经过多年的数据基础本领建立云开体育，金融业仍是基本完成从“罕有”到“用数”的过渡。在以数据为驱能源的交易时间，金融业积蓄的海量数据亟需被深度挖掘和高效行使。

传统BI靠近的挑战

传统的“数据运行”模式以数据平台连合BI（交易智能）分析器用为中枢，尽管在运行企业发展和交易改进方面卓有生效，但也靠近一系列挑战：

数据管制复杂

处理海量金融数据需要复杂的ETL经过。需要颐养谐和不同起首和风景的数据。对数据接入的及时性条目高。

爱戴资本高

需要多数东说念主员作念数据报表开导、数据索求等时时数据奇迹责任。存储、蓄意资本跟着数据量加多而急剧上涨。

分析纯真性不及

传统BI器用依赖预界说讲述和面貌板，缺少即时深切分析才调。难以符合阛阓和业务快速变化的需求。

使用门槛高

需要用户具备数据分析技巧和器用操作常识。高门槛遗弃了BI器用的普及和数据分析后劲的发扬。

数巅金融大模子

东说念主工智能和大模子为金融数据的深度分析提供了全新的视角。数巅金融大模子不错让业务东说念主员通过当然说话交互的形势自助完成数据分析，擢升数据获取效劳，辩驳数据分析门槛，让一线有谋划者字据骨子情况快速作念出反应。

1、数据虚构化

X-Engine是数巅科技自主研发的数据智能底座，领有业界唯一的全面虚构化才调，不详为大模子提供多模态数据的颐养接入、蓄意存储、数据管制、数据加快等一站式才调，合座蓄意、存储性能超出业界同类家具~10倍。

数据虚构化引擎X-Engine为数巅金融大模子构建了坚实的数据智能底座，已矣了结构化数据和非结构化数据的快速集成和纯真退换，从非结构数据中索求结构化数据，对结构化数据和谋划体系作念数据增强，生成问题和样本，携带模子历练。

2、金融行业优质数据微调

数巅金融大模子积蓄了数十万个金融行业样例，不详充分会通金融企业数据，行使优质的金融数据对大模子进行微调，准确相识金融业务常识和术语。

3、Agent才调增强

数巅金融大模子领罕有百种器用，包括意图识别、金钱查询管制、异动归因和数据臆想等。大模子通过Agent技能将复杂的NL2SQL任务拆解为器用调用+参数索求任务，行使tool learning连合丰富的数据器用，准确地实施用户的意图，并字据终局进行进一步的操作。

4、精采连合业务应用

大模子赋能业务应用场景，在常识问答、数据分析、标的群体筛选以及营销战略的制定等方面，充分发扬其业务价值，已矣智能化的业务擢升。

5、模子自我迭代

Corner Case运行的专项才调历练酿成了数据闭环，让模子越用越好。基于数据虚构化的RAG检索增强可已矣对多样情势数据和常识快速查询、逻辑推理和更新，相沿大模子握续迭代。

业务价值

辩驳资本：通过数据虚构化技能，匡助金融机构显耀辩驳运营资本，据骨子客户落地效劳考证，可辩驳30%的企业数据开导资本。擢升数据分析效劳：赋能业务东说念主员自助完成大部分数据分析责任，可将数据获取周期从周级裁汰至秒级。运行业务模式改进：可连合客户偏好提供个性化奇迹才调，匡助金融机构探索和已矣新的业务模式，提高业务改进才调。安全合规：相沿额外化部署，以确保用户逃匿数据不出域。

案例1| 某股份制交易银行通过数巅金融大模子已矣智能问数

某驰名股份制交易银行的谋划系统积蓄了多数杂沓的谋划，严重影响了其用数才调。主要痛点包括：

谋划杂沓：领有3+万余个谋划，10万余个维度，10亿余个码值。口径混乱：谋划称呼、维度、码值界说不明晰，存在称呼左近口径不同，称呼十足不同但口径通常等情况。取数勤恳：数据量纷乱，数仓蓄意功课40万，罕有百张DWD和上万张ADM表，取数性能需要专东说念主优化。时效性不及：及时与离线平台割裂，及时谋划加工资本高，已矣难度大，研发谋划需10个责任日甚而更长。数据存储资本高，时效性差。

客户需求：基于已有的谋划平台，通过当然说话进行图表探索，何况不详相沿归因分析、笔墨解读等数据细察操作。

通过使用数巅金融大模子，客户取得的收益：

颐养了3万余个谋划口径，擢升了数据分析质地。将用数需求的反适时候从1至2周裁汰至1分钟，自动化分析准确率达到95%，大幅擢升了用数效劳和准确率。在同样QPS情况下，将蓄意机器资本辩驳了80%，存储资本辩驳了 50%。东说念主效擢升95%，每年省俭数千万东说念主力资本。擢升了营销迭代效劳，每年匡助企业增收数亿。

案例2 |某国有银行信用卡中心通过数巅金融大模子已矣财务分析和归因细察

某国有银行信用卡中心需要对各分行损益情况进行财务分析和归因细察，具体需求包括：

对229+个财务谋划和诸如月、季度、分行、发夹渠说念等各个维度进行解放组合分析。需要多维度展示和下钻，了解各分行损益数据的酿成原因。进行业务谋划的关系归因和分析，找出格外点并阐明波动原因。

客户痛点包括：

责任量大：该行信用卡部门有1万余名业务东说念主员，每次分析触及多数取数、制表、制图的复杂操作。用数需求反应周期长：尤其在月底，从分析东说念主员发起需求到数据东说念主员提供数据，一般需要2-10个责任日。触及经过东说念主员多：一般触及3东说念主及以上谐和，需要约时候、接洽口径、对蓄意等。通常讯息口径存在相识各异：业务需求所触及的谋划及数据口径相识有偏差，亟需颐养业务口径、数据口径和开导口径。多维度交叉数据口径不一致：多维度交叉数据口径前后难以保握一致，要破耗多数时候定位和会诊。历史数据分析终局难以圭臬化复用：历史分析数据终局无法圭臬化存储在系统中，后续难以复用参考。数据分析维度多：数据分析维度较多，谋划、度量、维度解放组合，依赖于东说念主工对业务的相识和对分析视角进行充分判断。

通过使用数巅金融大模子，客户取得的收益：

财务分析东说念主员可通过当然说话交互，对229+个财务业务谋划及数十个维度进行解放组合，并快速获取各财务数据，已矣数据分析和报表生成。相沿1万余名业务东说念主员使用。1分钟内即可取得分析终局。确保90%以上的数据分析准确率。

案例3 | 某城市交易银行通过数巅金融大模子构建智能管制驾驶舱

某城市交易银行在筹谋分析方面靠近巨大挑战：

数目大：200多个分析谋划，包含业务、风险、用户、奇迹等视角类别多：损益类、规模类、零卖类、对公类、金钱质地类等谋划体系维度多：日历、机构、家具、客群等业务维度

该行亟需构建智能管制驾驶舱，对业务发展、筹谋分析、风险合规、普惠金融、阛阓行情等领域进行数据分析和细察，为高层提供有谋划参考。所需功能包括：

概览查询：如总金钱规模交互式：如统计2023年总金钱规模的余额、年日均横向分析：各分行零卖贷款确当月余额排行下钻分析：某分行零卖贷款2023年的趋势变化归因分析：某分行零卖贷款7月大幅下跌的原因

同期应欢叫以下性能：

快速、纯果然数据获取兼备终局性谋划和过程性谋划重要谋划的因果推断谋划及时性低门槛、交互友好、可视化

通过使用数巅金融大模子，客户已矣了四大中枢功能：

管制驾驶舱颐养业务谋划管制

业务谋划可视化

低门槛智能问数和数据分析

智能归因细察赞成

客户取得的收益包括：

智能问数准确率达90%以上问数平均时延小于5秒额外环境部署仅需2东说念主周云开体育