AI进入企业,数据开始同时服务人和智能体。过去,数据主要服务于员工的查询、分析和决策;如今,还需要让AI看得懂、用得准。
但不少企业的数据还没有达到支撑AI应用的数据就绪(Data Readiness)水平。 企业虽然积累了大量数据,却可能面临数据分散、指标口径不统一、业务规则依赖人工经验、专业知识沉淀不足等问题。随着不同部门陆续建设AI应用,这些问题还可能进一步形成新的AI孤岛。
国家政策也在持续强化对高质量、可信、安全数据供给的要求。“数据二十条”提出提升数据的可用、可信、可流通、可追溯水平。面向AI应用,企业需要进一步提升数据就绪程度,让数据资产具备支撑智能体理解业务和调用数据的条件。
思迈特基于长期企业级BI建设积累,将数据治理能力延伸至AI时代,形成覆盖结构化数据与非结构化知识的产品方案,帮助企业提升数据就绪程度,构建可供AI调用的企业级可信数据平台。

从数据可用到数据就绪,企业需要补齐什么?
当智能体开始直接使用企业数据,数据治理的要求也随之发生变化。
-
数据需要具备AI可理解的业务语义。除了数据标准和指标口径,还需要明确指标定义、业务对象及其关系,让AI能够依据企业统一的业务逻辑开展分析。
-
企业专业知识需要具备可核验的业务依据。制度、报告和业务经验需要明确来源、版本及适用范围,让AI能够识别哪些知识可以用于当前业务判断。
-
AI调用数据需要有明确的权限边界。企业需要进一步明确智能体的身份、任务和数据访问范围,并对数据来源与调用过程进行管理和追溯。

这些变化共同指向一个问题:企业真正缺少的,不只是更多数据,而是能够让AI理解企业业务的上下文。企业多年积累的数据、指标、模型、业务规则和专业知识,需要进一步组织和连接,让数据不仅能被找到,还能对应具体的业务对象、业务关系和管理规则,成为AI理解业务、开展分析的可靠依据。

从企业级BI积累到AI数据治理,思迈特的实践与能力
企业级数据治理涉及复杂的数据环境、业务关系和管理规则,需要长期的行业理解与项目实践积累。思迈特15年来持续服务金融、能源、制造等行业的大型企业,在复杂数据整合、指标管理、业务建模、权限治理和经营分析等方面形成了丰富的企业级实践经验。
在长期项目实践中,思迈特持续处理不同业务系统之间的数据关联、跨部门指标口径统一和复杂业务逻辑梳理,将分散的数据资源转化为可管理、可分析的企业数据资产。
这些长期积累的企业级BI能力,正是企业推进AI数据就绪的重要基础。 思迈特能够将已有的数据治理与业务建模经验延伸至AI应用,帮助企业识别数据就绪差距,让过去的数据建设成果继续服务新的智能化应用。
围绕这一方向,思迈特基于SmartBI Insight的企业级BI能力,进一步布局白泽本体智能平台和白泽知识经验管理平台,形成覆盖结构化数据治理与非结构化知识管理的产品方案,为企业组织数据、指标、业务规则和专业知识提供支撑。

思迈特也在将AI能力应用于自身的数据治理实践,并探索智能体参与企业数据建设的工作方式。
在内部,思迈特通过多智能体协作组织“数字员工”参与研发、交付等工作,由人设定目标与路线,智能体分工执行,人在关键节点进行把关。目前,思迈特内部研发效率已翻倍,交付效率提升10倍。
在数据治理工作中,数字员工已经参与结构化数据与非结构化知识的处理:结构化数据以指标模型为基础,组织维度、指标和业务规则,为大模型生成SQL提供业务上下文;非结构化数据则通过Know-how知识萃取平台,提取文档中的专业知识。
在客户项目中,智能体也已参与数据工程实践,能够自动生成ETL工作流,辅助数据处理与工程实施,进一步验证了AI参与企业数据建设的应用价值。

从现有数据基础出发,加快企业AI数据就绪
企业的数据建设基础不同,推进AI数据治理的起点也不同。思迈特结合企业已有的数据资产和治理成熟度,帮助不同类型的客户找到适合自己的建设路径。

(1)对于已经使用SmartBI的企业,重点是激活已有BI资产。
企业可以从已有BI建设成果中识别可复用资产,将其延伸至AI应用:
-
数据模型可以延续使用: 复用已有的数据接入、整合和建模成果,减少重新梳理数据来源、关联关系和计算逻辑的工作。
-
指标体系可以继续复用: 已经统一的指标定义、统计口径和分析维度,可以成为AI理解业务问题、开展数据查询的依据。
-
权限体系可以进一步延伸: 在原有权限管理基础上,规范智能体的数据访问范围。
-
分析应用可以成为新的业务入口: 从成熟的报表和经营分析中识别AI应用机会,延伸至AI问数、归因分析和报告生成等应用。
(2)对于使用其他BI或数据平台的企业,重点是借助思迈特成熟的企业级建设经验,加快数据就绪。
企业可以从实际业务需求出发,盘点已有数据资源和业务资产,识别数据质量、指标口径、业务模型和专业知识方面的差距。思迈特能够结合企业现有的数据架构,通过产品的数据接入与集成能力,对接已有数据资源和业务系统,在现有基础上开展数据治理与业务建模。依托长期服务大型企业积累的项目经验,帮助企业明确治理重点、补齐能力短板,减少摸索和重复建设,更快形成支撑AI应用的可信数据基础。
(3)对于数据治理成熟度较高的企业,还可以进一步探索更深层次的能力建设。
在已有数据治理基础上,进一步探索本体智能、Know-how知识管理,以及API、CLI等Agent调用方式,让成熟的数据资产更好地服务不同模型和智能体。
结语
企业可以结合自身的数据建设基础,评估现有数据资产的可复用程度,明确业务上下文和治理能力需要补齐的部分,并将这些工作融入后续AI应用建设。
BI积累决定了企业已有的数据基础,面向AI的可信数据治理,则决定了这些积累能够在新的智能化应用中发挥多大价值。
如果你正在规划下一步AI应用,欢迎在文末留言。我们可以一起梳理所需的指标、规则和知识,以及已有BI资产中哪些可以直接复用。
—— 往期推荐 ——
打造可信数据,释放业务价值|思迈特十五周年
晶合集成×SmartBI:贯通全业务链分析,迈向“AI工厂”
会计科目拟全面修订,企业财务分析如何应对?




最新评论