从 2022 年 GPT-3.5 横空出世以来，大语言模型和 BI 系统结合以实现自然语言查数，是各家 BI 产品积极探索的方向。从 2023 年立项以来，经过多种形态的产品探索，最终在抖音集团内部取得取得初步的 PMF，并在外部得到多行业、多场景应用。本次演讲主要分享Data Agent 分析智能体的产品探索与演进、落地难点与解决方案、典型实践以及对未来产品形态的演进思考。

演讲提纲：

1. 分析智能体 产品形态演进：大模型数据分析产品形态，从「传统 BI」到「LLM+BI」
2. Data Agent 分析智能体 探索历程
   • 第一阶段：仪表盘 Ai 洞察“Copilot”
   • 第二阶段：通⽤分析智能体
   • 第三阶段：专⽤智能体
3. Data Agent 分析智能体 的落地实践
   • 分析智能体 的大模型能力矩阵
   • 分析智能体 落地难点：如何降低使用门槛、如何提升产品使用价值
   • 对应解决方案：引入 分析智能体 ，满足企业内部个性化数据查询、分析需求
   • 落地案例：以抖音集团内部销售场景举例，基于 分析智能体，销售人员能通过自然语言对话的方式，随时获取客户对产品使用情况，推动业务发展
4. Data Agent分析智能体 技术架构
   • 分析智能体 核心架构解析
   • 分析智能体 查询流程与技术要点
5. 总结与展望
   • 持续智能体配置⻔槛
   • 提升结果可解释性
   • 提升分析深度

听众收益：

• 从传统 BI 到 LLM+BI 的转变，掌握数据分析产品的未来趋势
• 学习落地实践经验，通过实际案例了解 ChatBI 如何解决企业数据分析中的痛点
• 掌握技术架构，深入了解 ChatBI 的核心架构和查询流程
• 了解 ChatBI 智能体在数据分析中的应用，把握技术发展方向

在金融科技快速发展的当下，数据质量已成为大模型应用效果的关键因素之一。本次演讲将聚焦于灵雨平台在金融垂直领域的数据管理实践，介绍其在多源异构数据整合、高质量Chain-of-Thought（CoT）数据构建流程、多模态数据处理与质量控制等方面的技术实现。我们将详细解析平台的整体架构设计、核心算法机制与系统落地方案，分享如何构建从原始数据采集、加工到模型驱动决策的闭环体系，以支撑金融业务的智能化升级。

演讲摘要：

1. 引言与背景
   • 金融科技的发展与数据挑战
   • 大模型数据全生命周期管理的重要性
2. 平台定位与技术核心
   • 系统架构与技术路线
3. 智能数据集管理
   • 多源异构数据整合
   • 精细化数据管理
   • 端到端智能应用赋能
4. CoT思维链数据工厂
   • 高质量CoT数据构建原理
   • 定制化CoT数据构建Pipeline
5. 多模态数据管理与应用
   • 多模态数据增强技术
   • 多模态数据质量管理
   • 多模态数据在金融场景的应用
6. 实际场景中的数据管理与应用案例
7. 总结与展望

听众收益：

• 深入了解金融领域大模型数据全生命周期管理的关键技术与架构实践，掌握从数据获取到智能决策支持的完整流程
• 掌握高质量CoT数据构建与多模态数据管理方法，助力在金融场景中落地智能化应用

字节跳动A/B测试平台（内部名称Libra，对外产品DataTester）是全球领先的A/B测试与智能优化平台，累计支持超340W次实验，同时运行7W+实验，覆盖抖音、今日头条等数百业务。平台脱胎于字节跳动2012年引入的A/B测试体系，2016年实现产品化，2021年通过火山引擎开放给企业客户，融合了科学分流、智能分析、多场景特型实验等能力，成为驱动业务增长的核心基础设施。在AI时代，平台正从“功能策略验证工具”向“企业创新加速引擎”升级，探索推理模型+数据+工程的自动化决策范式。

演讲提纲：

1. 传统 A/B 测试的挑战与 AI 的颠覆性机会
   • 传统 A/B测试的“天花板”
     • 人工设计依赖经验，实验效率低（如多变量组合爆炸问题）
     • 样本偏差与统计显著性陷阱（尤其在小流量场景）
     • 长反馈周期无法匹配业务实时决策需求
   • AI 的颠覆性价值
     • 从“假设驱动”到“智能驱动”：AI 自动生成实验假设和设计、自主分析结果
     • 从“串行分工”到“智能协同”：面向PM、DA、RD等实验Role的AI Team协同
     • 从“结果验证”到“决策生成”：模拟海量用户在线实验效果提前敏捷决策
2. 字节跳动 A/B 测试平台的进化路径
   • 第一阶段：规模化实验基础设施
     • 超大规模和复杂场景实验引擎
     • 科学高效的实验科学分析引擎
   • 第二阶段：AI 增强的智能实验
     • 超参数优化：基于历史数据的贝叶斯优化，自动优化参数组合
     • 流量智能调优：基于多臂老虎机，在实验运行中动态调整流量
     • 因果推断增强：通过异质人群挖掘，自动下钻出实验影响维度
   • 第三阶段：决策智能体生态
     • 智能实验设计：通过自然语言交互定义实验假设和设计
     • 智能实验分析：分析智能体助力日常实验分析与写报告
     • 海量用户模拟：基于 AI的预实验模拟，规避策略冲突与业务风险
3. 未来展望：A/B 测试的终极形态
   • 个性化实验设计：未来的 A/B 测试将从"一刀切"的分组进化为针对不同用户精准设计的个性化实验，大幅提高实验效率和精度
   • 因果推断的突破：AI 系统将帮助企业从相关性分析迈向更深层次的因果推断，从"发现现象"升级为"理解原因"，为决策提供更深刻的洞察
   • 闭环决策系统：A/B 测试将从独立工具演变为完整的决策闭环系统，整合假设生成、实验设计、结果分析和自动执行，实现决策过程的高度自动化，进化为企业创新操作系统

听众收益：

• 战略视角：理解 AI 如何将 A/B测试从“辅助工具”升级为“决策核心”，重塑企业竞争力
• 技术前瞻：掌握A/B 测试与生成式 AI、因果推断等新技术融合最新技术路径
• 实践洞察：借鉴字节跳动亿级用户场景的实战经验，规避规模化实验的典型陷阱

AI 时代数据治理面临的挑战和机会是什么？一方面 AI 的成功依赖于高质量的好数据，好数据依赖依赖于可持续的数据治理，通过基于数据标准为中心的方法论极大降低了传统数据治理方法的复杂度，从过去运动式的治理变成可持续的数据治理；另一方面数据治理的过程依赖大量的人工，AI 赋能数据治理，帮助把重度依赖人工的数据治理变得自动化和智能化。面对 AI 时代，通过 AI 赋能，叠加可持续的数据治理方法论，让好数据加持业务创新和发展。

演讲提纲：

1. 数据治理面临的问题
   • 数据治理实施链路
   • 数据治理的挑战
2. 以数据标准为中心的数据治理方法论
   • 方法论框架
     • 构建全域的数据资产治理体系
     • 以数据标准为中心的技术框架
   • 方法论实施链路
     • 数据标准覆盖数据研发、治理、消费的完整数据链路
     • 融入方法论的产品一体化的解决方案
     • 技术方案
       • 开放扩展性
       • 多云多引擎
   • 方法论的优势
     • 体系方法论、易落地、可持续
3. AI 驱动的数据治理
   • AI 时代需要好数据
     • 产品解决思路
       • 标准、语义、数据知识
       • 数据准确性验证
   • AI 赋能数据治理
     • 产品解决思路
       • AI赋能数据质量、数据安全
       • AI赋能资产管理
   • 技术解决方案
     • 多模型多平台
     • 易集成、易扩展
4. 总结展望

听众收益

• 了解基于数据标准的数据治理方法论
• 了解AI如何为数据治理提效