28 个指标和 34 个维度能组合出多少种分析可能？

业界首个可公开体验的企业级数据分析智能体

当业务人员可以“对话式分析”，企业才真正进入智能决策时代。

对话式分析，究竟可以在怎样的范围内展开？

一张报表？没问题。

10 张数据模型？似乎也可以。

那 100 张呢？整个数仓呢？

我们能否找到一种 AI 与软件工程结合的有效路径，让业务人员的问题能准确和高效地转化成面向全域数据的查询？

基于这一愿景， Aloudata 选择指标语义层与大模型结合的技术路径（NL2MQL2SQL），攻克消除“数据幻觉”、分析灵活性与全面性、数据查询性能和数据安全管控等难关，推出了基于 NoETL 明细级语义层的分析决策智能体 Aloudata Agent。

它不仅是一款支持自然语言交互的智能问数产品，更是面向业务人员、深度融合业务知识、具备归因与综合报告等分析能力的企业级智能分析平台。

不同于传统软件可以通过功能验证价值，AI 应用，尤其是企业级 AI 应用，无论其背后由怎样的先进技术支撑，都必须依靠效果来自证。也基于此，我们决定面向公众用户开放Aloudata Agent 公开体验环境。

以业务目标为导向，构建企业级分析决策智能体

01. 坚实的数据底座：保障准确与灵活并重

智能分析首先需要保障数据的可得性和可信性。

现阶段，大模型还不具备智能动态获取海量数据资产的血缘关系、表结构、字段含义等元数据知识的能力，因此需要创新的数据工程完成“好数据”的准备。Aloudata Agent 基于 NoETL 明细层语义模型构建分析能力，确保智能体的数据底座具备以下关键特性：

• 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。

因此，Aloudata Agent 的每一次回答，都建立在数据可获取、可信任、权限安全可控的基础之上。

02. 不止于“问数”：构建三层递进式分析

1. 智能问数：自然语言即查询语言

支持用户使用口语化表达发起查询，例如：“北京门店上周的客单价是多少？”、“今年各月华东大区的 GMV 增长率趋势如何？”

Aloudata Agent 通过大模型的意图理解和语义知识库检索，自动解析语义逻辑（时间、指标、维度、筛选条件和衍生计算），再由指标语义层进行精准的 SQL 生成并执行查询，返回结果。

2. 智能归因：快速定位数据波动根源

当用户发现异常趋势时（如“Q2 利润下滑”），可追问：“为什么利润下降？”、“主要受哪些因素影响？”

Aloudata Agent 将基于明细级维度下钻、指标因子关系，自动识别关键影响因素，帮助用户快速定位问题源头。

3. 智能归因：快速定位数据波动根源

针对复杂分析主题（如“上半年经营情况分析”），Aloudata Agent 可以实现：

• 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。

这不仅降低了撰写分析报告的门槛，更将数据洞察转化为可执行的业务动作。

03. 场景化分析助手：为不同业务角色打造专属分析助手

企业中的财务、人力、门店运营、区域管理等角色，关注的问题、使用的术语、依赖的数据完全不同。一个“通用型”助手难以满足深度业务需求。因此，Aloudata Agent 支持按数据领域或业务职能，创建多个专属分析助手，如：

每个助手可配置：

• 独立资源管理：独立维护各领域的指标资源，确保信息隔离，避免各领域间数据干扰；

• 用户级知识库：支持用户维护个人术语知识和分析思路，打造符合角色数据分析习惯的智能分析助手。

新手体验指南：快速上手 Aloudata Agent

以下我们以消费零售行业为例，带您快速理解并掌握如何高效地通过自然语言提问，获取精准的数据洞察。

01. 可以问什么？无限组合的灵活分析

本次公开体验版环境中，我们准备了 3 张事实表和 4 张维表，预定义了 28 个指标和 34 个维度：

基础指标是通过对数据集字段的聚合计算（求和、计数、均值、极值等）获得，复合指标来自于指标间的四则运算。以上指标无论是基础指标还是复合指标，都没有进行任何维度限定或时间限定，可以理解为业务过程和结果的基础度量。唯一的派生指标“复购会员数”包含了“复购”这种主观的口径定义，是计算复购率指标的必要指标。

借助 NoETL 指标语义层的指标定义能力，上述指标和维度的定义过程只需简单的几步操作即可完成：

• 7 张数据集的逻辑关联（点选操作）

• 批量维度定义（在数据集中勾选字段）

• 指标定义（零代码界面化操作）

无需提前预定义大量派生和衍生指标，Aloudata Agent 借助 NoETL 指标语义层的能力，识别问数意图后动态生成指标和维度的各种组合、筛选条件和衍生计算逻辑，以原子粒度的语义要素的动态组合来满足无限的分析可能。

那么问题来了，28 个指标、34 个维度和 3 种衍生计算方式（排名、占比、同环比）能组合出多少种可能？（友情提醒：Aloudata 的 NoETL 指标语义层除了常规筛选条件还支持指标值筛选、维度匹配和自定义函数作为筛选条件哦。）

02. 如何提问？三步打造专属智能分析助手

第一步：同步指标资源

平台管理员需要提前将要用于智能分析指标数据进行同步，Aloudata Agent 侧即可进行数据使用。

第二步：创建分析助手

一个分析助手可以聚焦特定业务领域，绑定相关的指标数据，配置该领域的业务术语和常用分析思路。除了系统默认的分析助手外，为了更好的使用分析助手进行提问，建议按业务领域创建领域特有的分析助手。Aloudata Agent 支持企业创建多个分析助手，让不同业务线都能获得量身定制的智能数据分析支持。

第三步：与分析助手对话

1. 智能问数

进入 Aloudata Agent 页面后，即可开始问数，也可点击分析助手中的推荐问题卡片快速发起问数。

发起提问后用户可实时查看分析助手的思考与任务执行过程。避免用户对数据来源、大模型幻觉或中间环节错误等情况不知情。

输入问题时，Aloudata Agent 会进行相关指标和维度的联想推荐，帮助用户提问更快、更准。

2. 智能归因

针对指标波动，可通过自然语言提问的方式进行指标的归因分析。获取归因结果后也可以再次编辑归因分析的配置（归因指标、分析日期、对比时间、筛选条件、归因维度、指标因子关系等），更新归因分析报告。

3. 智能报告

可通过自然语言提问的方式进行复杂数据分析，分析助手会基于用户分析目标确定分析思路与报告大纲，进行数据查询任务规划，最终生成报告内容。

03. 小贴士：这样提问更高效！

更好的提问方式可以为您提供更好的答案。在提问时，请尽量清晰地表达出要查询的指标、维度和时间周期。

• 查询指标数据

查询指标数据时请尽可能描述清楚要查询的指标、维度、筛选条件和时间范围等，如：

• 查询最近 6 个月销售金额的趋势。

• 今年 4 月华南区域的销售数量及其年同比增长值和增长率是多少？

• 分组查询

请尽可能描述清楚分组维度和查询指标，如：

• 今年每个月的销售额、毛利额和成本分别是多少？

• 查询今年不同省份的营业额。

• 占比和排名计算

请尽可能描述清楚在哪个维度范围内进行指标的占比和排名计算，如：

• 查询本月不同省份下各个产品大类的利润和排名情况。

• 查询本月不同省份下的销售金额及占比。

• 今年销售额排名 top5 的产品品牌有哪些？

• 本月客单价排名前 3 和后 3 的门店分别是？

• 查询 4 月各个省份不同品牌的销售额排名，从大到小排序。

• 复杂查询

• 本月客单价大于 200 的会员的销售额是多少？

• 4 月销售额 1 万以上的会员占消费会员数的比例是多少？

• 去年线上渠道不同门店各个一级分类产品的销售额及其品牌内占比？

• 归因查询

请描述清楚针对哪个指标在哪两个时间段的变化归因，如有需要，请描述需要从哪些维度进行归因分析，如：

• 2025 年 4 月销售额相比去年末上涨的原因是什么？

• 归因分析 2025 年 4 月销售额同比 2024 年 4 月的变化原因。

• 按照产品一级分类、渠道、门店所在区域分析 2025 年 6 月销售额相比 5 月的变化原因。

• 综合分析

在提问中简单描述分析重点和分析思路，可以让分析结果更符合用户的思路和预期，如：

• 诊断港澳台区域 Q1 复购会员数变化的关键原因，可以分别从产品、门店和会员等角度进行深入分析。

• 生成一份华南区域的经营月报，快速同步一级产品本月经营指标表现，并结合渠道、门店和会员等维度识别需干预的风险点。

结语

Aloudata Agent 以强大的明细级语义层数据底座为基石，通过三层递进的智能分析能力（问数、归因、报告），并结合场景化的专属助手设计，真正将数据分析的主导权交还给业务人员。通过以上三个步骤，用户可充分利用 Aloudata Agent 的功能，实现高效、精准的智能分析。