查询近 10 天用户对各等级产品的支付金额和支付订单数，支付金额≥15”，平台调 AI 接口解析转换为取数规则，执行后可得结果表，用户可下载分析。在指标看板页面，可以按业务主题新建看板，输入自然语言描述想看到的指标内容，平台经过分析就可以自动生成预制格式的图表，然后在预生成的图表上进行微调得到一张完整的看板，从而缩短看板配置时间。

二是归因分析。基于指标目标树或看板异常数据，可层层挖掘异常根因并制订策略。如公司收入下滑，从指标树层层展开发现是销售额下滑的原因，7 月数据下降明显，进一步下钻得到 7 月第二周到第三周波动异常，平台结合商品类型、城市和渠道维度计算归因值，发现商品类型的关联值较大，对商品类型中的值进行分析看到手机类销售额下滑比较明显，结合市场情况可知竞品友商活动影响。

三是智能搜索及对话式指标分析 ChatBI。在指标的智能问答界面用户可以用自然语言进行指标搜索，智能助理会根据你的描述给出最匹配的指标清单以及每个指标的基础信息，点击指标可查看关键数据，对异常点进一步分析可得到原因和关联指标排查方向。这种以用户问题为导向，围绕问题给出答案，并进行关键因素分析和引导的数据分析方式，与传统让用户在预制报表里自行寻找答案的方式相比，无疑能够大幅缩短问题排查路径，使问题的解决更加聚焦、高效。

四、某银行指标管理分析实践案例

某大型银行在购买数栈指标平台前，已经进行了指标体系的梳理和搭建，但在实际应用中遇到了以下几个主要问题：

• 指标定义不一致：不同业务线存在很多指标名称相同但定义不同的情况。例如，“一般性存款”指标在监管口径中不包括财政性存款，但在人行口径中则包括；绩效考核中不包含保险公司存放款项，而人行口径则包含。这导致了数据解释和应用上的混乱。

• 指标重复构建：多个金融业务中存在相同的指标重复构建，如“客户人行征信指标”在零售金融、公司金融和普惠金融业务中都有独立构建，没有实现共享，导致资源浪费。

• 指标应用薄弱：指标构建后主要用于基本信息和口径的检索，没有进一步应用于更深层次的数据分析和决策支持。

针对客户梳理出适用于全行的新指标体系，彻底消除指标的多义性，实现指标在全域范围内的合规共享，并全面加强指标的应用建设的需求，袋鼠云为其量身定制了一套建设方案。

首先，将底层的存贷、风控等业务数据统一抽取到数栈平台，在此基础上进行离线和实时的加工处理，从而构建出基础数仓。接着，借助 Trino 引擎开展指标计算，经过分类分层的精细操作，得到不同业务的原子、派生、复合等各类指标，以这些指标为基石，在业绩考核、风险监管、企业存贷等指标体系中形成可以充分共享的指标目录。

在这个完备的指标体系之上，进一步开展一系列基于指标的深度应用建设，包括智能取数、指标看板的自动生成与归因分析、智能问题的智能问答、目标管理以及指标 API 的构建。

经过一年的落地实施，客户指标管理取得了显著成效：

全行 80 家分行中的 5000 + 指标得到了重新改造，个人银行与公司银行业务的指标实现了统一编目和标准化管理。

依据指标开发规范，利用指标相似度分析对 1100 多个指标进行了治理，有效减少了多义性情况的发生。

同时，在严格的数据安全管理规范下，对公考核、普惠金融、基金理财代销等业务的指标共享使用十分活跃。

基于指标的智能数据分析应用，使得开发人员在企业信贷、投行、理财等业务中能够迅速完成数据的分析工作，并快速做出决策，大大提升了银行业务的整体效能。

想了解更多，欢迎点击：https://www.dtstack.com/resources/1080?src=szinfoq