aloudata 大应科技宣布其自研的分析决策智能体——aloudata agent 公开体验版正式发布，面向全行业免费开放体验。该产品是业界首个公开版企业级分析决策智能体，旨在以“noetl 明细语义层 + 多 agent”架构为支撑，深度融合专业领域业务知识，帮助不同业务角色在统一数据底座上，创建与业务场景深度适配的智能数据分析助手，通过自然语言交互，实现“智能问数-智能归因-智能报告”的分析决策闭环。
该产品的发布，不仅标志着Aloudata 大应科技跑通了大模型和数据工程结合，实现高效、灵活、准确、安全地智能问数的NL2MQL2SQL（MQL:MetricQueryLanguage）的技术路径，还将“万数皆可问”升维到数据驱动的行动建议，精准赋能业务决策与创新。
落地 ChatBI 不止于“万数皆可问”，分析决策闭环才是核心
随着大模型在企业中的应用日益广泛，场景不断拓展，企业数智化转型速度加快。在数据分析领域，基于大模型的数据分析 Agent（即：ChatBI）迎来爆发，宣告了智能 BI 时代的到来。
与传统 BI 和敏捷 BI 不同，智能 BI 推动了数据民主化，赋予了业务人员更大的自主权，即便没有深厚的技术背景或数据分析经验，也能轻松完成取数、看数，无需漫长地等待 IT 人员和分析师制作报表。这一转变，让业务一线获取数据的效率大幅提升，也使得“万数皆可问”成为可能。
然而，从业务人员的实际需求来看，当查询到某个数据后，他们往往会自然产生进一步探究的欲望。例如：数据表现不佳，迫切想知道原因所在；数据呈现良好增长态势，希望了解背后的驱动因素。这种对数据变化进行归因分析的需求，是业务人员在获取数据后顺理成章的下一步动作。
进一步讲，业务人员在进行查数、看数和归因分析时，还期望将分析内容拓展深化，以形成更具洞察力的分析报告，为下一步的决策行动提供有效建议。而这对于业务人员来说难度较大，需要耗费大量时间和精力，且分析结果质量参差不齐。
因此，落地 ChatBI 应不止于“万数皆可问”的数据呈现，更应实现从“智能问数”到“归因分析”再到“报告解读”的完整路径端到端分析决策闭环，让业务人员可以清晰地了解到数据是什么、为什么会这样，并能深入查看更多相关数据，获取更多分析点，从而作出更科学、合理的决策和行动方向。
Aloudata Agent 产品经理赵袆祺表示：“在这样的逻辑下，我们希望将 Aloudata Agent 与专业领域知识深度融合，构建适配不同业务场景的智能分析助手，为财务、HR、运营等不同业务角色提供更优质的数据分析服务，全面助力企业数智化转型。”
以 NoETL 明细级语义层为统一数据底座，保障数据可得可信
为了实现分析决策的闭环，AloudataAgent 没有选择市场主流的NL2SQL和NL2DSL2SQL技术路径，而是选择了NL2MQL2SQL的技术路径。因为经实践验证，前两者目前尚存在着“无法覆盖全部数据分析场景”、“数据口径不一致”、“分析灵活性不足”及“数据安全难保障”等问题。
导致这些问题的原因在于，NL2SQL和NL2DSL2SQL技术路径缺乏一个强大的数据底座，无法为上层Agent 提供完整的数据覆盖、精准的数据语义、强大的查询性能、可靠的安全保障等能力支持。
相较之下，NL2MQL2SQL这一技术路径将NoETL明细级语义层作为坚实的数据底座，确保了智能分析的数据可得可信，并在灵活性、高效性、安全性等方面提供了强大保障。具体表现如下：
数据完整：基于明细层数据模型进行语义抽象，突破分析维度和数据粒度的固化，覆盖完整的分析场景；
口径统一：结合统一的指标语义管理，确保无论谁提问、如何提问，指标的计算口径始终保持一致；
分析灵活：在统一口径基础上，进行任意指标和维度的动态组合、自由下钻，真正实现“灵活查数，口径统一”；
查询高效：智能物化加速和查询路由改写，保障海量数据查询性能，百亿级数据查询稳定秒级产出；
安全可控：基于指标权限管控和行列级数据权限配置，保障数据查询的安全可控。
在落地过程中，用户只需将数仓中的 DWD 层数据接入 NoETL 明细级语义层，标准化定义基础指标和维度即可完成数据语料准备。随后，用户在智能层进行问数时，像搭积木一样灵活组合基础指标、维度和日期，便可实现派生指标的即时计算和问数。例如，在 NoETL 明细级语义层仅定义“销售额”指标，问数时可围绕时间趋势提问，查询最近 30 天销售额，也可进行某段时间内销售额的最大、最小值和平均值计算，还能通过指标与维度组合过滤，查询特定渠道或品牌的销售额等。
以NoETL明细级语义层为坚实的数据底座，结合基于COT和ReAct 的多Agent 架构，AloudataAgent 将NL2MQL2SQL的技术路径分为两大模块：
一是大模型 Agent，能够准确识别用户查询目标，精准理解业务意图，生成指标语义查询MQL，并负责将数据结果转化为易于理解的洞察语言和图表报告；
二是指标语义引擎：将 MQL自动转化为可执行的SQL语句，实现100% 准确的SQL查询和物化加速，高效、准确输出数据结果。在正式查询前，指标语义引擎通过查询API 鉴权，核查用户对查询指标、维度及相关数据的权限，保障数据安全。
“通过将专业的任务分配给专业的模块来执行，我们实现了大模型和指标语义引擎的有效结合，并通过预先定义好的指标语义知识紧密连接，最终帮助用户实现与数据的高效协同交互。”赵袆祺对此强调。
三大能力助业务分析决策闭环，深度适配业务场景创建分析助手
基于NL2MQL2SQL的技术路径，AloudataAgent 不仅实现了“万数皆可问”的智能问数，还具备了以指标为中心的智能归因，以及主动生成智能报告的综合分析能力，从而为业务提供深度洞察和行动建议。在AloudataAgent 支持下，业务便能够自助打通“取数-分析-决策-行动”的数据驱动决策的完整链路。
其中，智能问数支持业务通过自然语言进行数据查询，借助大模型的意图理解和语义知识库检索能力，自动解析语义逻辑，如时间、指标、维度、筛选条件和衍生计算等各种要素，再经由指标语义层精准生成并执行SQL 查询，快速返回数据结果。无论是“北京各门店上周的客单价是多少？”，还是“今年各月华东大区的 GMV 增长率趋势如何？”，AloudataAgent 都能轻松应答。
当业务完成取数，发现数据波动时，如“Q2 利润下滑”，可进一步追问原因，“为什么利润下降？”、“主要受哪些因素影响？”。Aloudata Agent 基于明细级维度下钻和指标因子关系挖掘，可自动识别关键影响因素，帮助用户快速定位问题源头。
针对复杂分析任务，如“上半年经营情况”，Aloudata Agent 可自动制定分析思路和任务规划，整合趋势、对比、归因结论，生成包含数据结果查询、异常发现、归因、对比与改善措施建议的结构化报告，将数据洞察转化为可执行的业务动作，在降低业务撰写分析报告门槛的同时，也大幅提升了决策效率。
众所周知，企业不同业务场景中，不同的岗位角色关注的问题、使用的术语，以及所依赖的数据和决策建议千差万别，例如门店运营更为关注“单店业绩”、“客流转化”、“库存周转分析”等，区域经营则关注“多店对比”、“市场渗透”、“资源分配建议”等。如此类场景还有财务、人力资源、销售、供应链管理等。
因此，AloudataAgent 支持深度适配不同业务场景，按照业务职能或数据领域，创建场景化智能分析助手，帮助不同业务更直接地获取所需数据结果和分析报告。每个助手可配置独立的资源管理，业务对负责的的指标资源进行独立管理和维护，以确保信息隔离，避免造成各业务领域间的数据干扰。同时，每个助手还并支持业务维护个人术语知识和分析思路，以确保分析助手更加符合自身的数据分析习惯。
除此外，Aloudata Agent 还具有四大特征：
分析过程透明化：将分析过程精准翻译为用户易于理解的语言，详细呈现查询所涉及的指标与维度，及计算口径，让用户清晰判断输出结果的准确性，确保对指标口径的理解，保障数据分析的可靠性；
用户可调整可干预：针对模糊问题，通过“反问”机制与用户进行二次确认，确保问题意图的精准把握。用户可依据实际需求，灵活调整查询条件，与大模型实时交互确认，包括二次确认查询内容、动态调整查询参数等操作，从而快速获取符合期望的准确数据，提升数据查询的效率与精准度；
交互式引导追问：在分析过程中，支持结果下钻与引用追问，以及基于历史会话的问题精准推荐和智能引导，帮助用户精准锁定上下文信息，确保追问过程的连贯性与准确性，深入挖掘数据背后的潜在价值，实现更全面、更深入的数据洞察；
知识可沉淀可隔离：支持用户构建并维护个人知识库，实现不同场景下知识的有效隔离。基于这种机制，大模型能够快速学习特定场景下的专属知识，针对性地提升问题回答能力，有效避免因知识混淆而导致的回答偏差，为用户提供更加专业、精准的数据分析服务。
“通过 Aloudata Agent，我们帮助业务实现从‘数据获取’到‘分析洞察’再到‘决策建议’的三级跃迁。”赵袆祺表示，“支持创建场景化智能分析助手，更是开启了全新的数据交互形式，就像为特定业务角色量身定制的数据伙伴，深刻理解业务用数需求，针对性提供数据分析服务，精准赋能业务决策和创新。”
目前，Aloudata Agent 公开版已开放免费体验，欢迎访问 Aloudata 官网，立即预约。
