《零售连锁行业内智能分析 AI Agent 的应用探索-岑润哲.pdf》由会员分享，可在线阅读，更多相关《零售连锁行业内智能分析 AI Agent 的应用探索-岑润哲.pdf（44页珍藏版）》请在三个皮匠报告上搜索。

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

7、响应业务新增指标需求新增指标需求01交易额A02交易额B03交易额C重复报表需求杂、指标口径不统一、难以实时响应业务变化集中式数据分析 VS民主化数据分析集中式数据分析：数据需求无限，开发资源有限，需求排队严重数据工程师杂乱数据源数据需求需求排队产品运营团队数据开发开发完成IT部门供应链团队会员运营团队门店经理客服团队大模型的出现，加速企业数据民主化进程数据Agent提出任务数据查询数据报表异动分析数据报告给出答案数据源利用大模型Agent能力，显著降本增效传统数据分析路径长，存在明显人力瓶颈老板任务数据+BI工程开发数据查询运营任务数据+BI人工绘制数据报表产品任务数据+BI人工梳理异动分析

8、临时需求数据+BI人工总结数据报告（人力瓶颈）（产出缓慢）（大模型）（秒级响应）门槛高商业分析，需借助研发与BI协助门槛低简单交互，人人都是数据分析师效率低需求响应数小时，决策不及时效率高数据查询，报告分析任务秒级响应能力薄只能查数，分析需要人工能力厚归因分析、异动分析、报告总结交互性弱以数据查询与看板展示为主交互性强多轮追问、歧义反问，有理有据粗旷式集中式/分散式民主式发展阶段阶段特点小规模、小数据分析分析可靠性不稳定，不灵活通常在个人层面闭环中等/大规模数据分析分析效率不稳定，质量差，依赖路径较长。响应慢大规模、海量数据分析全体用户级自助式分析分析到决策制定链路短，响应快参与人群规模少数个

9、体中等大规模用户角色独立分析师IT开发团队、商业分析师数据科学家、数据分析师企业公民分析工具Excel、SQL、IDE ToolsBI工具、Excel、notebook.指标平台、大模型、生成式BI、.分析效能低高从集中式到民主式数据分析的演进过程民主式数据分析：让企业内每一个公民可以实现从数据消费到决策数据民主化意味着企业内部每一个“公民”都可以通过极低门槛的方式获取和理解数据资产，并可以从数据资产中快速发现可执行的决策动作分析开发者业务分析师企业内“公民”数据民主化的最大受益群体大模型驱动的智能分析助手-数据语义层-数据平台底座-用户体验层-整合客户旅程，提供产品消费级用户体验以企业级指标

10、/标签体系为驱动，构建数据资产语义编织BI 工具数据挖掘工具读得懂、用得着，查得到面向企业全局主数据管理存储、通用底层数据模型数据仓库数据湖元数据集成元数据管理元数据服务融合指标标签平台人数占比5%人数占比15%人数占比80%大模型增强的智能分析 AI Agent 创新点创新点：实现 NL to Metrics+Label to SQL1最近7天A门店的订单量是多少？2XXX商品今年累计卖了多少？3今年XX商品的交易金额与退货金额分别是多少？4XX品牌最近3个月销量最好的Top3商品是哪些？这三个分别的好评率是多少？帮我解读下5华东区XX商品的下单金额周环比为什么下降了？任务难度系数难点枚举值

11、转维度枚举值转维度指标语义模糊指标语义模糊跨表多指标查询日维度上卷年维度多任务规划指标取数结果排序衍生计算多维归因报告解读NL2SQLNL to Metrics+Label to SQL可实现可实现可实现但不准可实现且准确难实现可实现且准确难实现可实现但不准可实现且准确可实现且易理解枚举值转维度同环比计算场景数据分析诉求时间维度产品维度数据指标数据维度任务指令地域维度公司维度假设我们有一个分析的任务，原来需要.Python/R/SPSSPython/R/SPSS数据可视化工具数据可视化工具异常检测算法异常检测算法了解了解SQLSQL基本指令与语法基本指令与语法学会绘制折线图学会绘制折线图高阶预

12、测模型高阶预测模型相关性分析相关性分析归因算法归因算法复杂复杂SQLSQL撰写撰写了解数据清洗机制了解数据清洗机制归纳总结能力归纳总结能力“帮我看看这几个指标，哪里出问题了，最后给我个分析报告，马上要”原始数据（Raw Data)有洞见的报告（Insights）大模型直接生成SQL的标准方案，存在效果瓶颈和性能风险使用大语言模型直接驱动数据库，通过AI生成的SQL语句，实现用户问答数据自动获取，当前研究发现存在一定风险与瓶颈数据查询任务大语言模型生成SQL语句（TEXT2SQL）SQL服务企业数据中台查询结果输出用户标准 NL 2 SQL 方案意图理解&结构化生成生成的SQL做数据库查询 准确

13、率低 企业级（千/万张表）数据查询 准确率约60-70%即使是GPT也难有一个直接可用的准确效果 性能存在风险 大模型写出的SQL未经优化，可能导致长查询的占比较多，性能不好甚至导致查询服务异常，多表关联的真实查询 性能不可控 学习成本高 预训练大模型未掌握企业客户数据与数据格式定义，当数据源过大时，大模型对表的结构学习成本高（增量预训练、长窗口、functioncall等）数据安全存在风险 大模型直接对接数据查询，缺少数据权限管控，隐私与安全性风险较高，用户可通过问询获取非用户权限内的数据 能力单一 很多高级的分析问题，单纯靠大模型生成SQL 无法解决交互式数据查询LLM带来的LUI+GUI

14、结合，显著提升数据分析体验不需要学习复杂的代码或产品功能，简单的LUI（Language User Interface）+GUI（Graphics User Interface）即可实现原有的分析与报告生成需求数据可视化数据可视化指标归因指标归因总结报告总结报告基于自然语言的指标分析基于自然语言的指标分析Language User InterfaceGraphic User Interface大模型增强的智能分析AI Agent,实现企业数据查询的端到端提升数据查询任务大语言模型意图理解指标/标签查询SQL服务查询结果输出用户指标/标签SQL转换指标/标签定义结合大模型+指标指标管理平台，NL

15、 2 MQL，提供更优方案 数据可信，准确率明显提升 预设数据指标的定义与管理，避免业务理解对不齐 借助思维链分析与歧义反问，提升泛化性，避免直接从文本到SQL 性能提升且稳定 基于自研的数据查询加速引擎，智能优化查询语句 Top95 可实现 从检索到回答的 秒级出数 学习成本低 指标的数据样本可通过大模型辅助生成 全流程白盒，企业客户用业务语言描述查询过程，方便快速排查 数据安全可保障 利用指标分析平台的权限管理能力，结合RBAC基础，对数据与指标进行精细化的权限管控，实现数据查询的安全可控 能力覆盖更全 高级数据分析问题，可通过精准的指标进行关联与展示，实现单项数据可查、报表可展示、总结报

16、告可生成指标转换意图理解&指标关联用指标关联的SQL做数据库查询结合数据指标与大语言模型，可实现用户问答数据自动获取，在准确率效果与性能稳定性层面提升明显交互式数据查询企业数据中台1.任务规划能力将复杂任务化繁为简，逐步拆解让大模型自动执行。2.数据理解能力依托指标和标签的语义特性，让大模型更懂数据。3.高效计算能力将计算任务通过自研计算引擎HME提交执行，极大优化了计算效率。基于大模型的理解和思考能力，实现基于自然语言的数据分析，并针对获取的结果数据进行智能解读与归因，提升经营分析效率用户Query是否适用分析Agent调用外部工具/知识库/模型本身问答是否使用规划器TOTCOT子目标分解R

17、eActAPI对齐Feedback:1.Finish/fail2.Result3.Reward元数据查询指标/标签查询图表生成场景指标推荐相似指标推荐参数解析图表推荐归因分析维度归因因子归因数据解读解读知识库数据分析API调用Text2CodeHM APIResult是是否否ActLLM规划规划指标行列权限校验大模型增强的智能分析AI Agent架构记忆短期记忆：会话上下文长期记忆：历史分析思路工具调用Agent规划过程中Thought Module至关重要1.你需要制定一个任务计划清单来确保解决问题，2.请简化以上问题，让其更容易解决3.请找到问题的关键假设，帮助解决问题4.将这个问题分解成

18、更小、更易于管理的部分5.从不同的角度分析问题、质疑假设和评估6.请一步一步的制定计划，并给出合理的解释.慢思考如何分析问题：逐步思考，分解法，反思法，批判法，假设法Select moduleAdapt moduleImplement module基于用户需求：task，在以下思考方式thought_modules，选择其中最有可能解决用户需求的思考方式，并输出。基于用户需求：task和已选择的思考方式：seletcted_module,重新编排和改写，生成新的reasonning_structure请使用以下推理结构reasonning_structure,解决用户需求：taskTask类型

19、同环比分析排序分析增速分析维度归因分析因子归因分析.利润同比去年怎么样哪个商品贡献毛利最高哪个区域销量增速最快哪些维度导致销售额降了销售额波动可能和哪些指标有相关性数势智能分析AI Agent的应用场景与创新价值案例背景：承接数字化转型战略，建立一套经营决策的指标分析体系在原有的数据仓库基础上，构建一套完整的指标体系框架，并帮助其打造一套可供战区负责人（管理团队）和门店督导（一线业务人员）快速使用的低门槛智能数据分析助手，推进数字民主化进程总部视角总部视角万元盈利率GMV净利毛利 加盟商加盟商督导督导顾客顾客渠道GMV渠道毛利门店运营成本 QSC稽核红灯绿灯新品销售达成 大众点评星级美团外卖星

20、级饿了么外卖星级小程序差评率 抓价抓价格格抓品抓品质质抓服抓服务务抓体抓体验验发现问题形成改善策略落地执行衡量标准门店精细化分析场景门店精细化分析场景统一数据资产（指标统一数据资产（指标+标签体系）标签体系）解决思路：以产品分析和门店运营切入，建设统一的分析思路、语言和工具统一的分析工具统一的分析语言统一的分析思路智能数据资产（指标）平台大模型分析助手管理层决策看板产品分析支撑产品上新、营销、下架的管理决策；门店健康度分析赋能管理到执行的运营策略优化构建统一财务经营、门店运营、门店管理、商品分析场景的指标体系，让分析能够进行多维度下钻打造基于统一数据的决策体系和策略诊断的支持工具指标体系设计框

21、架财务经营域门店运营域产品&供应链&外卖门店管理域指标维度6029x指标/标签维度6324x指标维度2227x指标维度2434x数势智能分析AI Agent实施架构与支持场景基座大模型（智能）SwiftMetrics数据指标平台（平台）SwiftAgent数据分析助手（产品）企业数据源（信息）指标管理需求管理生命周期管理权限管理分类管理指标开发快速配置开发低代码开发指标定义字典属性定义动态属性模板元数据管理权限管理数据源管理API接口服务高性能指标加速引擎国产大模型基座自定义指标资产交互式指标问询自动归因分析可视化报告自动生成交互式数据查询问答窗口指标全生命周期预警分析数据分析场景（应用）Pr

22、ompt微调模型微调产品力分析客户画像分析门店评价分析财务经营分析供应链库存分析营销效果分析会员运营分析客户投诉分析技术实现方式数据源模型层技术服务组件应用功能服务离线数据（包括矢量数据库/知识库/关系型数据库/分布式数仓等）实时数据外部数据接入模型微调推理加速模型管理大模型prompt管理Agent规划器COT设置模版管理场景索引槽位填充报告解读服务术语管理动态示例动态示例经验学习Fewshot服务指标标签检索指标标签管理查询优化预计算指标标签查询服务图表下钻图表推荐图表扩充图表切换图表生成服务分析算法意图识别代码生成指令优化计算分析服务反问澄清上下文对话压缩索引对话引导记忆管理服务调度任务

23、审核中心系统监控调度与监控账号体系角色权限数据提取module组合反思机制数据分析高阶分析数据解读决策干预指标提取画像提取指标分析画像分析基础解读模版解读维度归因因子归因智能预警指标预测基于结果输出建议（联动知识库）业务场景客户洞察门店管理员工绩效新品分析.应用场景1：当用户提问模糊的时候，怎么提升交互体验容错原则（容错原则（Help users recognize,diagnose,and recover from errors Help users recognize,diagnose,and recover from errors）理想中的“让用户随便说一句话，大模型产品马上开始完全自动

24、化执行”，往往是不太可能的，因为用户天生就是“懒”的，而且语言本身也具有一定的模糊性，因此在产品设计环节里，可以增加反问模块，让大模型更好的理解用户需求，一步一步把需求“精细化”，提升正确结果概率，增加使用者的信任感最近是多近？7天？天？30天？天？60天？天？什么渠道啊？线上渠道？线下渠道？线上渠道？线下渠道？三方渠道？三方渠道？按下单口径按下单口径的订单量还是按支付支付成功口径成功口径算的订单量？是按一个区间区间做同比分析还是按时点时点？希望查询哪个时间段的总资产情况？例如，是最近最近7天、最近天、最近1个月个月，还是今年年初至今今年年初至今的统计数据？您也可以自定义时间窗口蓝色蓝色代表可

25、点击的快捷按钮代表可点击的快捷按钮，给用户提供一个可点选的快速通道给用户提供一个可点选的快速通道同时情况同时情况1和情况和情况2提供自定义时间窗口供用户精准筛选提供自定义时间窗口供用户精准筛选希望做哪个时间段的对比呢？例如，是昨天相比上个月同期，还是昨天相比上个月末昨天相比上个月同期，还是昨天相比上个月末？您也可以自定义时间窗口情况情况1 1：时间维度表述不清楚：时间维度表述不清楚情况情况2 2：时间对比表述不清楚：时间对比表述不清楚创新价值1：用户可干预，让LLM反问并协助澄清情况情况3 3：指标表述不清楚：指标表述不清楚若用户问的指标不明确，可以通过若用户问的指标不明确，可以通过多路召回机

26、制多路召回机制，把用户最有可能想要的指标进行罗列展示，并让用，把用户最有可能想要的指标进行罗列展示，并让用户户准确选择符合提问语境需要的指标准确选择符合提问语境需要的指标，同时也可以快速查看每个指标的元信息与含义，同时也可以快速查看每个指标的元信息与含义创新价值1：用户可干预，让LLM反问并协助澄清应用场景2：如何让用户可以说企业内部的“黑话”贴近场景原则（贴近场景原则（Match between system and the real worldMatch between system and the real world）利用大模型原生的知识库技术（ex.RAG），来更好地让用户说他熟悉的

27、用词、短语和黑话，而不是强迫他说系统术语。用户运营用户运营部门理解部门理解活动运营活动运营部门理解部门理解经营分析经营分析部门理解部门理解“数据表现数据表现”=”=新客首单人数、成新客首单人数、成熟用户复购人数、流失召回人数熟用户复购人数、流失召回人数“数据表现数据表现”=”=活动活动PV/UVPV/UV、完成、完成活动人数、活动带来的活动人数、活动带来的GMVGMV“数据表现数据表现”=”=门店营收、门店成门店营收、门店成本、门店利润、各类损耗指标本、门店利润、各类损耗指标大模型：你到底要哪个！？后台知识库管理范围后台知识库管理范围如文档性知识、QA对问答样例、客服FAQ等通用文档通用文档不

28、同的业务角色在提出相似的问题时，分析场景和常用维度肯定是不一样的，因此需要预置让大模型理解。举例：当用户运营团队分析“门店情况”时，更多看的是新客首单人数、成熟用户复购人数、流失召回人数这类指标；而经营分析团队提出相似问题的时候，更多看营收、成本和利润类指标场景分析模版场景分析模版企业内部的专有名词管理（如指标的在企业内的常见简称、缩写，还有一些行业或者企业内部的黑话）R12M 指的是Rolling 12 Month年级指的是会员年限新客代表新增有效会员数企业内部专有名词企业内部专有名词SwiftAgentSwiftAgent产品内置企业知识库配置区域产品内置企业知识库配置区域多源数据读取：多

29、源数据读取：兼容不同格式的数据读取和处理，例如Word、PDF、CSV等向量召回向量召回：查询向量数据库，并得到相似度TOP的文本块Prompt构建：按照一定的规则组合Prompt，提高问答的准确率。文本向量化：文本向量化：清洗数据，将文本切块，并向量化存入数据库中。创新价值2：多源异构数据链接，如接入知识库记忆召回机制的优化：考虑用户角色与目标【记忆读取】融合当前需求与全局目标=(,)+(,)+()综合考虑最近性、相关性、重要性的记忆读取公式1=(,)+(,)+()+(,)+(,)在企业数据分析场景中，除了考虑Query与Memory的关系还应考虑用户角色/经营目标（k）与Memory的关系

30、，同样包括最近性、相关性演进知识库管理内容（1）：公司级统一语义的指标体系和分类33门店运营域稽核类指标是否监控异常目视化合格率基础服务合格率清洁卫生合格率产品品质合格率食品安全合格率红线合格率稽核分数外卖点评合格率是否串货是否红灯执行类指标QSC线上稽核整改完成率QSC线下稽核整改完成率是否完成慧运营开店任务上传是否完成慧运营值班任务上传是否完成慧运营打烊任务上传是否完成慧运营周月清任务上传是否完成慧运营运营管理人员“门店工作日”任务上传督导积分制督导平均积分培训类指标是否完成上新产品动作一是否完成上新产品动作二是否完成上新产品动作三是否完成上新产品动作四是否完成上新产品动作五是否完成产品周

31、周训是否完成督导周周训是否完成商学院推送学习任务是否通过新督导学习是否通过店长训学习是否通过累计“回炉”训练奖惩类指标罚款金额奖励金额奖励事由管理类指标门店首单时间分级类指标门店分级客诉类指标客诉责任率运营类指标口碑类指标督导人数督导平均司龄督导平均管辖城市数督导平均管辖店数门店合格店长配置率店均店员数（店长+店员）完成店长训人数本年累计督导离职人数本年累计店长离职人数店长打卡完成率分公司培训人员在岗率分公司营销人员在岗率NPS小程序差评率小程序店均差评数大众点评星级点评好评数点评差评回复率点评差评率美团外卖星级美团好评数美团差评率美团差评回复率饿了么外卖星级饿了么差评率饿了么外卖好评数饿了么

32、差评率回复率门店管理域门店总览拓新类指标地址转让总门店数总加盟商数加盟商带店率应营业门店数营业门店数平均营业门店数新签门店数新签加盟商数新签转址转让门店数新签转址转让加盟商数新开门店数新开转址转让门店数净增长营业门店数筹建门店数净增长门店数试营业门店数转址门店数转让门店数解约&闭店已闭店门店数已闭店待解约门店数暂停营业门店数解约门店数商品商品点踩率商品点赞率流水占比杯量占比供应链平均采购价格供应链平均售价供应链理论毛利额供应链理论毛利率曝光UV进店UV下单UV进店转化率下单转化率曝光下单率曝光UV(商圈同行前10%均值)进店UV(商圈同行前10%均值)下单UV(商圈同行前10%均值)进店转化率

33、(商圈同行前10%)下单转化率(商圈同行前10%)曝光下单率(商圈同行前10%)广告交易额提升订单数推广消耗投入产出比供应链外卖34产品分析模型分析目标产品上新分析产品活动运营产品下架评估分析方法市场洞察行业趋势竞品活动分析产品评价诊断产品点踩率分析产品效率诊断产品销售贡献分析活动ROI分析产品毛利与销量矩阵供给能力诊断门店库存分析策略支持 洞察消费者满意度，找到潜在爆品 帮助产品定级，合理评估投产比，让营销预算编制的更准确 优化产品售卖周期的营销策略，抓住产品的流量红利期，帮助带来更多业绩原料供给能力分析仓库库存分析订单差评分析产品评价与销量矩阵产品销售与渠道交叉分析活动期间过程分析评价热词

34、分析产品渠道毛利分析竞品上新分析 洞察市场热销品类及时优化营销策略 促进产品改进方向产品评价与销量趋势分析活动期间新品评价分析产品毛利趋势分析一阶段二阶段图例：知识库管理内容（2）：分析体系与方法结合存量指标体系与分析方法知识库，由大模型生成适合业务场景的问题35批量分析3篇引用应用场景3：用户不仅需要提取数据，更需要分析思路36我现在是拿到我想要的数据了，然后呢？我接下来可以问什么类型的问题？老板肯定不止要一份“数据”，要的是结论呀创新价值3：通过持续反思学习让大模型形成追问机制，帮助用户解决特定场景的问题37帮我看下哪个一级品类综合毛利最高帮我看下综合毛利高的一级品类里，哪个二级品类卖得最

35、好快捷键点击后可以快速进行报快捷键点击后可以快速进行报告生成或可视化告生成或可视化问题追问可以帮助用户实现从问题追问可以帮助用户实现从数据的数据的“What”“What”到到“Why”“Why”的跃迁的跃迁功能快捷键区域LLM辅助生成的追问区域报告自动生成可视化生成自动下钻归因分析Demo演示38总结与未来展望智能分析 AI Agent 的能力优势总结通过构筑企业的标准化指标语义层，让大模型完美解析用户需求，实现精准取数1.1.连接数据语言与业务连接数据语言与业务语言的语言的NL2MQLNL2MQL技术技术精细到指标行列权限的管控机制满足企业数据安全要求4.4.严格的数据严格的数据安全保障安全

36、保障让大模型及时反问与追问，引导业务人员一步步成为专业分析师2.2.用户友好的交互式用户友好的交互式反问与引导反问与引导大模型的思维链与ReAct架构辅助高效拆解复杂问题，并精准回复3.3.基于基于AgentAgent架构的架构的强大规划能力强大规划能力“准确”“友好”“敏捷”“安全”智能分析 AI Agent 的未来展望能和人一样总结归纳了能和人一样总结归纳了升级为总结之后自动决策升级为总结之后自动决策能生成一份报告-通过连接让对应的系统自动执行大模型从能听懂人话大模型从能听懂人话升级为帮人说话升级为帮人说话让用户提出问题-帮用户生成适合这个场景的问题Listen-SpeakListen-SpeakBasic Plan-Expert StrategyBasic Plan-Expert Strategy能像人一样规划了能像人一样规划了升级为像业务专家一样规划升级为像业务专家一样规划本科生的规划能力-研究生/博士生的垂直领域的规划能力Conclusion-Conclusion-DecisionDecision谢谢！扫码添加数势科技小助手申请产品试用或了解更多