高德 Data Agent 实践：从数字到业务决策（下篇）
阿里技术 · 软件开发
郭人豪 2026-11-04 18:04 浙江 这是2026年的第 75 篇文章 （ 本文阅读时间：约 20 分钟 ） 分析师 / Agent，就是坐在真实世界与数字世界之间的翻译。 01 上篇回顾 上篇完成了 A → B → C → D 的「降维」：从业务需求出发，先厘清分析需求，再确定数据需求与查询逻辑，最后执行查询并验证结果，把一句模糊的业务问题变成一组 经过体检、值得信任的数字 。 接下来沿着原路「升维」：D 数字结果 → C 数据解读 → B 分析判断 → A 业务结论 。数字本身从来不是答案，数字放回分析框架里得出的判断才是答案。 第四步：【D 数字结果 → C 数据解读】描述事实，产出数据解读，并识别重点 4.1 难点是什么？ 一屏数字 ， 大部分是噪音 。 AI 最容易犯的毛病，就是从头到尾把每个数念一遍：收入 xx 亿，曝光 xx亿，CVR xx%…… 念完， 听的人还是不知道今天到底发生了 什么。 老练的分析师 就不一样，拿到数据的第一个动作是做减法， 从几十个数里划掉绝大多数 ，只留三五个真正值得说的。挑得准不准，这一点也是分析师之间的能力划分重点。能 找到问题的关键 是哪，是一个很难复制的能力，这个本事很难教，也很难复制。 4.2 人怎么做到的？ 为什么分析师不会把数字念一遍 ？ 靠 专业的统计学方法 ，与这些年攒下来的手感。要是美食 GMV 掉了 2%，他心里就会报警咯噔一下。 另外，光说 2% 没用，得说清楚它是高了还是低了、离目标差多少。 孤零零的数字 是不会说话的。我们想让 Agent 学会的就是这两下子： 先做减法，再配参照 。 4.3 Agent 该怎么做？ 识别异动的方法 ，其实一点都不缺。这些年各种数据工具里攒下的算法很多，从最基础的同比环比，到复杂的统计检验，应有尽有。 我的想法是把 通用的方法 + 具体业务定制的分析思路 ，一件件包装起来，每件都写清楚它能判什么、什么时候能用，然后交给 AI 自己挑。这里我特意选了让 AI 自主决定，而不是提前写死规则：AI 读了知识库里的业务背景，再结合手上这道题的判断，自己选方法。AI 在纯数理这块的底子相当扎实。当然，这只是我的一个判断与试验，各位可以根据自己的场景决定。 4.4 Agent 需要建设什么？ 维护好每件武器的信息，都标好：①作用（判什么）+ ②射程（ 适用边界 ）+ ③实战（举例）。 AI 读懂战场后（ 任务目标 × 指标类型 × 数据形态 × 样本 × 可解释性 ），从库里取用趁手的一件或几件。就如同士兵先看清楚眼前是什么仗，指标是什么类型、数据长什么样、样本够不够，再决定抄起哪一件，或者哪几件。 绝大多数时候用不着那些花哨算法。Class 0～2 日常分析，最基础的那几档就够了，真正天天上手、最顺的，往往是那口不起眼的 万能平底锅 。 注意：大多数 固化报告场景 ，建议稳定写死对应的判断方式，不需要自由探索。 4.5 产出目标 这一步交出的是一组 有基准、分了主次的事实 ，不再是一屏平铺的数字，而是哪几个值得关注、各自异常到什么程度。 很多 AI 数据播报读起来像流水账，它把每个数字念了一遍，找不到问题的重点。会念数字的是 复读机 ， 会挑重点、给基准才是分析师 。 第五步：【C 数据解读 → B 分析判断】产出有假设、有方法、有概念的分析判断 5.1 难点是什么？ 前面找到了异动，这一步要回答它为什么好、为什么不好、原因到底在哪，也就是 归因 。这是整条链里 AI 最容易骗人的一步。 从「哪个数有问题」到「 为什么有问题 」，中间隔着一道大坎。看起来有道理，和 经得起追问 ，根本是两回事。 Agent 最爱顺口来一句：「是竞对补贴了吧。」听着挺像那么回事，其实一点证据没有。归因一旦开始胡说，第四步辛辛苦苦挑出来的信号就全废了。 5.2 人怎么做到的？ 老练的人做 归因 ，手上有两把功夫。 第一把： 横向比 + 往下钻 。 「 看到美食收入涨了 ：是新签在涨还是续签在涨，是连锁大商户还是街边单店，哪个城市、哪个渠道涨得最凶。只说一句美食涨了，跟没说一样。」 第二把： 排除混淆 。一看美食收入这周暴涨，新手就乐了：「活动有效果啦？」 「 经验丰富的分析师会皱个眉 😧：多半是月末商户集中入驻，加上品牌广告打款周期赶在月末冲收，不一定是真有效果了。得先把这种赶节奏的水挤掉，剔干净之后，看看变化到底涨没涨。」 人还会追问 ：这段时间到底发生了什么。 先看 时间和基数 ：是不是撞上了聚餐旺季或者节假日，去年同期本身是不是就低。同样涨 15%，摊上旺季和淡季，意义完全两样。 再看 自己人干了什么 ：美食上了新补贴吗？推荐算法把美食的权重调高？搞美食专场活动？产品是不是改版？ 最后看外面 ：竞品是不是收了美食的投放，有没有政策或天气帮忙，