Aloudata：打造坚实的NoETL数据底座，加速实现“万数皆可问”

DeepSeek的出现，让大多数企业都能以极低的算力成本使用开源模型或API服务。不过，在模型平权的情况下，企业的核心竞争力将来自哪里？

对此，在前不久刚结束的业界首场NoETL指标平台最佳实践研讨会上，Aloudata大应科技创始人&CEO周卫林表示，当GPU和算法都变成基础设施，企业与企业之间唯一没被抹平的差异化要素，就是企业的私域数据。简单说，就是企业有多少高质量数据，就能拥有多强的智能。此时，企业真正的壁垒将不再是资本壁垒，而是独有的认知体系和知识库。

“未来的企业将构建多维知识库矩阵，通过多智能体（Agents）的协同与交互，形成动态进化的知识、决策与行动网络。在这一体系中，经营决策场景因其知识密度和价值密度最高，自然成为核心战场。而在经营决策场景下企业知识语义表达的载体就是‘指标’，其管理平台就是‘指标平台’。因此，指标平台也就成为企业最为确定性的私域知识库。”周卫林如此说道。

数据管理及应用难题显现，新品类NoETL指标平台提供新解法

随着数据体量的急剧增加和各类数智应用快速落地，麦当劳中国逐渐衍生出许多数据需求。例如，业务人员如何通过数据洞察提升运营效率，实现客户精准营销；应用工程师面对复杂的表结构和字段含义，如何快速调取特定指标；数据产品经理如何快速灵活地完成指标的定义、拼接和口径调整；研发人员如何理清既有数据资产和口径定义等。

此外，平安证券不仅存在报表数据口径不统一、重复开发和需求响应慢、信息呈现多但数据洞察少的问题，在传统“ETL+数据集”的模式下，还存在报表开发周期长，灵活性差，业务需求难以被快速满足的痛点。与此同时，中国南方航空用户中心也遇到了查询性能慢，用数效率低的问题。

面对这些问题，尽管企业过去积累了巨量数据，并建立了数据仓库，但业务部门的体验并不好。他们在进行业务决策时，很难快速精准的找到有效数据来解决问题。为此，在经过了大量市场调研和各种产品性能对比后，这些企业统一发现，通过落地NoETL指标平台，实现指标的“管研用”一体化，才是解决数据管理及应用现存问题的新解法。

作为Aloudata打造的数据管理软件中的全新品类，NoETL指标平台通过配置化指标定义和自动化指标生产，以及强大的查询加速能力，重塑了企业指标开发、管理模式，解决了传统数据管理中的诸多问题，如指标开发周期长、口径不统一、分析不灵活、冗余成本高等，支持业务自助数据准备与分析，快速搭建统一的指标体系，从而提升运营决策效率。

依托NoETL指标平台，麦当劳中国从“管研用”三个方向构建了指标中台的能力。在指标管理方面，实现了命名规范、上下线审批、权限控制和版本变更的标准化管理；在研发方面，为研发团队提供了标准化的工作台，支持快速配置指标语义和物化加速方案；在使用方面，提供了指标目录、归因分析、指标预警、指标API服务以及指标分析看板等功能，全面赋能后端各类业务应用场景。平安证劵通过该平台，已经实现了指标的定义、管理和监控等功能，建立起统一的指标库，并能够支持多种业务场景，包括看板、驾驶舱、灵活分析和自助分析等。中国南方航空将事实表和维度表与NoETL指标平台直接打通，然后向上层业务提供统一定义和自动化开发的指标服务，解决了客户运营、标签查询、指标查询等用数需求，并借此重新梳理了分析方法论体系和运营标准SOP，大幅提升了用户中心运营效能。

麦当劳中国与Aloudata共建的指标中台架构

企业落地Chat BI关键在重构数据供应链，需要具备三大能力

近年来，ChatBI在各行业备受青睐。综合来看，是因为它以自然语言交互的方式，打破了传统数据分析的技术门槛，使业务人员能够轻松、快速地获取数据洞察。

周卫林表示，Chat BI带来的交互层体验变革，让“人人都是数据分析师”这一口号成为可能。但人类分析师遇到过的问题，Chat BI也一样会遇到，一样存在“数据不好找、不敢用、用不对、取不出”的问题。 

然而，如何才能让业务日常沟通的指标口径跟AI获取到的指标语义保持一致，让指标口径与数据库中的数据保持一致，并保证Chat BI在获取数据时的响应速度？以上问题就决定了Chat BI与数据仓库之间必然依赖指标平台作为语义层中介，实现数据的AI-Ready。

周卫林表示，Chat BI要实现真正的数据对话，必须建立在指标平台的语义化和虚拟化基础之上。这个指标中间层的引入，不仅要解决数据供给问题，更要实现数据的智能化治理和价值转化。“因此，Chat BI的真正挑战不在于提升分析效率，而在于重构数据供应链。只有当数据能够被高效获取、准确理解和安全使用时，AI的分析能力才能得到充分发挥。”

为此，企业要想实现Chat BI的顺滑落地，需要具备三大核心能力：

一是好数据，强智能。企业拥有多少好数据，就能拥有多强大的智能。什么是好数据？好的数据应该是‘好找的、敢用的、没有歧义的’。反映在指标平台上，要产出好数据需要指标平台具备强大的指标定义能力，100%的指标可以语义化定义，同时需要强大的数据智能加速能力，至少95%的查询可以秒级返回。因此，一个好的指标引擎必须实现真正的‘管研用一体化’，才能解决ChatBI真正用起来的问题。

二是可溯源，可审计。解决大模型的幻觉问题需要系统性的思考和设计，需要实现思维链与数据链的双重展开，白盒化地呈现Chat BI从意图识别、语义理解，到查询SQL等每一个环节的生成结果，做到端到端可溯源、可审计。

三是全开放，大生态。指标平台是企业在AI时代的数字基建。指标平台的定位是企业内经管决策领域的知识库，独立于各类敏捷BI、Chat BI、Agents 之外，为它们提供统一的数据语义层。正因其数字基建的定位，指标平台必须具备下层兼容性和上层开放性。对下，它不应绑定特定的计算引擎和数据仓库，能够支持动态连接不同的数据源；对上要跟各类工具、应用场景形成生态合作。

“我们坚信，NoETL指标平台作为一个新兴的品类，一种基础设施，需要保证足够的独立性和开放性，不被特定的技术供应商绑定，才能保持可迭代性。”周卫林进一步补充道。

NoETL+大模型=万数皆可问，Aloudata Agent为AI应用创新提速

关于未来的发展方向，Aloudata联合创始人兼首席产品官肖裕洪透露，早在GPT推出前后，Aloudata就密切关注大模型的发展。他认为，DeepSeek的出现，加快了大模型的平权化、智能化水平，以及加速Chat BI等智能体应用兴起。而企业要实现真正的Chat BI和繁荣的智能体生态，关键在于拥有“好数据”，不仅仅是部署大模型。

那么，如何打造“好数据”呢？Aloudata的理念是“Less cost, more intelligence”，即以更低的人力成本、存算成本和应用接入门槛，实现数据的AI-Ready，以高度自动化的数据工程体系推动企业智能生态的繁荣发展。围绕这一理念，Aloudata主要从低成本实现数据高效就绪和数据智能体创新两方面开展了相关工作。

在低成本实现数据高效就绪方面，首先是持续增强指标平台的语义引擎，因为这是AI时代数据可理解、可应用的根本，包括了指标定义增强、指标加速增强以及指标治理增强。其次是结合AI技术，退出了智能建模助手（Copilot），重点从复杂指标与维度的创建、智能洞察语义收集整理、智能加速与性能优化、指标治理与管理等方面着手，将企业在复杂场景下的数据建模效率提升10倍。

同时，通过Aloudata AIR和Aloudata CAN的深度融合，使得企业能够以业务视角为导向，快速准备数据，确保企业所有数据能够轻松连接和高效利用，并避免不必要的延迟和资源浪费。更重要的是，在AI时代，企业要为各种智能体提供一份单一可信的数据源，而Aloudata AIR同Aloudata CAN的深度融合形成了一个路径更短、成本更低、自动化程度更高的NoETL工程体系，可以有力支撑企业的数字化重心从数据呈现转移到数据洞察。

在数据智能体创新方面，Aloudata将推出Aloudata Agent，一款以“万数皆可问”为目标的Chat BI智能体。

具体来看，Aloudata Agent不仅支持灵活、准确的对话式取数、归因分析和智能分析报告生成，还能够清晰呈现分析过程，保留中间产物，确保用户能够清晰地了解每一步的分析逻辑，以及事后进行分析的回溯和审计。同时，Aloudata Agent能够将用户的问答与企业标准指标口径对齐，确保分析结果的准确性和可信度，并通过指标平台精细化的数据权限管理，确保数据在分析过程中的安全性和可控性。据悉，Aloudata Agent将于4月启动公测。

除此外，为赋能企业快速实现AI应用创新，构建智能体生态，Aloudata还推出了一组面向AI的API和SDK，覆盖了多层次的API功能模块，包括元数据API、数据查询API、深度分析API，并针对RAG场景进行了专门优化，完成了传统流程中需要手动构建向量库、设计意图识别等能力的封装，极大降低了AI应用的开发效率。

“‘万数皆可问’不仅是一个愿景，更是我们通过技术手段实现的承诺。通过增强语义引擎，推出智能建模助手，深度融合Aloudata AIR和Aloduata CAN，我们将打造一个强大的NoETL数据底座，为上层的Aloudata Agent提供更完整的数据覆盖、更精准的数据语义、更强大的查询性能和更可靠的安全保障，让用户实现更好地问数。”肖裕洪如是说。