随着数字化时代的快速发展，“数智化”已经成为企业获取竞争优势、提升运营效率和创新能力的关键。数智竞争力不仅涉及数据处理和智能决策的能力，更关乎企业在复杂多变的市场环境中快速响应和适应的能力。在 Kyligence 2024 数智论坛暨春季发布会上，Kyligence 发布的 Kyligence AI 解决方案给了企业很多运营启示。
为了能够探索到更多企业数智竞争力构建方法论，InfoQ 在会后特别专访了 Kyligence 联合创始人兼 CTO 李扬。李扬表示，当前企业构建数智竞争力主要分为四个阶段：
数字化：奠定数智化转型的基石，通过技术和组织结构的调整，实现业务活动的可视化和量化。
标准化：建立统一的数据标准和指标体系，确保数据的一致性和可比性，为数据驱动的决策奠定坚实基础。
一体化：打破部门壁垒，实现数据、数智化信息跨部门共享和流通，提升整体运营效率。
智能化：利用 AI 技术提升数据决策质量和响应速度，快速识别市场机会和风险，实现业务运作的自动化和优化。
这四个阶段呈螺旋上升态势，共同推动着企业数智竞争力的不断提升。而在这个过程中，企业常常会将“数据驱动”和“Data+ AI”作为核心战略，引入“指标工具”来驱动企业完成数智化转型。
在对李扬的专访中，他多次提到，“当前企业选择 AI 指标平台、布局 Data+AI，都是因为太‘害怕落后’了，客户的紧迫感是历史上没有的”。数智化转型深水期的当下，没有一家企业看不到“Data+AI”的大势所趋以及指标标准化的重要性，但如果没有实现应用落地，那谈“提升数智竞争力”都是空中楼阁、纸上谈兵。只有将技术真正融入实际场景中，解决实际问题，才能验证指标平台 AI 化的价值，而对于 Kyligence 来说，其 AI 解决方案已经拥有了众多可复用的落地经验！
“很多企业在数智化尝试期，更愿意找小一点的场景，能够看到数字化、标准化、智能化、一体化产生的明确效果后，然后开展深度数智化建设。”对于指标平台的选型和应用，李扬表达了一个“低桶活水”的观点。
像国内某头部运动鞋服零售商就是复制了这样的一个路径，在私域运营分析领域，面对庞大且时效性强的数据以及复杂多样的数据源，该团队应用了 Kyligence 提供的一系列细分场景的解决方案，如全域获客分析、私域裂变分析、场景化运营分析以及社群 SOP 分析等，该团队不仅实现了运营效率的大大提升，还实现了多业务场景的引流获客。
如今 Kyligence 成为了该团队在会员分析、私域运营分析、货物超卖等关键场景中的得力助手，有效推动了其实现精细化运营。Kyligence 利用自身的 AI 智能建模能力，帮助该团队降低了技术门槛和重复投入，减少了开发和人力成本。同时，Kyligence 产品的探索式分析功能以其低代码、高性能的特性，为其加速数据到洞察的进程，并激活了群策群力，使得该团队的业务人员能够在极短的时间内完成数据分析的全过程，从而迅速优化产品交互、提升用户体验和购买率。此外，在 AI 辅助决策方面，该团队充分利用了 Kyligence 的 AI 功能，将指标与目标紧密关联，实现了目标管理的智能化。
该团队自实施该方案起，虽然只是从部分业务开始实施，但重要程度已经上升到公司战略层级，通过构建完整的指标体系，将“管理驾驶舱”与部门级指标体系无缝对接，实现了从顶层战略到业务执行的全面贯通，快速完成数智化转型。正如李扬所说的那样，“指标平台是管理上的变革，要求组织打破数据话语权，在庞大的组织中或主要业务场景中去推动。可以说这里涉及的技术难点不断在被攻克，且效果良好。接下来，就是需要企业管理思维的转变，并在企业中推动落地。”
无独有偶，面对上万家门店和覆盖 1600 多个城市的庞大业务体量，国内一家顶级餐饮连锁企业通过与 Kyligence 合作，创建了一个指标平台来提升其数据决策能力——Kyligence 提供的一个包括数据分层、数据服务、指标平台、计算引擎和 AI 数据分析能力在内的全量架构设计，显著提高了该团队业务数据分析周期和 OLAP 查询性能，保留了团队原有分析习惯的同时统一了数据分析服务。通过这个平台，该团队能够精准监控每个门店的运营状况，并通过关键指标如周营业率、千单成功率和周平均营业额来制定和调整营销策略。结合 Kyligence Zen 和 AI Copilot 的解决方案，该团队通过自然语言便可直接获取所需数据，大幅提升了归因分析效率，并将 Excel 中的指标模板统一到指标平台中，形成了可复用的数据资产；同时企业还能够设定目标阈值，进行风险评估和归因分析，快速识别并响应市场变化。
智能一站式指标平台 Kyligence Zen + 内置其中的 AI 数智助理 Kyligence Copilot 目前已在金融、零售、制造、医药等多领域行业企业中落地，覆盖销售管理、业务运营、市场营销等多个场景。比如该解决方案帮助某金融机构解决了数据分散于不同系统、缺乏统一服务、数据汇总和处理异常困难等数据运用效率方面的问题，如在灵活报表场景中通过对话的方式，在保证准确率和可靠性的情况下，成功满足了从管理层到基层多样化的数据需求。
大家都非常清楚，在当今数字化浪潮中，持续投资于数据和 AI 技术已成为企业保持竞争力的关键所在。只有不断挖掘数据价值，借助 AI 技术实现智能化决策，从上至下地发生企业思维的转变，企业才能在激烈的市场竞争中成功完成数智化转型。
当前企业对指标工具的需求已经发生了显著变化，企业不再满足于仅仅进行数据的收集和展示，而是期望通过指标工具实现数据驱动的决策和业务发展。这种需求的提升反映了企业对于“Data+AI”深度融合的渴望，企业希望通过整合数据和人工智能技术，不仅能够更好地理解业务现状，还能够预测未来趋势，做出更加精准和高效的决策。
毋庸置疑，智能数据决策的实现，关键在于确保业务数据在应用 AI 分析时具备高度的可靠性。在复杂多变的商业环境中，AI 分析的结果只有建立在准确、可靠的数据基础上，才能为企业带来真正的价值。从用户场景需求出发，无论是 HR 部门分析员工流失率，还是财务部门预测收入趋势，都需要准确无误的、可解释的数据分析结果，一旦数据存在误差或误导，不仅可能导致企业决策失误，还可能带来不可估量的损失。因此，100% 可解释性成为了数智商用的必要条件。
然而，实现这一目标并非易事。数据的复杂性、多样性以及不断变化的特点都为数据可靠性带来了挑战。指标平台需要保障的数据安全性需要体现在两个方面：
零数据隐私泄露风险：指标平台提供完善的用户权限控制，可以对接企业内部用户认证系统，实现 SSO 单点登录。可根据组织架构配置指标和数据的权限，在 AI 对话中，用户仅能访问到自己有权限访问的指标和数据。
零数据篡改和伪造风险：不同于 LLM 深度伪造技术被某些群体的恶意运用，指标平台提供确定性的数据查询结果，彻底避免可能导致该技术被用于生成虚假信息、生成错误决策。
为此 Kyligence 提出了基于指标平台的 AI 解决方案，确保大模型不会直接接触或获取全部数据，而这个方案也非常值得大家深度探索。在发布会上，李扬还特别强调了 Kyligence 在 AI 对话方面的显著成就，特别是在可靠性、准确率和可解释性这三个关键数据指标上已经达到了行业领先水平。
Kyligence AI 对话应用通过严格的设计和测试，确保在不同的使用场景和数据条件下都能提供可靠的服务，为了实现这一点， Kyligence Copilot 采用了多智能体架构，其中主要的 AI 对话应用运行在一个受限的上下文中，AI 不会直接访问或查询原始数据，而是通过指标查询来完成所有的数据处理。这种方法确保其能力受到适当的限制，保持高效和准确的同时也保障了用户之间的权限问题得到妥善处理。此外，系统还具备持续增强机制，可以根据用户的反馈和新的数据不断优化和提升性能。
系统可靠的同时，准确率和可解释性的数据也非常的突出。在 Kyligence AI 的解决方案中，通过精心设计的算法和优化，AI 对话能够达到 95% 的准确率，这意味着在 100 次对话中，至少有 95 次 AI 能够正确理解用户的意图并提供准确的回答或执行正确的操作。据悉，这个高准确率是通过结合先进的自然语言处理技术和大量的高质量训练数据实现的，Kyligence Copilot 能够理解复杂的查询，并将其转化为准确的指标查询，为用户提供精确的数据和分析结果。
关于语言理解的准确性，当前业界主要有两个技术方向——“NL to SQL”和“NL to Metric Query 再到 SQL”，这两种方法的主要区别在于可解释性。可解释性是“AI 对话”在提供答案或执行操作时，能够向用户清晰地解释其决策过程的一项关键能力。Kyligence 采用的方法是后者，实现了 100% 的可解释性。
图源：Kyligence
Kyligence 的“AI 对话”不仅提供准确的答案，还能够解释其推理过程，100% 的可解释性让用户能够理解 AI 的决策逻辑，增加了对 AI 结果的信任和接受度。而这种可解释性是通过将用户的自然语言查询转换为指标查询来实现的，这样用户就可以直接看到 AI 是如何理解问题的，并根据这些指标来生成答案。这种透明性对于商业决策尤为重要，因为它允许用户验证和调整 AI 的建议，确保决策的正确性和有效性。此外，过于复杂的模型需要更大的训练集，并可能导致可解释性下降，因此 Kyligence 找到了一个平衡点，使模型的复杂度既能满足需求，又能保持较高的可解释性，这也为数智商用找到了一个更为有效的实践路径。
在当下这个数据驱动的商业环境中，智能数据决策是企业获取竞争优势的关键。智能数据决策不仅仅是数据分析和自动化决策的过程，它还涉及到更深层次地将数据转化为有价值的洞察，并指导企业的实际行动。
企业对于 AI 在数据决策领域的应用抱有极大期待，但 AI 在面对复杂业务逻辑和错误信息时，其局限性也显而易见。面临这些挑战，企业采取的行动也不尽相同。李扬在专访中向我们总结了目前企业对于 AI 数字化决策常见的三种态度：
犹豫派：由于试错成本高昂，该类企业对采用 AI 进行数字化决策持审慎态度，金融机构是这其中的典型代表。他们倾向于先在不那么重要的场景进行小面积尝试，没看到实际成果之前不愿立即投入资金。
乐天派：该类企业乐观地看待 AI 的能力，并期望 AI 能解决所有问题，愿意出较低的成本要求获得高性能的技术验证，但当得知 AI 并不能完全满足他们的期望时，他们可能会选择观望或放弃购买。
现实的创新派：该类企业理性地认识到 AI 并非无所不能，但又有强烈的创新压力。他们会在已有的成熟业务场景上叠加 AI 能力，尽管知道 AI 可能并非完美，但他们仍然愿意先尝试，他们追求的是保持竞争力和积累高质量数据，以便后续进行智能化升级。这种企业既现实又有创新动力，是最容易突出重围的代表。
但无论是怎样的态度，企业如果想要提高自己的数智竞争力，让 AI 在数据决策中能够发挥有效作用，其实践关键还是在于构建统一的数据语言——“指标”。在典型的行业体系中，每个业务模块都需要精确的指标来定义和衡量，而这些标准的数据语言为 AI 提供了准确的知识积累，是实现智能决策的基础。
而这个过程中，我们需要明确的是，“Data+AI”并不等同于 ChatBI。ChatBI 是一种基于聊天界面的商业智能工具，它允许用户通过自然语言查询来获取数据和分析结果。尽管 ChatBI 在提高数据可访问性和交互性方面具有优势，但它的局限性在于可能无法提供深入的数据分析和全面的业务洞察，而 Data+AI 的真正价值远超过 ChatBI 的功能，它涉及到数据的全面整合、分析和应用，以及人工智能在业务决策中的深度融合。当前的企业需求已经从 ChatBI 向 Data+AI 发生转变，“Data+AI”已经成为企业智能化转型的核心。
李扬表示，“ChatBI 是一种形态，很多人先拿 ChatBI 当作一个试炼石。自从 Kyligence Copilot 推出后，很多人试用产品，很受欢迎。”这意味着，企业需要重新思考 AI 在数据决策中的角色和应用方式。Kyligence 提出的 Data+AI 解决方案，从能力、思维、治理三个方面支持企业的数智化转型，非常值得大家参考。
在能力方面，智能数据决策过程中，企业需要考虑如何通过技术手段赋能不同技能水平的用户。Kyligence AI 解决方案通过统一的指标建立流程同时满足高级用户、中级用户和初级数据使用人员的需求，建立 AI- 数据文化的基础。高级用户可以通过 Excel 等工具进行深入的数据分析，中级用户可以利用 BI 工具来获取洞察，而初级用户则可以通过简单的聊天界面来消费和理解数据，建立起全员的数据文化。
图源：Kyligence
在思维方面，智能数据决策实现的前提还需要企业建立一个清晰的目标管理系统。在 Kyligence AI 解决方案中，数字化 KPI 为导向，AI 进行目标总结，通过建立一个可衡量、可追踪、可执行的北极星目标跟踪体系，企业能够有效地监控和管理各个层面的目标实现情况、自动评估目标执行情况，企业可以将顶层目标拆解为日常可执行的任务，并跟踪每个任务的进展，帮助企业确保每个小目标的明确性和可达成性。这样的分解不仅适用于单个项目，也适用于跨地域、拥有众多门店的大型企业，确保每个门店都能根据其特定情况设定并实现目标。在这个过程中，AI 的应用可以极大地提升目标管理的效率和准确性。
图源：Kyligence，上图表中数据仅为模拟数据
在这样一个庞大的目标指标体系中，AI 能够精准地追踪整体进展，提供高风险预警和相关建议，这些都是 AI 技术的实际应用，而后续的治理也是非常重要的一环，于是 Kyligence AI 解决方案中将“安全可靠”放到了第一要位，致力于让分析系统变成可靠的 AI Agent，兼顾数据安全与上下游集成，让数据分析不再孤立。
图源：Kyligence
在专访中，李扬也明确说到，“在治理方面，Kyligence 具备两大核心能力，首先是安全合规，确保数据访问的行列权限严格受控，无论是技术层面的列权限还是组织层面的行权限，都实现了精细化的管理，这种权限控制在大型组织中尤为重要，能有效保障数据的安全性和隐私性。其次是指标定义与服务的一体化，基于企业数据治理中数据服务与治理脱节的问题，Kyligence 致力于实现指标定义与数据服务的无缝对接，通过在指标平台产品内直接定义指标，即时查询相关数据，确保了数据的真实性和可靠性。同时，这种一体化的管理方式也避免了数据目录与实际数据服务之间的不一致，大大提高了数据治理的效率和准确性。”
非常值得一提的是，在 Kyligence 2024 数智论坛暨春季发布会和专访中，Kyligence 无一不在和我们强调——智能决策不仅要求快速、准确，更要求稳固、可靠。企业每一个决策的背后，都关乎着数据安全、系统稳定和业务发展的可持续性。所以，企业需要清楚，无论 AI 技术如何进步、决策如何智能，企业都需要清楚，“安全可靠”永远是智能数字决策的前提。
