数据智能驱动业务增长的应用与实践

01

背景

数据应用存在三大难题：

第一，业务部门看数难，分析效率低；

第二，数据部门工作重，取数任务多；

第三，数据基建投入大，价值不明显。

数据智能是为了推动数据最后一公里的消费。数据智能的概念很早就有，难点是如何落地。从历史中看，整个业务运用数据的流程经历了三个阶段：人找数据、数据找人、人机协同。人机协同是真正打造业务数据智能、数据驱动的理想状态。

为了方便大家理解，这里构造了一个公式 DI=CI+BI+AI。DI 是指 Data Intelligence 数据智能。数据智能有两个核心的目标,第一个是数据的深度分析，第二个是数据的便捷消费。DI 由三大智能模块组成：

第一块是 CI 用户智能。面向的是海量的用户画像、舆情相关信息，也就是用户相关信息在我们的产品中的应用，包括画像平台、用户行为分析以及用户的舆情洞察等等。

第二块是 BI 商业智能。面向的是大量的看板图表。数据底层分析不能停留在表层，这需要很多支撑，比如异常检测、根因分析、时序预测、智能洞察等等。

第三块是与大模型相结合的 AI 人工智能。随着越来越多数据的产生和沉淀，需要借助大模型 AI 的能力来做相关的数据消费最终级效率的提升。第一消费效率更高，第二使用更加便捷。我们可以引用 AI 模型，以类似于问答的形式，去提供数据的便捷化消费。这里的数据更多地指泛数据，包括常规的数据，以及未来企业沉淀下来的所有知识。

CI面向于用户，解决用户是谁，用户口碑怎样的问题；BI 面向集团，解决数据分析提效，驱动业务精准决策的问题；AI 面向未来，肩负全面数据应用，全力拥抱大模型的使命。接下来将分别介绍这三块目前的建设情况。

02

第一部分，CI 用户智能，从精细化的用户画像沉淀到全渠道用户心声的发现。

用户画像是行业做策略产品或者数据产品都离不开的一个支撑性的业务模块。它是根据用户的属性、偏好、生活习惯、用户行为等抽象出来的一类标签化的用户模型。

目前小米的用户画像已相对成熟，在全局层面有了一定的沉淀。小米构建了八大类标签属性，能够全方位刻画小米用户在整个业务中的定位和属性，最终能够帮助我们实现用户层面的洞察以及精细化运营，并为广告投放提供支持。

做好画像的第一步是定义好用户。需要统一数据维度进行用户画像构建。小米的用户包括使用小米硬件（比如手机、IOT 设备等）的用户、小米电商用户以及使用小米服务的用户。

基于这样统一维度的用户定义，我们需要挖掘背后的标签，建立用户行为数据与用户特征之间的关系。从标签挖掘方式来划分，可将标签分为以下三类：

• 预测类，是利用深度学习、机器学习模型预测得到的标签，比如根据用户买了哪些东西或者用了哪些 APP 来推测其性别、年龄等信息。

• 策略类，是根据业务场景分析数据，制定一系列规则、策略得到的标签，例如米粉、兴趣爱好等。

• 事实类，是基于事实数据的聚合统计得到的标签，比如归属地、客单价等。

我们将构造好的画像体系，以平台化的方式输出给上层的业务方使用。小米构建了一站式智能运营平台，叫做万象平台，它集成了用户画像平台、行为分析与AB 实验的能力。

用户画像作为最核心的一个环节，通过用户画像做运营的过程是非常关键的。策略设计什么样的画像用户，推广什么样的活动，都会慎重考虑。用户在整个运营活动的起始阶段，可以通过画像来投放，投放过程的智能分流实验总结，以及投放后整个用户全流程链路的行为分析，都可以通过平台来不断地优化。

典型的应用场景是服务于整个小米集团各个业务运营以及投放的策略，首先是圈定人群，然后通过不同的渠道去找到需要投放这个运营活动的素材和相关的利益点来达到期待的效果。为了让运营活动做得更好，我们不只是做了标签，也不只是用户画像体系，更重要的是考虑整个运营的场景，还需要其他相关工具的支持，才能达到最好的运营效果，这才是我们最终的目的。

除了用户画像，我们还需要倾听用户心声，和用户做朋友。用户画像是去了解用户属性，分析他需要哪些产品或服务，而在这之后还希望听到用户的反馈，了解用户体验、口碑舆情等。我们整合了全网的 VOC 数据，用于三大场景：第一是口碑管理，了解用户评价；第二是质量管理，洞察使用中的问题，并寻找解决方案；第三是体验管理，提出业务和产品的长期发展建议。

以上产品的目的都是为了更精准科学地关注用户。从产品定义到竞品分析和差异化的卖点挖掘，再到产品口碑、服务口碑，以及舆情动向，实现全链路的深度分析，进而指导业务决策。

03

我们希望通过智能化分析提升效率这一基础目标，进一步能够洞察业务决策，做到数据驱动。

我们先来看下数据分析的现状如何，整体看起来还是比较低效的。业务的数据分析还停留在表象，每天都在惊讶于数据的变化。不断拆解复杂的业务逻辑，可能拆解了几步就无法深入了。很明显，这里存在很多人工操作，费时费力。

基于上述背景，从问题的发现到最终解决往往需要繁琐的步骤，耗费很长的时间。而我们希望的是能够快速发现问题并给出决策。

我们需要数据智能化分析能力，通过分析算法能力来支撑逻辑和流程，提升业务数据分析效率和业务日常决策效率。通过数据看板，可以看到各种数据报表，在报表背后，对任何一个数据点，能够快速发现指标异动，并快速定位其根本原因。同时也能够预测未来的数据走势，方便我们去制定未来的目标或者发现未来潜在的问题。

为了实现上述能力，我们打造了全面深度赋能智能分析能力的 BI 平台，基于全面的看数场景，让数据分析更连贯、更便捷。在平台上，除了基础的点击分析之外，还可以智能化地对一张图表进行快速的结论分析。

智能分析需要面向于不同的服务场景。三个常规的场景为：

Daily 日的场景，面对日常频繁的业务数据变化，产品运营同学往往需要较快给出数据变化的原因以指导产品动作。

A Week 周的场景，专职的数据产品团队往往需要按周对产品的核心北极星指标做较为深度的分析，得到多维度的分析结论。

A Month 月的场景，专业的分析师团队更多时候需要针对集团核心的指标和项目的数据进行非常深度且全面的分析，得到扎实可靠的分析结果。

我们的BI平台面向全场景提供服务。在一张图表上可以快速得到一些关键的结论。当你想要通过分析去做一份很详细的数据报告的时候，平台提供了 TOPN、分布分析、同环比等丰富的工具，可以帮助你快速生成报告。

在去看数的同时，我们还希望在数据发生变化的时候，能够得到主动化的通知，实现数据找人的理念。

更进一步，我们也在探索，未来能否在分析的基础上，为用户提供一步到位的分析结论，在自然语言和大模型的加持下，帮助用户更快更直观地洞察背后根因、并做出决策。

基于以上的能力，我们在小米海量的业务场景中为业务带来了明显的效率提升。

当然，智能分析的关键环节是业务数据的处理。一套完善的数据体系是实现智能分析的前提。

04

在用户智能和商业智能的基础上，进一步提升用户消费，就需要 AI 的加持。正如雷总提到的小米未来的科技战略，就是用 AI 全面赋能软件和硬件，通过数据和AI来驱动业务增长。

大模型的到来预示着一个时代的转变，是从 GUI 向 LUI 进行颠覆式的突破。传统的图形式的界面交互，正在逐渐被对话式生成的交互所取代。数据分析还没有完全实现这一突破，目前仍然处在一个很强的图形式界面交互分析阶段，比如看板、报表等等。所以我们期待 LUI 能够让数据分析得到进一步的提升。

我们希望换一种思路，不再以拖拉拽的方式，而是采用直接问答的方式，就可以得到想要的数据。基于大模型的底座以及大模型现在最常规的 Prompt 学习和微调的能力，进行意图识别以及结果渲染，最终输出给用户。

下图右侧给出了一个案例，以往看数的过程中，有很多的报表、图表，每个图表中有成千上万个筛选条件，要得到比如最近一周某一个渠道某个品类的销量同环比等等这样一份报告，可能需要很多步骤，再加上数据量大、性能欠佳等问题，整体的消费路径是非常长的。所以我们希望会搜索就能做数据消费，让对话成为数据分析的第一生产力。

AI 大模型的加持，将进一步降低使用门槛，随时随地可以使用。

我们希望打造一个平台多端数据消费矩阵。

这里的数据的概念是非常广泛的，并不只是传统意义上的数据，还包括企业沉淀下来的知识，这些都可以通过问答的方式进行消费。我们进行了非常广泛的探索，不仅包括数据分析问答，还有通用 QA-Pair 问答、泛知识问答，未来还会把这些能力开放给第三方去做其自身业务系统的集成。

数据问答的使用流程如下图所示，其核心还是数据指标的定义和梳理。

无论是 CI、BI 还是 AI，首先要解决的是数据准确和及时的问题，并且要能为业务决策带来帮助，这是其核心目标和使命。在全民用数的数据文化理念牵引下，真正能够实现数据的深度分析和便捷消费，最终数据价值才会得到最大的呈现和增长。