数据规范性分析框架在对话式商业智能产品中的应用探索


数据驱动与智能化快速发展的当下,高效解决复杂业务场景的决策问题成为各行业核心诉求。传统决策依赖人工经验或单一数学模型,难以全面覆盖数据时序特征、资源约束与业务需求,且建模耗力耗时。本文提出融合运筹学模型、统计学习方法与生成式大语言模型的规范性分析智能体框架,该框架经垂直行业应用验证,在提升决策效率、降低成本、优化资源利用等方面表现突出。本文旨在为自动化、可解释、高效的智能决策提供新思路,为构建可复用的行业解决方案奠定有效路径。


数据规范性分析框架在对话式商业智能产品中的应用探索



摘要:本文探索了数据规范性分析框架在对话式商业智能(Chat Business Intelligence,ChatBI)产品中的应用。该框架融合运筹学模型、统计学习方法与生成式大语言模型,通过自动建模与优化算法为决策提供量化最优方案。研究通过产品最优组合和动态定价两个典型场景验证其有效性:在线性规划问题中实现20倍效率提升;在半结构化场景中展示出自主规划与多技术融合的决策能力。结果表明,该框架能显著降低决策门槛,推动企业从描述性分析向规范性智能决策转变,为构建自动化、可解释的智能决策系统提供了技术路径与实践参考。


一

技术背景和驱动力


数据规范性分析的技术根基源于生成式大模型、智能体等多种先进计算技术的融合与成熟。它以成熟的预测性分析(依赖机器学习和统计模型)作为洞察未来的基石,进而引入运筹学优化算法和模拟技术,在复杂的业务约束下自动寻找并验证最优行动方案。同时,生成式人工智能技术和智能体技术的逐步成熟,使得数据规范性分析能够得以与现有的数据分析系统和工具进行深度结合,并真正形成一个完整、自动化智能决策系统。


从另外一个方面讲,在现今日益复杂的商业环境中,企业对决策质量和效率有着非常高的要求。不仅要回答“是什么”、“为什么”等现实问题,更要回答“将会发生什么”、“应该怎么做”等进一步的决策建议,进而推动企业从流程自动化迈向数据驱动的决策智能化,以在激烈竞争中保持优势以及最大化有限资源利用效率。


二

技术框架


毫无疑问,作为一种数据分析范式的规范性分析框架,其本质是一个集成了“感知-预测-优化-执行-学习”能力的、不断进化的智能决策过程和决策系统。它需要为用户提供可解释、可执行的决策建议,并且需要持续从决策的结果中学习,自动调整和优化模型,使其越来越智能和精准。


从产品和技术的实现逻辑视角分析,一个类Manus框架的决策分析智能体,以及基于GenAI技术的决策能力增强是实现规范性分析的两个必要条件。


(一) 类Manus框架的决策分析智能体


Manus架构可以通过规划、执行和验证三个子模块的分工协作,实现了对复杂任务的高效处理。这种Manus架构的智能体在完成表格数据分析报告任务时,可通过自动生成和调用算法模型,实现更深入的分析,通过自动调用三方或指定可视化组件,实现更丰富的展示,通过将取数、增强分析、可视化过程融合实现端到端分析流程。特别适用于轻量、明确的基于可靠数据的自动分析和可视化展示任务。


另外,该智能体还需具备强大的业务场景识别与分类能力,能够高效、准确地将用户的业务问题,分解为取数、场景分析、数据建模等典型的数据分析场景,以实现高效的业务问题路由。


(二) 基于GenAI技术的预测和决策能力增强


GenAI技术通过使用先进算法实时创建和评估各种潜在场景及决策规则,从而进一步增强预测性和规范性分析能力。该功能能够基于不同条件和参数快速模拟结果,使决策者更深入地理解潜在影响,并据此优化战略选择。



图1:通过GenAI进一步增强预测与规范性分析能力


三

技术预研:ChatBI产品应用


为了进一步评估和切实推进数据规范分析框架在亚信科技ChatBI产品中的应用,ChatBI产品组织了以验证产品引入规范分析框架是否可以有效降低决策成本、提升决策智能化程度和资源利用效率为目标的技术预研,并选择了两个典型的规范分析场景,然后建立完善的技术评估流程,最后通过POC的方式从中筛选出目前效果最佳的技术路线。


(一)场景选择


为全面评估规范性分析框架的能力边界,本研究选取了两个具有代表性的业务场景:


【场景1】 产品最优组合:典型的结构化优化问题,具有明确的目标函数和约束条件;


【场景2】 产品动态定价:半结构化决策问题,涉及多因素分析和策略规划。这两个场景分别代表了企业运营中资源分配优化和收入管理优化两大核心领域,具备显著的业务价值和普适性。


1.场景1:产品最优组合


“产品最优组合”场景属于高度结构化的决策问题。该问题目标明确(利润最大化),约束条件清晰、量化(资源工时、最低订单),且存在可通过精确算法求得唯一最优解的数学模型(线性规划)。选取此场景的首要目的是验证规范性分析框架在解决具有明确数学表征的优化问题上的技术可行性、准确性与效率。


【场景描述】:xxx公司通过互联网为营利性企业和大学的研究人员制定(即安装、配置、验证)DL1和DL2两种用于人工智能和深度学习项目的计算设备或工作站。这两种工作站中,DL1的成本略地,功能稍差,安装也不那么复杂。在给客户发货之前,每台工作站都需要一定的安装实践和软硬件配置时间并经过完善的质量控制程序。表1所示是对每种工作站执行这三项任务所需要的时间。


表1:每种工作站的时间和任务汇总



每台DL1的售价为1400美元,利润率为25%;


每台DL2的售价为2375美元,利润率为20%。


公司有一些忠实的客户,他们每个月的总持续订单数为50台DL1和50台DL2。


这家公司希望确定每个月生产的产品组合情况,即DL1和DL2的准确数量,以便使每个月的总利润最大化。


2.场景2:产品动态定价


“产品动态定价”场景则属于半结构化或非结构化的决策问题。该问题虽然终极目标明确(利润最大化),但其实现路径涉及多因素(竞争对手、客户细分、价格测试)的交互影响,部分输入数据不确定,且不存在唯一的、封闭的最优解。选取此场景的目的,是检验框架在处理复杂、多步骤业务推理,以及综合运用多种分析技术以支持最优决策方面的能力。


该场景可模拟真实市场环境,选择零售领域的典型数据,通过参照竞争对手分析、客户细分和价格测试的多因素,动态制定最优价格的实现利润最大化测试,进一步验证ChatBI产品的复杂规划能力。


(二)POC环境准备


•ECS服务器:8C32G,500G;千兆以上网卡


•GPU:A100 - 80G显存的GPUX2


•数据:Kaggle


•模型:Qwen3-coder-plus, Qwen3-235b


(三)技术场景验证


1.产品最优组合分析


(1)验证目的


产品最优组合类验证场景,旨在验证ChatBI产品在面对典型的资源约束最优化问题时,能否通过其集成的规范性…

— 以上为试看内容(约 40%),开通会员后阅读全文 —