2024年AI指标平台权威排行榜：企业数智竞争力构建指南

近日，Kyligence的数智论坛上，其联合创始人兼CTO李扬分享了一些关于AI与指标平台结合的深度思考，并正式发布了全新的企业级AI解决方案。这套方案并非空谈，而是已经落地于金融、零售、制造、医药等多个行业的头部客户，旨在为企业提供一个准确、可靠、智能的“AI+指标平台”一站式方案。说白了，就是希望帮助大家在数智化浪潮里，先一步看清方向，踩准节奏。

以下是这次分享的核心内容整理。

我们先来聊聊一个根本问题：什么才算得上是真正的“智能数据决策”？

一个很明显的趋势是，AI在解决实际问题上的角色越来越重。虽然目前决策的主体还是人，但从趋势来看，AI必然会更深地介入整个过程，逐步替代人完成重复性的决策工作，最终实现一定程度的自动化。这个方向，很多企业都看好。毕竟，AI在文本、音频、视频甚至代码生成上的表现，已经实实在在地替代了一部分人力。那么，一个关键问题来了：AI在“决策”这件事上，表现如何？要回答这个问题，得先看看AI是怎么“学习”知识的。

最典型的文本学习，就是通过海量的语言和文本来向AI“描绘”知识，所以它的基本单位是“语言”。你看像Sora这样的模型，它的基本单位是“影像碎片（Patches）”，也是从最细小的单元开始积累知识。

那么，数据决策的知识，它的“基本单位”又是什么？

让我们回到最初的问题，数据决策的知识是如何积累的？看一个例子：你在和ChatGPT对话时，如果一步步引导，它甚至可能学会“1+1=3”这样的“事实”。这说明，以目前AI的学习方式，它其实不太适合直接处理数据决策，结论的准确性是个大问题。

再举一个更实际的例子。比如，你想知道“商品销售指标怎么样”？问一个简单的机器系统，它可能直接给你一个求和。但业务上要的，可能是扣除复购品类、剔除重复计算的工作日、以及各种税率影响后的结果。当下流行的“文本生成SQL”的方法，就很难准确满足这种复杂的业务需求。

所以，数据决策的知识在哪里？我们认为，指标是一个关键的锚点。就像语言是文本知识积累的起点，对于数据而言，统一的数据语言就是指标。具体到某个行业，比如零售，一个“客单净利润”的定义，背后可能是一连串精确的公式。可以说，想要做智能决策的积累，首先要积累“指标”这套标准的数据语言。

Kyligence AI 解决方案

基于这个判断，Kyligence在2023年就将AI能力全面集成到了产品中，推出了智能一站式指标平台Kyligence Zen和AI数智助理Kyligence Copilot，并在金融、零售、制造、医药等客户的真实场景里跑通了。

基于这些技术积累和落地经验，我们正式发布了AI解决方案。它的目标是给企业级客户提供一套准确、可靠的Data+AI落地应用。具体怎么做呢？对接企业已有的数据源后，智能一站式指标平台帮助企业建立统一的数据语言（指标），实现统一的目标管理，以及服务型的数据治理；配备的AI数智助理能大幅降低业务用户用数据的门槛，帮助快速决策；而其背后的企业级OLAP平台，则为大规模用数据和推广AI应用提供了坚实的技术底座。

具体展开看，我们帮助企业实现的第一步，通常是“服务型的数据治理”，也就是建立基础的数据服务。这一步很多企业已经完成了。接下来，就是建立统一的数据语言，用“指标”这种简单、标准化的语言来表达复杂的业务逻辑——你可以把它理解为数据世界里的“普通话”。

再下一步，就是统一的目标管理。设定指标，就等于明确了目标。比如，设定了销售总额，再分解到各个产品线、各个区域。基于统一的语言和目标，AI数智助理就能上场了。比如，分析哪些指标偏离了目标，分析背后的原因，甚至能利用指标之间的血缘关系，帮你找到解决方案。

在这个路径上，一开始决策主要靠人，形成一个决策闭环。随着循环不断积累，我们可以沉淀出数字决策知识库，AI的决策智能也会随之成长。目前，企业可以通过Kyligence指标平台赋能各级用户：既可以用BI工具或Excel做分析，也能通过简单的聊天交互获取数据洞察，逐步建立起数据驱动的文化。

上图是Kyligence Zen中目标管理的页面，顶层目标被逐层拆解。这套机制可以帮助企业构建一个可衡量、可追踪、可执行的北极星目标跟踪体系。AI数智助理不仅能总结整体进展，还能细化到每日、甚至全国数千个门店的落实情况，针对各类产品的推广策略进行分析。在庞大的目标管理系统里，它能准确汇报，提供高风险预警，提升决策的效率和预见性。在系统的可靠性和安全性方面，Kyligence已经实现了上下游的安全集成和深度整合。

这套AI解决方案的几个核心亮点在于：全自动智能优化，基于企业级OLAP平台的一站式指标平台，以及用AI进行大范围目标管理和评估的能力。右侧的AI数智助理支持对话式数据分析、智能归因、快速定位业务痛点。我们如何做到95%的准确性和100%的可解释性？后面会详细说。综合来看，这套方案在当下的市场里，还是具备比较强的核心竞争力的。

AI 对话类数据分析的进展和实践

AI 如何实现企业级可靠

我们来看看如何帮助头部金融机构应对数据挑战。一个常见场景：领导层想随时了解最新目标进展。这时，你需要从不同系统汇总数据，很容易遇到口径不统一。前线客户经理也需要实时数据，而IT部门不一定能及时支持。

Kyligence提供的AI+指标平台方案就能很好应对这些挑战。比如在绩效分析的场景里，通过对话就能满足各层级的数据需求。指标平台不仅精确，还确保了数据的100%可解释性，用户友好且高效。

准确性是AI商用的生命线，一般认为至少要达到95%以上。但光有准确率还不够。举个例子，IBM Watson曾有一个分析员工流失率的AI系统，技术上达到了95%的准确率。但从HR角度看，这意味着它给出的建议里，有大约一半是误报。所以，在商业应用中，100%的可解释性和可靠性才是硬道理。

Kyligence 的 AI 技术路线

基于标准的指标体系，AI数智助理经过优化，可以达到非常高的准确度和响应速度。目前Kyligence的产品已经能达到95%的准确率和100%的可解释性。怎么做到的？关键在于两个核心问题：语言理解的准确性和数据的安全性。

在语言理解准确性上，主要有两条技术路径：一是“自然语言到SQL”，二是Kyligence采用的“自然语言到指标查询再到SQL”。两者的关键区别在于可解释性。NL to SQL对技术人员来说能节省不少时间（约30%-40%），但对于非专业用户，生成的SQL晦涩难懂，根本无法验证和调整。

我们采用“自然语言→指标查询→SQL”的路径，查询结果是可解释、易理解的，每个普通用户都能搞懂过程，实现了100%的可解释性。这个思路背后有一个权衡：模型的复杂度越高，需要的训练数据越多，但可解释性会下降。用SQL作为训练目标不是最理想的，因为SQL的表达力和灵活性太强了，导致可解释性降低，复杂的SQL语句只有极少数技术人员才能看懂评估。相比之下，将自然语言转换为指标查询，是在当前技术背景下更优的选择。

值得一提的是，OpenAI也提示过，SQL的自动生成目前仍是高风险技术，在生产环境中并不可靠。整个技术界目前都不太推荐在商业场景中直接使用SQL生成。

回到Kyligence的技术路线，它采用的是Multi-agent多智能体架构，核心路径是“自然语言→指标→SQL”。这符合企业对数据安全的首要需求。同时，也保留了代码生成和SQL生成能力，为未来技术发展和技术型用户提供效率提升的可能。我们的主推方案，是以指标查询为主的“安全驾驶模式”。在这种模式下，AI数智助理虽然能力有限，但足以保证高准确率地回答业务问题，这也是我们能保证95%准确率和100%可解释性的重要原因。

目前，这套系统在处理问答时，对推理计算的需求能优化到小于2000个Token，并配有持续增强机制。用户可以通过反馈告诉AI理解错的地方，指导它学习正确的意图，不断提升理解能力。

数据安全性对企业用户至关重要。很多企业担心数据导入大模型后的安全问题和权限控制。在Kyligence的方案中，指标平台起到了安全保护作用，大模型并不直接访问企业全部数据。所有操作都在指标平台系统内完成，确保了准确、可靠和企业级的安全管控，比如角色和行级数据访问控制。这样，指标和AI结合的系统，既安全又强大。

小结

结合指标和AI的决策智能，无疑是未来的趋势。我们相信，AI将有能力支持人类做出更复杂的决策。但万事开头难，就像训练大语言模型需要海量文本一样，决策智能系统也需要用高质量的数据来“喂养”。而高质量的数据，就来自于指标这个统一的数据语言。它是数据世界里的“普通话”，确保每个人对“销售额”、“成本”的理解一致。只有这样积累的数据和决策知识才是高质量的，而只有高质量的数据，才能训练出高质量的人工智能。

就当前应用而言，Kyligence的AI数智助理已经在目标评估、分析管理和对话式数据分析等方面，显著提升了人类的工作效率，带来了快速的价值闭环。这套方案已经达到了商用标准，实现了95%的准确率和100%的可解释性。起步确实很难，但迈出第一步，坚持做好知识积累、对话解读和决策知识闭环的长期工程，才能让AI真正发挥作用。

当年我们说SaaS在吞噬世界；今天，我们看到AI在吞噬软件。Kyligence所做的，只是在这股浪潮中顺势而为的一小步。希望今天的分享对大家有所启发。