【数智化案例展】上海银行——智能问数平台建设项目

上海银行智能问数平台建设项目通过构建全行级数据民主化体系，以大模型技术为核心，实现数据普惠与智能跃迁，显著提升业务自主用数能力与分析效率，推动战略决策智能化。

一、项目背景与目标

上海银行作为国内首家通过DCMM四级认证的城商行，持续推进数字化转型战略，旨在实现数据资产化与价值释放。为解决业务团队与领导层数据查询门槛高、分析效率低的问题，联合数势科技开发智能问数平台，以大模型为基座，构建业务语义层，支持自然语言交互，快速获取关键数据指标与深度洞察。

建设目标：

• 数据民主化：打破技术壁垒，使业务人员通过自然语言自主完成数据分析，形成商业洞察。
• 效率革命：通过低代码配置与低门槛平台，提升指标加工与使用效率，缩短分析时间。
• 战略连续性：融合经营指标体系与AI分析能力，形成“指标开发-管理-智能应用”一体化生态。

图：智能问数平台架构示意图（来源：数势科技案例）二、数智化需求与挑战

需求驱动：

• 业务自主用数：业务人员需摆脱对技术部门的依赖，通过自然语言交互直接获取数据。
• 高效决策支持：缩短从数据查询到洞察生成的时间，支持实时决策。
• 全链路闭环：整合指标开发与AI应用，避免数据加工链路断裂。

核心挑战：

• 数据民主化不足：传统科技开发模式成本高，业务自服务依赖高门槛BI工具。
• 分析效率瓶颈：人工分析耗时长，报告制作成本高，且依赖经验。
• 智能化衔接不畅：指标建设与AI应用独立，需全链路闭环优化。

三、应用技术与实施过程

技术架构：

• 基座大模型：适配DeepSeek72B蒸馏模型，提供深度洞察与决策支持。
• Agent智能体技术：通过意图识别拆解任务，复杂任务经规划器分解为子任务，简单任务直接调用技能模块执行。
• 语义增强技术：自研数据语义引擎将用户口语对齐数据库指标/维度，生成标准化API接口，降低大模型不确定性。
• 技术引擎加速：基于Doris引擎的HME引擎实现指标预加工，查询速度提升5-20倍，达到亚秒级响应。
• 多轮会话与记忆召回：设计长短时记忆索引与多级缓存机制，支持结构化与非结构化数据存储。

实施过程：

• 场景聚焦：优先覆盖对公业务、零售业务两大场景，支持指标快速查询、自动归因分析与可视化报告生成。
• 功能扩展：支持业务模型与指标的快速定义，嵌入掌上行管理平台，提供前瞻性决策依据。
• 闭环优化：通过Agent架构与反问机制，确保用户查询意图精准理解，减少人工干预。

四、核心技术解析

• 语义增强引擎：将自然语言转换为中文指标/维度信息，填充至标准API槽位，再翻译为查询逻辑执行。相比NL2SQL，该方式拆分链路，降低大模型幻觉效应，提升准确性。

• HME数据加速引擎：针对指标预定义与预加工，实现自动初始化处理，用户无感知。例如，零售业务指标“月度活跃客户数”可提前计算，查询时直接调用结果。

• 多轮会话管理：存储用户会话与知识记忆，支持上下文关联。例如，用户先查询“本月贷款余额”，再追问“同比变化”，系统可自动关联前序问题，生成完整分析。

五、商业变化与价值

1. 数据民主化突破：

• 业务人员自主用数率从35%提升至80%，覆盖对公存/贷款、零售等核心业务条线。
• 指标开发周期从2周缩短至2天，降低科技部门维护成本。

2. 效率跃升：

• 业务响应时间缩短30%，分析效率提高40%。例如，零售团队通过平台快速生成区域销售报告，时间从4小时压缩至1.5小时。

3. 战略价值：

• 创新用数交互渠道，推动数据普惠化，形成“看数-懂数-用数”正向循环。
• 嵌入掌上行决策系统，将AI能力融入经营管理，探索AI赋能路径。例如，平台自动生成“贷款风险预警报告”，辅助管理层决策。

六、企业合作与行业影响

• 数势科技：专注于数据智能解决方案，推出SwiftAgent（智能分析平台）、SwiftMetrics（智能指标平台）等产品，服务金融、制造、零售等领域头部客户，助力数字化升级。

• 上海银行：以“精品银行”为战略愿景，将数字化作为核心驱动力。通过智能问数平台，巩固其城商行数字化转型标杆地位，为行业提供可复制的实践经验。

七、总结与展望

上海银行智能问数平台通过大模型、语义增强、数据加速等技术创新，成功实现数据民主化与智能化跃迁。项目不仅提升业务自主用数能力与分析效率，更推动战略决策向数据驱动转型。未来，随着技术迭代与场景拓展，平台有望进一步深化AI与业务融合，为金融行业数智化提供新范式。

很赞哦!（78139）