零售连锁行业内智能分析 AI Agent 的应用探索-岑润哲.pdf

1、零售连锁行业内智能分析 AI Agent 的应用探索2024.05数势科技：行业领先的数据智能产品提供商部分代表客户投资方拥有在大金融、高科技制造和泛零售等领域的专业洞察力及技术实力，为全球优秀企业提供基于大模型增强的智能指标平台、智能标签平台及智能营销平台系列产品，提升企业的数字化决策能力，推动企业数字化升级成为企业数字化升级首选长期技术伙伴我们的愿景业内顶尖的技术专家和业务人才基于行业落地实践经验的标准软件产品先进的智能算法和垂直大模型应用我们的团队能力我们的使命推动企业数字化升级，实现数据价值的普惠化拥有在大金融、高科技制造和泛零售等领域的专业洞察力及技术实力，为全球优秀企业提供基于大模

2、型增强的智能指标平台、智能标签平台及智能营销平台系列产品，提升企业的数字化决策能力，推动企业数字化升级公司简介C O N T E N T S 目录02集中式数据分析 VS 民主化数据分析04数势智能分析AI Agent的应用场景与创新价值01零售行业经营分析领域的现状和痛点03大模型增强的智能分析 AI Agent 创新点05总结与未来展望零售行业经营分析领域的现状和痛点零售行业经营分析全景图与核心痛点5数据源数据源多乱杂多乱杂指标管理指标管理不统一不统一数据应用数据应用门槛高门槛高品类管理订单管理供应链管理客户服务市场营销质量管理设备管理信息化组织&HR行政后勤EHS财务管控资源管理经营健康

3、指标经营过程指标经营结果指标经营分析战略及年度计划现有数据产品无法端到端快速产出深度结论痛点以下是3个不同客户发出的真实声音示例，反映了管理团队对现有数据驾驶舱大屏产品的痛点体验：Data InsightData Insight：我们公司花了很大精力建设了驾驶舱和各种大屏，看起来很高端，但数字并不等于见解。每次有具体问题，团队还得回去挖数据、分析指标，周报变成了无尽的等待游戏。Speed is EverythingSpeed is Everything：每当董事会要求针对数据作出快速反应时，我都希望能够立刻拿到结论，这个数据大屏却只能给我表面的数，深入分析还得是手工在数仓里建作业，太慢了。Th

4、e Golden Why QuestionThe Golden Why Question：我们的驾驶舱解决了数据展示的问题，但未触及数据解释的关键。当涉及到业务背后的为什么时，它似乎没有答案。信息过载信息过载BI产品学习门槛高，归因解读靠人工痛点以下是3个不同客户发出的真实声音示例，反映了业务团队在指标获取、数据分析与数据挖掘方面的核心痛点：SQLSQL学习难度高：学习难度高：尽管我们有意愿深挖数据背后的真相，但SQL的复杂性让我们非技术人员望而却步。许多时间都浪费在了查询语言的学习上，而不是洞察和行动。BIBI报表配置难度高：报表配置难度高：我们依赖BI工具来提供数据的可视化，但每次都需要技

5、术团队介入来配置数据集和报表，它的复杂程度令人沮丧。大量时间花费在导出数据到大量时间花费在导出数据到ExcelExcel里输出结论：里输出结论：分析团队的日常就像Excel的奴隶，时常花费大把时间将数据导入、整理和分析，这种重复低效的工作限制了我们对数据快速反馈的能力。SQLSQL学习难度高学习难度高BIBI报表配置难度高报表配置难度高导出到导出到ExcelExcel手动手动看数成了日常工作看数成了日常工作痛点以下是3个不同客户发出的真实声音示例，反映了数据团队在指标定义、指标开发和指标管理方面的核心痛点：报表需求灵活多变，临时表冗余：报表需求灵活多变，临时表冗余：我们数据团队大部分时间都花在

6、了应对业务部门多变的报表需求上，每次业务流程一变，我们就得开发各种临时表、中间表。这不仅效率低，还很容易造成错误，甚至有的表用一次就废了指标口径不一致：指标口径不一致：虽然公司有众多部门在使用数据，但每个团队对同一指标的定义却截然不同，没有统一的数据口径和解释标准。这种不一致性给跨部门的沟通和决策带来了混乱难以实时响应业务新增指标需求：难以实时响应业务新增指标需求：每次业务人员新增一个指标开发需求，都希望我们能半小时内提供相应的指标。现状是，虽然我们已经在数仓加班加点开发了，但还是被业务团队说反应慢，有苦说不出报表需求灵活多变报表需求灵活多变指标口径不一致指标口径不一致难以实时响应业务难以实时