——Фокус на цифровом интеллекте · Изменение бизнеса

«Сяо Ли, помогите мне проанализировать тенденцию роста нашего кредитного бизнеса? Какие отрасли работают лучше всего? Каковы продажи недавно запущенных онлайн-финансовых продуктов? Немедленно дайте мне аналитический отчет», — сказал г-н заместитель директора крупного банка. Ван, генеральный директор, выдвинул такие требования к анализу данных менеджеру Ли. Для выполнения этой задачи менеджеру Ли необходимо получить и проанализировать данные с платформы данных банка, чтобы ответить на вопросы руководителя. Однако это может включать в себя некоторые сложные операции с данными, такие как подключение различных источников данных (например, баз данных кредитов и баз данных финансовых продуктов), фильтрация и агрегирование данных, создание диаграмм визуализации данных и т. д.

Вышеупомянутое — это всего лишь сценарий моделирования, позволяющий бизнес-персоналу проводить анализ данных. Фактически, с постоянным развитием цифровой трансформации и модернизации в различных отраслях аналогичные сценарии анализа данных распространились на различные области. С широким распространением принятия решений на основе данных во всем мире ценность анализа данных становится все более заметной. Однако традиционные методы анализа данных зачастую требуют глубоких технических знаний и профессиональных навыков, что в определенной степени ограничивает их применение в более широком круге сценариев. С развитием технологий постоянно развиваются и интерактивные методы анализа данных. От ранних языков программирования и SQL-запросов до инструментов анализа данных с помощью перетаскивания мы видим очевидную тенденцию, которая заключается в том, чтобы сделать анализ данных более интуитивным и простым в использовании. Итак, можем ли мы сделать еще один шаг вперед?

На пользовательской конференции Kyligence «Unlocking Digital Intelligence Productivity» 2023 года, состоявшейся 14 июля, автор стал свидетелем совершенно новой возможности — взаимодействия на естественном языке на основе больших моделей для анализа данных. Далее мы обсудим логику эволюции методов анализа данных, проанализируем, как Kyligence интегрирует индикаторные платформы, анализ данных и большие модели для реализации анализа индикаторных данных на основе естественного языка, а также нарисуем возможный план будущего анализа данных.

Более естественное взаимодействие человека и компьютера — вечная цель

Эволюцию методов взаимодействия анализа данных можно рассматривать как длительное исследование, направленное на поиск лучших методов взаимодействия человека с компьютером и снижение порога анализа. От ранних языков программирования и запросов SQL до инструментов анализа данных с помощью перетаскивания и методов взаимодействия с естественным языком, основанных на больших моделях, мы продолжаем способствовать популяризации и простоте использования анализа данных.

Вначале анализ данных в основном опирался на языки программирования, такие как Python, R и т. д. Этот тип языка обычно включает библиотеки и инструменты, специально предназначенные для анализа данных, такие как Python Pandas, NumPy, SciPy и т. д., позволяющие программистам обрабатывать и анализировать данные путем написания кода. Однако очевидным недостатком этого метода является высокий порог. С одной стороны, пользователям необходимо овладеть знаниями в области программирования, включая синтаксис, структуры данных и алгоритмы, с другой стороны, им также необходимо понимать специализированные библиотеки и инструменты обработки данных; Такие требования затрудняют работу пользователей с нетехническим образованием.

С появлением и популярностью SQL порог запроса и обработки данных был снижен. SQL предоставляет более эффективный и интуитивно понятный метод запроса структурированных данных. Его операторы аналогичны естественному языку, например, «SELECT * FROM table WHERE», который интуитивно понятен и прост в освоении. Однако SQL по-прежнему требует от пользователей владения определенными знаниями синтаксиса, а для сложных задач запроса и анализа операторы SQL могут стать длинными и трудными для понимания. Кроме того, SQL в основном используется для структурированных данных и имеет ограниченные возможности обработки неструктурированных данных.

Чтобы еще больше снизить порог использования, появился новый тип инструмента анализа данных, так называемый инструмент анализа данных перетаскивания, такой как Tableau, PowerBI и т. д. Эти инструменты позволяют пользователям интуитивно выбирать данные и манипулировать ими, а также создавать диаграммы визуализации данных через визуальные интерфейсы. По сравнению с языками программирования и SQL этот метод значительно снижает порог анализа данных, позволяя нетехническим пользователям выполнять анализ данных.

Однако метод взаимодействия анализа данных перетаскиванием по-прежнему имеет некоторые проблемы с точки зрения удобства использования, которые в основном отражаются в следующих трех аспектах:

Во-первых, хотя инструменты перетаскивания относительно интуитивно понятны, пользователям все равно придется потратить время на то, чтобы научиться ими пользоваться. Например, пользователям необходимо знать, как добавлять и удалять источники данных, как выбирать правильный тип диаграммы, а также как применять и понимать различные операции с данными (такие как фильтрация, сортировка, агрегирование и т. д.). Эти функции и концепции, особенно некоторые расширенные функции обработки и анализа данных, могут потребовать некоторого времени для понимания и освоения пользователями, не имеющими опыта анализа данных.

Во-вторых, работа с инструментами перетаскивания может стать довольно сложной, особенно для некоторых сложных задач манипулирования и анализа данных. Например, пользователям может потребоваться создать сложную информационную панель данных или выполнить сложный анализ данных с помощью нескольких операций перетаскивания и выбора. Для некоторых более сложных требований, таких как необходимость подключения нескольких источников данных или необходимость сложной предварительной обработки данных, инструмент перетаскивания может не соответствовать требованиям, или операция может быть очень сложной и трудной.

Наконец, хотя инструменты перетаскивания часто предоставляют широкие возможности манипулирования и визуализации данных, пользователям все равно необходимо иметь определенное понимание данных и их анализа, чтобы эффективно использовать эти инструменты. Например, пользователям необходимо знать, какие данные связаны, какие данные можно сравнивать, какая диаграмма может эффективно выразить определенную взаимосвязь данных и т. д. Если пользователи не имеют достаточного понимания основных понятий и методов анализа данных, они могут запутаться и не знать, как выбирать и использовать эти функции.

Таким образом, метод анализа данных перетаскиванием по-прежнему имеет низкий порог, а метод взаимодействия не является достаточно естественным. Так какой же самый естественный способ взаимодействия человека и компьютера? Подумайте, что люди обычно используют для общения? —— Естественный язык. Поскольку люди могут общаться друг с другом, используя естественный язык, почему мы не можем использовать естественный язык для «общения» человека и машины? Если взаимодействие при анализе данных на основе естественного языка может быть реализовано, простота использования неизбежно повысится.

Kyligence следует этой идее, чтобы преобразовать интерактивный опыт анализа данных.

На основе больших моделей создайте метод анализа данных на основе естественного языка.

Согласно практическому опыту Kyligence, есть три ключевых аспекта, чтобы сделать это хорошо: точно понять потребности анализа пользовательских данных на основе больших языковых моделей; подключить индикаторную платформу для выполнения расчета и анализа данных и предоставления результатов анализа, использовать различные SaaS-системы; результаты анализа для содействия улучшению бизнес-процессов, улучшению управления и операционной эффективности, а также достижению организационного сотрудничества.

Во-первых, точно поймите потребности пользователя в анализе данных на основе больших языковых моделей. Большие языковые модели, такие как ChatGPT, могут понимать и генерировать естественный язык, обучая большие объемы текстовых данных, что делает взаимодействие человека с компьютером более естественным и удобным. В сценариях анализа данных пользователи могут описывать свои потребности в данных на естественном языке, например: «Я хочу знать продажи за последний квартал» или «Скажите, пожалуйста, какой у нас самый продаваемый продукт». Модель большого языка может анализировать эти требования и преобразовывать их в исполняемые задачи запроса и анализа данных. Это значительно снижает порог анализа данных, позволяя нетехническим пользователям легко выполнять анализ данных.

Во-вторых, индикаторная платформа China Unicom выполняет расчет и анализ данных. Индикаторная платформа — это система, специально разработанная для анализа данных. Она может обрабатывать различные данные, включая структурированные и неструктурированные, а также выполнять сложные вычисления и анализ данных. После понимания потребностей пользователей нам нужно полагаться на платформу индикаторов для выполнения конкретных операций с данными, таких как запрос данных, фильтрация, сортировка, агрегирование и т. д., а также для получения результатов анализа. Этот шаг является основным звеном анализа данных, которое определяет качество и эффективность анализа данных.

Наконец, подключите различные системы SaaS и используйте результаты анализа для улучшения бизнес-процессов. Цель анализа данных — не только получить ценную информацию о данных, но, что более важно, улучшить бизнес-процессы и повысить эффективность управления и эксплуатации на основе этой информации. Поэтому нам необходимо передавать результаты анализа данных обратно в различные бизнес-системы, такие как CRM, ERP и т. д., для поддержки бизнес-решений и операций. Например, если мы обнаружим, что продажи определенного продукта упали, мы можем скорректировать стратегию продаж через CRM-систему, если мы обнаружим, что скорость доставки определенного поставщика слишком низкая, мы можем скорректировать план закупок через CRM-систему; ERP-система. Таким образом, мы можем добиться улучшения бизнес-процессов на основе данных и повысить операционную эффективность всей организации.

Следует отметить, что Kyligence выпускает не «продукт PPT», а коммерческую версию, доступную для клиентов. Далее мы воспользуемся продуктом Kyligence Copilot, чтобы увидеть, каков опыт взаимодействия при анализе данных на основе естественного языка.

Понятно, что цифровой помощник Kyligence Copilot AI — это цифровой помощник AI, основанный на универсальной индикаторной платформе Kyligence Zen. Он сочетает в себе широкие возможности языковой модели, помогая пользователям выполнять анализ и получать информацию о бизнес-показателях посредством диалога на естественном языке, что значительно сокращает время работы. использование делового персонала и повышение эффективности работы.

Из приведенной выше демонстрации мы видим, что пользователи могут напрямую спросить Kyligence Copilot: «Какова недавняя прибыль компании?», И система порекомендует такие показатели, как чистая прибыль, чистая ежемесячная прибыль, совокупная чистая ежемесячная прибыль и т. д. После выбора пользователем Kyligence Copilot предоставит результаты анализа. На этом основании Kyligence Copilot предоставляет выводы и предложения, основанные на данных, например, о том, в каком месяце прибыль высокая, в каком месяце прибыль низкая, а также какова общая тенденция чистой прибыли.

Кроме того, Kyligence Copilot также предоставит предложения по более глубокому анализу данных, например: «Вы можете дополнительно проанализировать чистую прибыль каждого региона и категории товаров, найти выгодные области и товары и дополнительно оптимизировать бизнес-стратегии». предложения по одному шагу за раз. Шаг за шагом для более глубокого изучения данных. Наконец, все эти анализы данных могут быть сгенерированы на информационной панели для интуитивного отображения результатов анализа данных.

Для бизнес-менеджеров анализ данных — это всего лишь средство. Цель состоит в том, чтобы выявить бизнес-проблемы посредством анализа данных, а затем повысить эффективность работы за счет оптимизации управления и бизнес-процессов. Таким образом, на основе анализа данных Kyligence Copilot принимаются управленческие и бизнес-решения, и эти решения внедряются в управленческие и бизнес-процессы всей организации через Feishu, DingTalk, Enterprise WeChat и другие системы, так что результаты данных анализ Обратная связь в системе управления бизнесом.

Это путешествие, которое только началось

Следует отметить, что, хотя методы взаимодействия на естественном языке, основанные на больших моделях, показали большой потенциал в понимании потребностей анализа пользовательских данных, изменения только начались, и нам все еще нужно усердно работать, чтобы решить некоторые проблемы и постоянно улучшать возможности и качество пользовательского опыта. .

Например, необходимо оптимизировать связь между большими моделями и индикаторными платформами и платформами анализа данных. Большие модели понимают и генерируют естественный язык, тогда как индикаторные платформы обычно принимают конкретные запросы данных и инструкции по эксплуатации. Нам нужен преобразователь, который преобразует выходные данные большой модели в инструкции, которые индикаторная платформа может понять и выполнить. Это может включать в себя некоторые технические трудности, такие как преобразование естественного языка в SQL и разбиение сложных требований анализа данных на ряд операций с данными, которые можно выполнить.

Кроме того, точность и стабильность больших моделей также являются проблемой. Хотя большие модели могут понимать и генерировать естественный язык, в некоторых сложных и неоднозначных сценариях его понимание может быть неточным, или результаты могут иметь несколько вариантов. Нам необходимо обеспечить адекватные механизмы обратной связи, а также вмешательство человека, когда это необходимо, чтобы гарантировать точность и надежность результатов анализа данных. Более того, анализ данных обычно включает в себя большой объем конфиденциальных данных, таких как пользовательская информация, данные транзакций и т. д. Нам необходимо убедиться, что большая модель может полностью защитить безопасность данных и конфиденциальность пользователей при обработке этих данных.

Конечно, хотя некоторые проблемы еще есть, эта дорога имеет чрезвычайно широкие перспективы применения. Интеграция больших моделей с платформами индикаторов и платформами анализа данных для реализации анализа данных на естественном языке является важной инновацией в области технологий данных. Она глубоко изменит облик анализа данных, будет способствовать цифровой трансформации различных отраслей и принесет широкое распространение. далеко идущие преимущества.

Для частных лиц это значительно снизит порог анализа данных и повысит эффективность анализа.традиционныйанализ данных требует изучения и понимания сложных языков запросов и инструментов, в то время как анализ на основе естественного языка данных требует от пользователей только описания своих потребностей на языке, который им знаком. Это означает, что любой, независимо от своего технического образования, может выполнить анализ. данных, чтобы добиться истинной инклюзивности анализа данные. Во-вторых, это существенно улучшит анализ Эффективность и влияние данных. традиционный анализ данные часто требуют большого количества операций с данными и вычислений, тогда как анализ на основе естественного языка Данные могут напрямую исходить из потребностей пользователей, автоматически выполнять запросы и анализ данных, а также предоставлять непосредственную информацию о данных. Это делает анализ Данные работают быстрее и точнее и могут лучше отвечать реальным потребностям пользователей.

Для предприятий это ускорит скорость и точность принятия решений, повысит эффективность оперативного управления и возможности бизнес-инноваций.Взаимодействие на естественном языке,значительно ускоритьсяанализ Скорость передачи данных позволяет лицам, принимающим решения, быстрее получать ценную информацию о данных и быстрее принимать решения. Более того, на основе понимания Большой Модели на естественном языке можно выполнить сложный анализ. требования к данным, такие как сравнительный анализ, причинно-следственный анализ, прогнозный анализ и т. д. Это значительно улучшит анализ Глубина и точность данных позволяют лицам, принимающим решения, получать более глубокое и точное представление о данных и принимать более обоснованные решения. Менеджеры могут не только быстро получать бизнес-аналитику, но и корректировать бизнес-процессы на основе этой информации и даже интегрироваться с другими SaaS-системами, что значительно улучшит бизнес и операции компании. анализ данных Является ключевым звеном в цифровой трансформации,Это помогает предприятиям понимать и использовать свои данные.,Инновационные продукты и услуги.

Для общества это будет способствовать цифровой трансформации общества.на основе естественного языкаанализ данных, что позволяет большему количеству компаний и частных лиц участвовать в анализе. данные поступают из будет способствовать дальнейшему развитию цифровой трансформации различных отраслей. анализ данные могут помочь нам понять и решить различные социальные проблемы, такие как общественное здравоохранение, защита окружающей среды, равенство в образовании и т. д. анализ на основе естественного языка данные могут позволить большему количеству людей участвовать в этих задачах и совместно способствовать социальному прогрессу. Как и ожидалось, как анализ Популярность и глубина данных,У общества появится больше возможностей для открытия новых бизнес-моделей, новых рыночные возможности、новые социальные потребности.

Представьте себе, что когда этот метод анализа данных получит широкое распространение, мы увидим совершенно новую экосистему анализа данных. В этой экосистеме каждый может легко провести анализ данных и найти необходимые ответы и идеи. Представители всех слоев общества могут в полной мере использовать свои данные для оптимизации бизнеса, повышения эффективности и внедрения инновационных продуктов. В результате наше общество станет более справедливым, более эффективным и инновационным. Это будет светлое будущее, достойное наших общих ожиданий и усилий.

Текст: Юэманьсилоу / информационная обезьяна