摘要：关于#普元 #AI落地者：AI 技术的价值在于落地应用，为业务创造价值。本文是“普元 AI 应用实践系列”中的一篇，将带您走进我们在 AI 产品实践方面的业务化场景与真实案例。

关于#普元 #AI落地者：AI 技术的价值在于落地应用，为业务创造价值。本文是“普元 AI 应用实践系列”中的一篇，将带您走进我们在 AI 产品实践方面的业务化场景与真实案例。

普元 AI 应用实践系列（之二）

引言

在数据驱动的商业浪潮中，企业对即时、精准、智能化数据洞察的需求日益增长。智能问数（Intelligent Question Answering）系统，旨在成为连接复杂业务需求与海量数据的“翻译官”，通过自然语言交互赋能全员自助式数据分析。然而，其效能的发挥，依赖于底层数据的质量、可理解性与可信度——通常情况下，这是传统数据治理面临的挑战，也影响着智能问数实践的落实。传统模式下，数据准备的滞后、指标体系与用户意图的脱节、以及模型对非结构化知识理解的局限，制约了智能问数的应用价值。本文将深入剖析，一种以“智慧赋能型数据治理”为核心，融合“指标平台 + DeepSeek大语言模型”的解决方案，如何通过深度推理能力，不仅有助于企业应对传统数据困境，更是在一定程度上优化数据基础，构建起高效、智能、可信赖的企业级问数场景，从而支持企业迈向数据驱动决策的新阶段，实现从“数据治理”到“数据智慧”的提升。

1.1 传统智能问数的数据困局：从源头到应用的层层掣肘

传统模式下的智能问数数据准备可能面临诸多瓶颈：

指标体系往往与用户的实际问询意图存在偏差，导致问答匹配度不高；

数据预处理可能停留在浅层清洗，缺乏面向自然语言交互的多维语义聚合，使得数据难以支撑灵活高效的查询，响应可能迟缓；

模型选择可能缺乏对数据特征的精准洞察，而问数Agent在自然语言到DSL的转换上也会因缺乏精细元数据指导而显得不够灵活、易错，导致系统维护成本较高。

更关键的是，知识图谱的构建可能是低效、静态的，且与业务规则关联不足，难以有效赋能大模型进行深层语义理解，最终可能导致智能问数系统回答的准确性、相关性和可解释性均有待提升，影响其洞察价值的发挥，甚至可能使其应用效果不佳。

1.2 数据治理赋能下的智能问数革新：Deepseek与指标平台的协同作用

以数据治理为基础，可以从数据准备、模型适配到知识构建全链路赋能智能问数系统。它不再局限于传统的数据梳理与清洗，而是通过基于问答意图的指标体系设计、元数据驱动的智能化预处理与多维聚合，主动构建面向自然语言交互的高质量数据资产。进而，其丰富的治理元数据与数据画像不仅为AI模型的选择与问数Agent的编排提供参考，也支持自动化地构建并持续丰富融合了治理规则的动态知识图谱，为大模型提供可信赖、可解释的结构化知识支持，从而支持智能问数系统能够精准、高效地响应用户需求，并实现数据资产的持续演进与价值提升。

这个意义上的数据治理，我们称之为“智慧赋能型数据治理”。

1.2.1 指标数据准备与处理：从“被动梳理”到“主动构建智能问数友好型数据资产”

数据治理在此阶段扮演着重要的规划与执行角色，改进了传统指标数据的准备范式。

改进一：基于“问答意图”的指标体系设计与元数据增强

数据治理支持对现有指标的梳理，并引导企业从智能问数的用户提问场景出发，设计和优化指标体系。它通过内置的语义分析能力，辅助识别用户高频问询模式和潜在数据需求，从而建议构建更符合自然语言交互习惯的指标。同时，工具会自动化地为指标注入丰富的上下文元数据，如业务定义、计算逻辑、同义词、反义词、关联业务流程、数据血缘等，形成一个“指标知识网络”，为后续的自然语言理解（NLU）和知识图谱构建奠定基础。

改进二：智能化、自适应的数据预处理与多维语义聚合

借助数据开发平台，原始数据的预处理不仅是清洗和格式统一。工具能够基于预设的质量规则和机器学习算法，智能识别并修复数据质量问题，甚至预测潜在的数据漂移。在数据转化为DWS汇总表时，工具会根据智能问数场景的性能要求和分析粒度，推荐并自动化构建合适的维度组合与预计算策略。例如，它能分析历史查询，为高频查询的维度组合（如“特定产品线+特定区域+月度”的销售额同比）进行预聚合，或者构建灵活的OLAP Cube，支持智能问数引擎能够以较快速度响应复杂查询，提升用户体验。

改进三：构建“可解释、可追溯”的指标资产与服务化接口

通过指标平台的精细配置，数据治理帮助企业将梳理和处理后的指标封装成可管理、可版本化、可追溯的“指标资产”。更重要的是，它能生成标准化的API服务接口，使得这些高质量的指标数据不仅能被智能问数系统直接、高效地调用，还能被企业内其他应用系统复用，有助于打破数据孤岛。这种“指标即服务”(Metrics-as-a-Service)的模式，有助于确保数据的一致性、准确性，并为数据的二次加工和衍生分析提供了便利性和可靠性。

1.2.2 模型选择与编排：数据治理驱动的“模型-数据”协同优化与智能路由

数据治理在此环节通过提供高质量的数据画像与元数据，支持模型选择与Agent编排的智能化。

改进一：基于数据特征与质量画像的智能模型推荐

数据治理不仅管理数据，更对数据进行深度分析，形成详尽的“数据画像”，包括数据量级、分布特征、更新频率、质量评分等。在模型选择阶段，这些画像能够为选择如Deepseek-r1:32b这类不同规模的模型提供决策参考。例如，工具可以根据数据的新鲜度和查询复杂度，动态建议适合的模型或模型组合，以期获得推理速度与准确性的较好平衡。

改进二：元数据驱动的“问数Agent”智能编排与DSL自适应生成

问数Agent的“智能翻译官”角色，其效能依赖于对后端指标平台能力的理解。元数据工具在此发挥作用，它将指标平台的指标定义、可用维度、聚合方式、DSL语法规则等核心元数据，结构化、标准化地暴露给问数Agent。这使得Agent能够：

更准确地将自然语言问句映射为符合指标平台规范的DSL，减少语义歧义和查询错误。

实现DSL的动态自适应生成：当后端指标体系或数据结构发生变更（这些变更首先被数据治理产品捕获和管理），Agent能够基于更新后的元数据自动调整其DSL生成逻辑，保证了智能问数系统的鲁棒性和可维护性。这种“治理数据驱动Agent行为”的模式，是对传统模型编排的改进。

1.2.3 知识图谱构建：数据治理产品支持的“活化”企业知识资产

数据治理是构建高质量、动态企业知识图谱的重要支撑和数据来源。

改进一：自动化、高质量的知识图谱实体与关系注入

企业专属知识图谱的构建过程可以得到优化。数据治理通过其全面的元数据管理能力（涵盖指标定义、计算逻辑、业务维度、数据血缘、表间关系等），能够自动化地、持续地将这些经过治理和认证的结构化知识，映射为知识图谱中的节点（实体）和边（关系）。这有助于确保知识图谱的初始构建质量和后续更新的准确性与时效性。

改进二：融合治理规则的语义理解与推理增强

基于数据治理沉淀的业务规则、数据质量规则、分类标准等，可以被集成到知识图谱的构建与应用中。这使得知识图谱不仅仅是静态的数据关联，更内嵌了企业的“治理经验”。当DeepSeek等大模型利用知识图谱进行推理时，这些治理规则能：

提供更深层次的业务语义约束，帮助模型更准确地理解复杂或模糊的用户问题。

引导模型沿着符合企业业务逻辑和数据规范的路径进行推理，避免产生不合规或意义不大的答案。

增强答案的可解释性，因为推理路径可以追溯到具体的治理规则和数据定义。

改进三：构建“可信赖、可演进”的知识图谱生命周期管理

基于数据治理，知识图谱的构建、更新、验证和废弃等环节都纳入了统一的治理框架。数据血缘分析可以追溯知识图谱中每个知识点的来源和演变历史，有助于确保其可信度。当底层数据或业务规则发生变化时，会触发知识图谱的同步更新，使其成为一个“活的”、与企业实际运营紧密同步的知识资产，而非静态的快照。

1.3 场景价值与智能化体现

1.3.1 指标检索：赋能全员即时洞察，加速敏捷决策

指标检索场景的价值在于降低数据获取的门槛，实现数据普惠与即时洞察。通过自然语言交互，业务用户能够减少对专业IT人员的依赖，如同与一位数据专家对话般，快速、准确地获取其关注的核心业务指标。例如，简单一句“上月数码产品销售额”或“客户流失率变化”，系统便能基于先前数据治理所构建的语义化数据层与指标知识图谱，较快响应并提供准确数据。更进一步，系统还能智能推理并补充上下文信息，如同比、环比、达成率等，这不仅提升了数据消费的效率，更支持决策者在第一时间掌握真实、全面的业务动态，为敏捷决策奠定基础。

1.3.2 指标分析：驱动深度业务探索，支撑复杂战略制定

指标分析场景的意义在于赋予业务用户数据探索与深度洞察能力，将数据从“报表”转化为辅助战略制定的工具。用户不再受限于固化报表，而是能够围绕特定业务问题，自由选择时间、区域、产品线等多重维度进行交互式切片分析，系统则依托于数据治理阶段构建的多维智能聚合数据模型，实时计算并呈现总和、均值、趋势等统计结果。用户可直接用业务语言定义复杂的新指标，如“2024年欧洲区核心产品线在重点客户群体的利润贡献度”，平台即时响应，助力企业发掘隐藏在数据背后的增长机会、运营瓶颈或市场变化，从而驱动更精细化、更具前瞻性的业务策略制定。

1.3.3 归因分析：揭示问题规律，实现数据驱动的精准干预

归因分析场景的价值在于从“知其然”发展到“知其所以然”，为企业提供诊断问题、驱动改进的工具。当关键指标出现异常波动时（如销售额骤降或成本飙升），平台不再仅仅呈现数据，而是借助预先构建的企业知识图谱与智能算法，结合毛刺图等可视化手段，自动下钻，追溯分析，智能识别并量化影响因素——是特定区域的营销活动效果不佳，还是供应链某环节出现瓶颈，抑或是竞争对手策略调整所致。这种穿透式、可解释的归因能力，使得管理者能够更清晰地了解问题的可能原因，避免盲目决策，从而制定出有效的应对措施，实现数据驱动的业务优化与风险规避，其应用价值超出了简单的报表呈现。

展望未来

以数据治理为基石，指标平台与DeepSeek大语言模型的融合，不仅为当前企业智能问数带来了有效的改进，更为其未来的演进描绘了充满潜力的蓝图。数据治理将不再仅仅是辅助角色，而是成为驱动智能问数系统持续进化、价值提升的重要支撑。

首先，“治理即智能”的融合，有助于实现从“问答”到“可信对话式洞察”的升级。未来的数据治理将更加智能化、自动化，深度嵌入到智能问数的每一个环节。高质量、高可用的元数据、动态更新的指标知识图谱、以及严格的数据血缘与质量监控，将确保系统不仅能理解用户意图，更能提供可验证、可追溯、符合业务逻辑的答案。这将推动智能问数从简单的问答工具，升级为能够进行复杂、可信多轮对话的“AI业务分析助手”。

其次，数据治理驱动的“预测性问数”与“合规决策辅助”。凭借经过严格治理的高质量历史数据和实时数据流，结合先进的机器学习模型，智能问数将能更准确地进行预测性分析。更重要的是，嵌入在数据治理框架中的业务规则、合规要求、以及风险模型，将为预测结果和自动化决策建议提供参考，确保其智能且符合企业战略和法规要求。用户可以提问“基于合规要求，下季度哪些产品的销售额可能下滑？”并获得可信的行动参考。

再次，以数据治理为核心的“知识持续积累”与“多模态可信交互”。数据治理工具将持续不断地从企业运营的各个环节捕获、清洗、组织和关联数据与知识，形成一个动态演进、质量可控的企业知识中枢。这将为大模型提供源源不断的“养料”，使其能够理解更复杂的业务逻辑，发现更深层次的隐性关联，实现知识的积累。同时，无论交互方式如何多模态（文本、语音、图表等），其背后的数据调用与结果呈现都将受到数据治理的管控，有助于保证交互的准确性和一致性。

最后，构建以“数据治理为基座”的“可信赖、可进化、可扩展”的智能问数生态。未来的智能问数系统将是一个开放的平台，而数据治理是其稳定运行和持续发展的重要保障。清晰的数据标准、统一的元数据管理、完善的数据安全与隐私保护机制，将使得更多业务场景、数据源和AI能力能够安全、高效地接入和集成。这将形成一个能够与企业共同成长、自我迭代、且保持高度可信赖的智能问数生态系统。

总之，指标平台与DeepSeek的结合，在创新数据治理的支撑下，正引导企业智能问数走向一个新的发展阶段。将数据治理置于重要位置，才能更好地释放智能问数的潜力，使其成为企业数字化转型中有价值的组成部分，驱动业务持续创新，提升运营韧性，并在市场竞争中获得优势。

关于作者：瑶光（花名）普元资深数据资产专家，担任数据资产类产品研发技术负责人，参与多个大型央国企及政府数据中台项目规划与落地实施。

来源：李哥说山水