基于知识库构建数据 Agent——及其在 CDP 中的运营实践
导读 本文介绍了基于知识库构建数据 Agent——及其在 CDP 中的运营实践。
1. 引言:从产品到“陪跑”的挑战
2. 下一代产品:从知识库到 Agent
3. 知识库的构建(SKB)
4. 数据 Agent:神策 AI 智能分析师
5. 神策 AI 智能运营师
6. JTracking:一个 AI Native 的海外探索
7. 综合案例:AI Agent 在银行业的实践
8. 未来展望:从“卖能力”到“卖确定性”
分享嘉宾|曹犟 神策数据 联合创始人 & CTO
内容校对|郭慧敏
出品社区|DataFun
01
引言:从产品到“陪跑”的挑战
在过去十余年的发展中,神策数据构建了一套围绕数据驱动的产品全景图。这套体系以客户数据平台(CDP)和数据仓库为基座,负责接入、治理和管理来自 SDK、API、数据湖等多种来源的数据,并提供分群、标签等能力。
在此基座之上,有两个核心应用:
神策分析:作为用户行为分析工具,它提供了行为分析、用户画像、指标管理、智能洞察等功能。
神策智能运营:这是一个典型的营销自动化(MA)产品,强调数据不仅用于分析决策,更要直接驱动和编排对用户的精细化运营,包含流程画布、运营计划、通道管理等模块。
此外,我们还有广告分析(类似于国内的 AppsFlyer 或 Adjust)和 A/B 测试产品。整个产品思路是打通从数据采集、处理、分析到最终行动(Action)的完整链路。
然而,在服务了 2500+ 家客户后,我们发现,即使提供了完整的产品链路,要真正实现“数据驱动”,企业依然面临着巨大的鸿沟:
技术鸿沟:搭建和维护一个复杂的数据分析与用户运营系统,需要专业的技术知识和技能。这对于许多企业而言,意味着高昂的人力物力投入以及持续的技术更新压力。
数据鸿沟:数据的价值依赖于治理,没有治理的数据是“Garbage In, Garbage Out”。随着数据量激增,治理的挑战也越大。同时,不同行业、不同企业的业务场景各异,如何构建有效的数据模型和指标体系,本身就是一道难题。
业务落地鸿沟:数据驱动的核心是业务闭环。企业需要将高阶的业务目标拆解为可执行的运营目标,再制定运营策略,最后通过数据分析对结果进行归因,形成迭代。但在实践中,如何准确拆解目标?如何制定有效策略?如何准确归因?这些问题常常阻碍业务闭环的形成。
管理挑战:上述三个鸿沟共同构成了一个复杂的管理问题。它需要技术、数据和业务专家之间的高效协作,但这背后涉及跨部门的沟通机制、利益协调和信息共享,挑战重重。
神策“陪跑”模式的探索与局限
面对这些鸿沟,我们意识到,仅仅“卖工具”是远远不够的。客户需要的不是一个功能繁杂的软件,而是实实在在的业务结果。
为此,公司尝试了一种“陪跑”服务,派出自己的业务专家,像客户的内部员工一样,深度参与到他们的业务中,帮助他们拆解指标、制定运营计划、使用工具执行并分析结果。
例如,团队曾服务一家知名西式快餐企业。他们的一款主力产品“草莓堡”销量持续下滑,计划在口味升级后,以 8.8 元的低价重新推广。
陪跑团队介入后,首先利用神策分析对历史数据进行挖掘。通过人群画像对比,发现购买“草莓堡”的用户群体呈现出“偏好多人餐”和“笔单价较高”的特征。
基于这一洞察,判断单纯的 8.8 元低价策略可能并不匹配核心用户的偏好。于是,制定了 A/B 测试策略:
策略 A(高门槛):针对用户偏好,推出“双人餐 5 件套,39 元起”。
策略 B(低价):按照原计划,主推“1 个汉堡,8.8 元”。
最终的推广复盘数据显示,高门槛的策略A无论在活动期间的营业额增量(近 3 倍于低价组),还是在活动后的客群留存消费上,都显著优于低价策略B。整体策略组(A+B)相比空白对照组,营业额提升了 2.3 倍。
这个案例证明了“陪跑”的价值。但作为一家产品公司,我们也深刻认识到“陪跑”模式的局限性:
商业模式不可持续:人力咨询和陪跑服务的毛利远低于标准化产品,难以规模化。
依赖专家个人能力:陪跑效果高度依赖业务专家的个人经验和行业理解。这些知识沉淀在文档或个人大脑中,一旦专家离职,知识便随之流失。
“陪跑”模式治标不治本。我们需要一种新的方式,将业务专家的智慧沉淀下来,让产品本身就能解决业务落地的问题。人工智能(AI)的浪潮为此提供了可能。
02
下一代产品:从知识库到 Agent
我们开始思考,如何将“陪跑”过程中最有价值的部分——即业务专家的经验和知识——产品化、系统化。
1. 业务目标驱动的知识视图
团队将“陪跑”的完整流程进行了抽象。它始于一个“业务目标”(如提升 GMV),需要被拆解为具体的“运营目标”(如提升客单价或复购率)。基于对用户的理解,我们制定“运营策略”(如高门槛套餐),执行后产生“运营结果”。最后,通过“归因分析”来判断结果的成效,并指导下一步“迭代”。
这个“目标拆解 -> 策略制定 -> 结果归因 -> 知识迭代”的闭环,本身就是一套可以被管理的知识体系。
我们希望构建一个“神策知识库”,用来承载和管理这些知识,包括:
管理实践:如 OKR/KPI 的目标拆解方法。
运营策略库:沉淀不同行业、不同场景下的最佳分群策略、有效用户路径等。
分析与归因:包括常用的归因逻辑、辅助指标和分析看板。
用户偏好:如不同人群对渠道、时间、内容、权益的偏好。
通过人工经验的数据化验证、历史运营数据的挖掘,以及数据经验的人工确认,将这些隐性知识显性化、结构化地存入知识库。
2. 业务目标驱动的产品视图
在新的产品视图下,底层的 CDP 和上层的分析
数据分析、智能运营等产品依然存在。但在它们之间,我们加入了新的核心层次:
知识层:从底层数据和外部经验中抽取知识,构建统一语义层和知识引擎。
AI Driver(s):基于知识引擎,构建一系列的 AI Agent(智能体),用于驱动数据洞察、指标生成和策略生成,从而赋能上层的分析与运营应用。
03
知识库的构建(SKB)
构建 Agent 的前提是构建一个高质量的知识库。团队从数据建模的视角重新设计了这一架构。
1. 知识库的数据建模架构
数据层:最底层依然是传统的数据仓库或数据湖,按照业务域治理数据,如主数据表(Master data table)和事务数据表(Transactional data table)。
语义层:这是为了让 AI 更容易理解数据而新增的虚拟层。它不存储实体数据,而是定义数据层中不同表、不同字段之间的关联关系和业务含义。例如,AI 需要知道“amount”字段到底是指“订单金额”还是“实付金额”。
指标层:用于定义 AI 无法(或不应)自行推断的核心业务指标。例如,“活跃用户”这一定义在每家企业都可能不同(如“3 个月内登录超过 1 次”+“个人信息维护度大于 70%”)。这一层将复杂的计算逻辑和业务口径固化下来,确保 AI 调用时的准确性。
MCP 层:将指标层和语义层封装起来,提供给 Agent 调用的中间层。
Agent 层:在最顶层,预定义各种场景的数据处理逻辑、跨业务域的数据查询和整合逻辑,供上层应用调用。
2. 场景化的知识逐层渗入
为了实现对知识的精确控制,将其分为三个层面:
知识/数据准备:这是最基础的工程处理。对非结构化数据(如 PDF、PPT 文档)进行场景化切片(Chunking),确保切分的片段在语义上完整;对结构化数据(如表格字段)进行向量化,以便模型理解和检索。
知识构建:这是狭义上的知识库构建。包括建立同义词表、进行歧义消解、定义默认关联信息、配置模糊匹配规则,乃至构建知识图谱,确保 AI 能准确理解查询意图。
工作流配置:这是知识的应用层。需要结合业务域和行业 Know-how,配置多轮对话编排、上下文关键词提取、用户画像补全和话术模板,最终驱动不同的 Agent 执行任务。
3. 神策知识库(SKB)产品
基于上述理念,打造了神策知识库(SKB),它既是后续 Agent 的基础,也是一个可单独交付的企业级严肃知识问答产品,追求 90% 以上的精确度。
其核心功能包括:
知识加工:支持自部署模型(OCR、布局识别等)和第三方解析,对文档进行智能切片。
精确度提升:通过独立的 FAQ 管理、AI 生成相似问法、知识标签、评测中心等工具,持续优化问答准确率。
运营管理:提供多层级文件夹、专业/敏感词库、业务知识维护、细粒度数据权限控制。
系统管理:支持与企业自有的账号…