仪表盘并未消亡，但在人工智能时代，企业对数据与分析团队及自助式分析工具的期望值已显著提升。业务问题日趋复杂，数据维度愈发多元，而对数据驱动的答案与洞察在速度、深度及个性化层面的要求也达到了前所未有的高度。

多数企业已部署传统工具，正尝试为其添加新的 AI 附加功能，或探索自主开发的 Text2SQL 解决方案，但这些努力均未能满足对 AI 驱动分析的期待。

我们需要的并非为现有系统再建一套仪表盘的 AI 机器人，而是能理解情境、运用数据推理并主动提供洞察的代理智能。要实现这一点，需从根本上构建具备分析推理、探索与适应能力的系统。

1、什么是Agentic Analytics？

代理分析是一种新兴数据分析范式，其借助人工智能代理（由大语言模型驱动的智能软件），不仅能响应业务问题，还可对复杂任务进行推理、从每次交互中学习并主动采取行动。这种转变将分析从被动、静态（甚至可说是停滞）推向主动、动态且持续运行的新形态。代理分析不再是提出问题后等待仪表盘呈现结果，而如同拥有一支 AI 分析师团队，持续挖掘洞察、验证假设并提出最优行动方案。例如，对于第三季度销售额下滑，代理无需人工介入即可主动分析模式并标记异常。

2、企业为什么需要Agentic Analytics？

仪表板过多——即不常用仪表板的激增——确实令人头疼。企业领导者被大量无法推动行动的仪表板和报告淹没，而数据团队则因周复一周地回答类似的临时问题而陷入瓶颈。

市面上一些Chat BI产品让事情变得更容易一些，但它们仍然依赖于人类的指导，只是总结/可视化事物 - 而不是真正地分析、推荐或集成业务系统以采取行动。

Agentic Analytics 则有所不同。它不仅仅是生成响应，还能协调跨工作流程的多步骤推理，而这些推理通常需要整个团队才能完成。

Agentic Analytics 包括以下关键部分

LLM 的推理能力可以理解目标、将其分解为步骤并生成上下文分析。

企业级上下文感知，实时从受管控的语义层和多个数据源中提取数据。

记忆和学习，因此代理通过使用、反馈和纠正不断改进。

行动编排，触发后续分析，提醒利益相关者，或建议下一个最佳行动。

使用代理分析的企业无需在事后追逐 KPI，而是可以在下次会议之前获得主动答案，并在出现偏离计划的情况时获得自动建议。

这不仅仅是更快的洞察，更是从被动式商业智能 (BI) 向持续性代理智能 (Agent-Intelligence) 的转变，而且无需人工干预。

3、传统BI工具无法满足用户需求

4、代理分析 VS 传统BI VS 搜索式BI VS智能问数(含数据解读)

代理分析赋予人工智能代理自主权，使其能自主决定执行步骤、提取数据、分析方式及行动方案。

5、Agentic Analytics 架构

Agentic Analytics 包括以下组件

1.语义查询层

为了理解业务问题，代理需要一个语义层，将自然语言映射到数据中实际的、可信的指标、维度、过滤器和层次结构。

2. 用于分析推理的多智能体协调

复杂业务问题无一步到位的答案，需通过一系列分析（趋势、比较、诊断、解释）逐步拆解。

3. 根本原因与驱动图推理

仅揭示趋势不足够，还需明确影响趋势的因素及不同变量的相互作用机制。

4. 融合多模态数据以发现见解

链接企业的结构化数据和非结构化数据，实现智能问答与发现见解。

5.自学习

代理分析的洞察与答案需与时俱进，通过用户反馈持续学习优化。

6. 智能洞察

超越仪表盘与图表，向用户呈现变化内容、变化的重要性及下一步行动建议。

6、代理分析如何处理风险

每项新技术都伴随着风险。

Agentic 分析能够正面解决这些风险：

幻觉：借助检索增强生成（RAG）与语义层，确保代理基于事实而非猜测生成内容。

失去控制：代理在限定工作流内运行，支持人工反馈与干预。

用户信任：通过持续学习改善响应质量，以透明的解释机制建立用户信心。

7、小结

BI分析的下一个时代是目标驱动、自适应且智能的。极昆仑通过融合深度分析与对话智能、多智能体推理及业务感知反馈循环，实现了这一目标。

关键要点：

Agentic Analytics 使用自主 AI 代理来处理多步骤分析和决策工作流程。

它代表了静态 BI、搜索工具和副驾驶的重大发展。

代理可以从多个系统中提取信息，通过步骤进行推理并采取行动，而不仅仅是回答。

业务和技术团队都受益于更快的洞察时间、更少的瓶颈和更好的决策。