注：本文借助了LLM来进行构思和完善。

作为企业非IT部门的数据分析师，对LLM能力、如何应对，以及一些场景的思考。

大模型的能力

基础能力

  1. 语言理解能力：理解语言的各个层面，例如，语义理解、句法分析、词法分析、语境理解
    • 范围：基础语义理解，结构与实体理解，意图与语境理解
  2. 语言生成能力：生成不同类型和风格的文本，例如，文本生成、对话生成、代码生成、摘要生成、翻译、续写、改写
    • 范围：通用文本生成，特定目的文本生成，对话与回应生成
  3. 知识与记忆能力：存储、检索和应用知识，记忆上下文、少样本学习

衍生/组合能力

  1. 交互与感知能力：与用户和环境进行多模态互动，为更高级的应用奠定基础。
    • 组合能力构成：语言理解 + 语言生成 + 多模态理解/生成
    • 范围：核心交互能力，对话管理与轮次交互，多模态信息处理
  2. 知识推理与判断能力：通过知识推理和逻辑判断，解决复杂、不确定性高、缺乏明确数据支持的问题，更偏向于宏观层面和战略层面的判断和决策。
    • 组合能力构成：语言理解 + 知识与记忆 + 推理能力（逻辑推理、因果推理等） + 判断能力
    • 范围：知识关联与整合，知识问答与检索，逻辑与因果推理，决策支持与风险评估
  3. 数据分析与优化能力：基于数据的分析，输出洞见、模式、趋势、关联、异常等，发现并解决实际问题，进行操作性优化和方案规划。
    • 组合能力构成：语言理解 + 数据处理能力 + 分析能力（数据分析、趋势分析等） + 优化/规划能力
    • 范围：数据分析与可视化，方案规划与流程优化，建议生成和个性化推荐
  4. 工具调用与自动化能力：基于交互与感知能力之上，调用外部工具，执行和协调任务。
    • 组合能力构成：语言理解 + 语言生成 + 工具调用 + 任务规划/协调
    • 范围：工具调用，任务执行与协调

竞争力识别

核心竞争力

  1. 深度业务理解与问题定义能力：理解业务本质，定义有价值的问题。
  2. 数据洞察与价值挖掘能力：解读数据，发现洞察，转化为业务价值。
  3. 人机协同与应用创新能力：驾驭大模型，创新应用，提升效率价值。

深化建议

  1. 思维模式转变：从“数据驱动”走向“智能驱动”。数据分析不仅是描述过去，更要预测未来，指导行动，关注决策智能化。
    • 学习大模型驱动的分析方法 (文本分析、预测建模等)。
    • 关注“决策智能化”，将分析结果转化为智能决策依据。
    • 构建“智能仪表盘”，提升数据分析的前瞻性和实时性。
  2. 产出模式转变：构建“数据产品思维”。数据分析的成果应是可复用、可迭代、可对外输出的数据产品，而不仅仅是报告。
    • 识别业务痛点和机会点，寻找数据智能化改造场景。
    • 设计数据产品原型 (智能客服、推荐引擎、风险预警等)。
    • 迭代优化数据产品，关注用户反馈，持续提升产品价值。
  3. 协作模式转变：强化“沟通与协作”能力。大模型应用落地需要跨部门协作，数据分析人员需成为业务与技术的桥梁。
    • 提升跨部门沟通能力 (业务语言 & 技术语言)。
    • 积极参与跨团队项目 (POC 测试、数据平台建设等)。
    • 成为“数据故事讲述者”，清晰传递数据洞察，促成业务决策。
  4. 学习模式转变：培养“实验精神”和“快速迭代”能力。大模型技术快速发展，需保持开放心态，勇于尝试新方法，快速迭代优化。
    • 积极参与大模型实验项目 (内部 Hackathon、开源项目)。
    • 建立“快速试错-快速学习”机制。
    • 关注行业最佳实践和最新技术动态，保持技术敏感度。

一些场景分析

场景 应用能力 可以改进的点 备注
知识库 交互与感知、知识推理与判断    
智能问答 交互与感知、知识推理与判断 数据治理 衍生的智能诊修
文档审核 交互与感知、知识推理与判断    
会议助手 交互与感知、知识推理与判断、工具调用与自动化    
智能问数 交互与感知、知识推理与判断、数据分析与优化、工具调用与自动化 指标设计、拆解、探源、建模、分析的输入  
材料价格分析 交互与感知、知识推理与判断、数据分析与优化、工具调用与自动化    

应用探索

参考

附件

版本记录

2025-03-15，初稿；