AI+BI 在马上消金场景中的应用实践探索

AI与BI的融合正在金融行业掀起一场静悄悄的革命。马上消金的AIBI系统，就是这场革命中的一个典型样本——它不仅让业务洞察变得更快、更准，还直接推动了研发和人力管理效率的跃升。下面，我们就来拆解这套系统背后的技术路径、实际应用，以及那些“坑”与经验。

马上消金业务特点：监管之下的精细化运营

作为国内消费金融领域的第一梯队成员，马上消金的业务逻辑可以浓缩为一句话：“监管约束下，科技驱动的精细化运营”。这不是一句空话，而是贯穿了数据安全、业务模式、成本风控等多个维度。

安全、合规与监管约束

金融数据的安全与隐私，是必须严守的红线。从《个人信息保护法》到隐私计算技术的嵌入，每一个分析模型都必须在合规框架内运行。更具体一点说：综合资金成本、服务费拆分等数据监控，必须做到透明、合规；用户授权的数据使用，更是不能越雷池半步。

业务模式多元化与线上化

马上消金面向的是 ToC 客群，且客群偏下沉、长尾，平均客单价不高，但客群庞大且分散。这意味着，必须靠精细化运营来驱动增长。超过1000个业务系统支撑着全流程线上化，数据量巨大，对服务质量与系统稳定性提出了极高的要求。

运营效率与成本管控的瓶颈

从增量市场转向存量市场，技术深化与场景拓展成了主旋律。但在“科技+金融”生态构建过程中，如何平衡业务发展与成本管控，成了一个现实难题。说白了，就是要在保证业务效率的同时，把每一分钱都花在刀刃上。

风控与动态监控的挑战

欺诈风险隐蔽性强，不良资产处置压力持续攀升。这要求系统必须做到实时决策与事后审计分析相结合，对风控的动态监控能力提出了前所未有的挑战。

数据分析工作的痛点与需求

说完了业务特点，我们来看看数据工作落到实操层面时，到底有哪些“拦路虎”。

数据需求落地周期太长

一个数据需求从沟通、建模到最终交付，往往需要跨多个部门、多个角色协同，耗时一周甚至更久。流程复杂、响应速度慢，这是最大的痛点之一。

数据利用率不足

根据 Gartner 两年前的统计，通用企业的数据有效利用率不足30%。坦白讲，马上消金在这方面也还有不小的提升空间。

开展有效数据分析的障碍

取数困难、计算过程复杂、结果价值不高……这些问题常常让数据分析的落地效果大打折扣。

业务诉求的四个关键方向

：能快速、方便地获取所需数据。
：及时、准确地捕捉异常信息，并发出预警。
：简化传统BI看板的手工配置，实现自动化报表生成。
：从依赖分析师个人经验，升级为自动或半自动的洞察报告辅助生成。

大模型为增强分析落地提供可能性

传统的 BI 和增强分析技术，虽然对数据分析有一定正向作用，但使用门槛依然偏高，难以真正融入业务人员的日常工作流程。业务方真正想要的，是一个更智能、更易用的工具。

直到大语言模型的兴起，情况才出现了转机。大模型强大的语言理解、逻辑推理能力，加上工具自主调用和融入领域知识的特性，让增强分析真正落地成为可能。

马上消金从2023年开始识别到大模型在企业级场景的潜力，并在客服、电销、知识中台、营销等多个方向进行了探索，AI+BI 正是其中的重点落地方向之一。

指标中台 + 轻量 BI + AIBI 产品体系

马上消金最终选择的产品路径是“指标中台+轻量BI+AIBI”的多层架构。

从2023年建设指标中台，到2024年搭建轻量BI、ChatBI及增强分析，再到2025年初立项做DeepInsight深度洞察产品——这条路线走得扎实而稳健。

在这个体系中，指标中台是数据底座，轻量BI是工具基础，AIBI则是在此之上构建的智能体，包括“智能问数”和“深度洞察”两个核心能力。

：专注通过对话式交互快速取数及可视化展示，大大简化了传统BI中数据开发、接入、建模、仪表板配置的繁琐流程。
：在智能问数的基础上，增加了描述性分析、异动归因分析、趋势预测、对策建议等高级分析能力。

值得一提的是，指标中台的全面普及是个长期工程。轻量BI在其中扮演了中间适配层的角色，通过统一的数据引擎，为AIBI提供统一的取数接口。

技术路线选择

取数逻辑：Text2DSL2API 与 Text2DSL2SQL

在数据获取的技术路线上，马上消金没有直接选择 Text2SQL。原因很简单：数据平台各类底表有数万张，通用业务场景下Text2SQL的准确率并不理想，难以满足业务的准确性要求。

最终选择的路线是 Text2DSL2API 和 Text2DSL2SQL。即：AIBI先将自然语言识别为 DSL，交给BI的数据引擎；BI引擎再根据对接的是指标中台还是其他数仓，调用指标API或解析为SQL进行数据查询。

这种方式的优势在于：AI取数效果有保障，性能稳定，实现逻辑相对简单。但缺点也很明显——系统整体架构较重，一个功能开发往往需要三个产品线紧密配合，且许多能力受限于指标中台的局限，扩展性有限。

工作流程选择：三级结构

AIBI的工作流程分为三个层级：

：AI自主驱动，用于交互式探索分析场景。由主Agent挂载多个子Agent及MCP工具集，以串行方式运转。

：固定分析规则的工作流，通过传统流程编排能力完成固定业务分析主题的编排与运行。也可以注入业务知识，由AI自动生成可编排的分析流程配置。关键点在于：系统保证分析过程的执行是严格受控的，适用于严肃业务场景下的通用任务式分析。

：纯定制化的业务主题分析。由业务分析师或开发人员离线编写自定义分析脚本，上传至洞察分析引擎，由引擎托管执行。适用于前两种方式无法覆盖的个性化场景。

分析链路的选择，由系统运行时根据配置的分析主题及指标自动决定。基于这三种工作流，基本可以覆盖马上消金内部绝大部分数据分析需求。

深度洞察（DeepInsight）

深度洞察Agent的核心由五个工作单元组成：

：根据指标元数据和对话上下文，识别用户意图，进行问题拆解、改写和简化，并将基本元素向下传递。

：根据用户意图进行任务拆解，调用相关算法和工具集，驱动任务执行，并能够根据执行进度和结果动态调整规划。

：负责固定分析工作流的编排和驱动运行。

：将分析结果（描述性分析、异动识别、归因分析、数据预测等）以及业务现象和对策建议的知识洞察，整理成清晰的知识条目。

：根据模板库和报告模板，统一生成最终的分析报告。

AIBI 能力范围

：以对话式交互分析为主，同时支持Copilot形态集成外部系统、分析任务配置、用户上传Excel数据文件分析、BI分析组件集成、以及OpenAPI等方式与外部系统对接。

：支持标准指标中台，也可通过轻量BI接入外部三方数据源。BI层面，计算引擎支持自定义数据集的构建、用户上传文件导入、以及三方外部数据接口的数据接入。

：涵盖Agentic Workflow、Fixed Rule Analysis Workflow 和纯定制业务主题分析三种。

：主要渠道是对话窗口中的分析结果展示，同时支持文件下载、邮件推送、飞书推送等方式。

AIBI 在营销 Agent 规划的定位

AIBI、指标中台和轻量BI，均由马上消金的智能营销研发团队建设。在公司探索 Agent 落地最佳实践的进程中，AIBI 扮演着探路者的角色。它依托底层的马上云平台、泰山大数据平台和模型底座 Power Agent 等基础设施，为各类业务系统应用提供支撑。

在营销产品矩阵中，从应用层面划分，既有传统业务系统的AI化，也有AI原生的应用定义。数据分析Agent正在建设中，后续还规划了运营策略Agent、智能配置Agent等。在交互层面，公司正在整合资源，致力于解决传统多系统、多门户集成复杂的问题，为用户提供统一简洁的操作界面。目前推广的统一业务数据门户，就是一个有价值的探索尝试。

评测体系的构建

对于任何AI应用，业务人员几乎都会问出“灵魂三问”：效果怎么样？效果怎么衡量？为什么能达到这个效果？AI效果评测，是AI产品研发中极易被忽视却又极为关键的一环。为此，马上消金专门构建了一套评测体系。

这套体系采用复合加权评分的方法来评估效果，分为通用的AI模型能力评测方法和AIBI专属评测指标。

：包括任务识别准确性、实体识别准确性、复合问题拆解准确性、工具调用准确性、对话流畅度等。

：分为数据计算和数据洞察两类。数据计算方面，考量计算的精准度、准确度、指标召回、维度维持的检索和时间区间识别的准确性、代码片段执行准确度等。数据洞察方面，重点衡量智能图表推荐的准确度、洞察结果生成质量、报告撰写质量（如异动事件检测准确度、归因原因归类准确度、预测准确度等），以及报告格式、是否出现大模型幻觉、报告长度约束等。

此外，还设计了一套半自动化的AIBI效果评测流程和工具，能够自动构建问题语料、辅助生成测试用例、自动跑批并生成测试结果。前期可由人工校准，稳定后可全自动运行。

AIBI 主界面：对话交互分析

AIBI主界面参考了主流推理模型和Manus产品的交互形态，提供了两种分析模式：

：耗时较长，通常2-5分钟。主要用于单指标或多指标的异动检测、归因分析、预测，并从知识库中检索对策建议，最终生成分析报告。

：速度较快，1分钟内完成。主要用于数据描述性分析，不生成报告。

BI 报告集成增强分析及集成分析助手

将增强分析组件集成到轻量级BI仪表板中，是AIBI能力的另一个重要输出渠道。它能够实时展示数据异动分析的洞察结果。同时，对话式交互分析也以Copilot方式集成到了BI仪表板内，用户可以针对每个BI图表组件展开操作，系统自动导入相关数据上下文，便于业务人员进行探索性扩展分析。

AIBI 的应用场景

业务洞察

对放款量、授信额度、授信人群等核心金融指标进行监测，分析异常波动并定位原因，给出对策建议。通过构建指标相关性归因图谱、注入业务背景知识、定义分析策略，AIBI可以定时监测核心指标，按固定周期自动生成维度归因和指标归因的专家级分析报告。相比传统方式，它显著解决了数据响应慢、取数困难等问题，为公司管理层和执委会提供了更及时有效的决策辅助信息。

研发效能洞察

技术部每周五需要收集研发过程指标和结果类指标，但研发效能相关指标有100多个，传统人工统计分析的难度可想而知——分析师制作报告往往需要一整天甚至周末加班。引入AIBI后，报告制作时间大幅缩短，还能更精准地捕获异常指标，并给出问题描述、原因分析和建议。

人力 HR 员工洞察

员工洞察的目标是提供团队人力全景化输出，帮助管理者提升整体效能。挑战在于需要获取多指标组合的异动规则，例如通过员工考勤和绩效推导离职风险等。同时，HR领域知识库在私域内，AIBI需要与HR业务系统配合共创，定期生成员工洞察报告，并集成在BI的HR员工洞察仪表板中。

会议效能洞察管理

公司多地办公，大部分会议通过在线视频进行，产生了大量会议数据。HR部门需要周期性分析会议效率、成本和质量，以识别协同和管理流程问题。以往按季度进行会议效能洞察，需要投入两人两周时间进行数据统计和报告生成。使用AIBI辅助后，预计将每季度的报告生成周期缩短至周。目前该功能还处于测试集成阶段。

金融监管报送

金融机构需要定期或不定期报送展业数据，且必须保证报送数据与对外公布数据口径一致。AIBI赋能合规部和财务部，对资本管理和经营指标进行分析判断，对比业务事件和资管情况，优化高风险高配置占比的资产配置。此外，各类经营数据的采集和加工十分繁琐，涉及大量业务系统和数据集市，人工核对工作量巨大。基于指标中台+AIBI，分析师可以很方便地基于多种组合条件进行问数，快速进行数据提取与核对，极大提升了工作效率。

逸骊生活业务监测

该场景的目标是提升相关业务指标报警和预警的准确度。随着业务规模扩大，监测指标增多，指标异动可能预示着资损或服务质量下降。以往缺乏有效的数据波动预警机制，而AIBI的增强分析能力支持多种异动检测算法，将异常发现时效从天级降低到分钟级，并能辅助分析师快速定位问题原因，及时制定响应策略。

经验小结

：从非核心管理场景到核心经营场景，再到核心业务场景，逐步推进AIBI落地。利用内部自研优势，在大量场景中验证和积累微小胜利，降低风险。

：在企业级业务场景中，AIBI需要多轮驱动。对于高可靠性要求的场景，谨慎使用全自主的Agentic工作流。

：依赖开源模型基座进行冷启动，运行一段时间采集足够数据后，再进行小模型的强化学习训练微调。谨慎使用流行的多智能体架构，避免出现结果冲突的情况。

：AIBI作为工具化产品，要无缝或流畅整合到业务人员的工作流程中，必须与对应的业务研发团队紧密协作、共创。

未来展望

：将业务分析师的专家经验转化为AI能力，目前仍有很大难度。简单的导入业务文档，仍然需要大量人工标注和配置工作。一个设想是：通过一个专属的对话智能体，定期与业务/分析师对话，通过不断提问来收集有价值的业务信息。同时，当前仅支持结构化数据分析，后续需要解决非结构化文件数据组合分析的问题。

：公司业务线广泛，涉及客服、消保、销售、营销、风控、财务等多个领域，各有不同的术语和习惯。通用产品在不同业务场景下的意图理解，面临巨大挑战。

：保障AgenticFlow大模型推理的稳定性是关键，需要解决模型幻觉和工具调用可靠性问题。在严肃的生产级别场景中，必须谨慎使用AgenticFlow——因为提示词、模型推理参数等任何微小变化，都可能导致结果差异巨大。

：在与财务团队合作进行财务数据分析时，数据安全和隐私问题在一定程度上影响了项目落地。未来需要重点发力业务数据安全性/隐私性保障机制，包括：提供数据“阅后即焚”的自证机制；在不影响分析结果的前提下，实现数据脱敏等。