2025，再谈 AI 时代下数据语义层的价值

过去几年，Kyligence（跬智信息）多次强调语义层的价值。它能够将复杂的底层数据转化为清晰易懂的业务语言，让业务人员以熟悉的术语自主获取数据，并在此基础上更高效地开展分析与决策。

进入 AI 时代，我们认为应该对语义层有一个更新的认知。Kyligence 联合创始人兼 CTO 李扬指出，它既是企业数据的业务展现形式，也是数据知识建设的核心环节；是数据治理的延续，更是智能化应用落地的前提。

数据知识建设与语义层的关键作用

在当下，数据的“量”不再是竞争力的关键，决定胜负的是如何把数据转化为能驱动业务的知识。Kyligence 将数据知识建设分为两个维度：

技术侧：涉及数据关系建模、宽表模型、多维立方体、指标体系等。其中，语义层起着承上启下的作用，是技术语言与业务语言的桥梁。它让数据不仅“可读”，更“可用”，支持多维分析和智能化计算，成为业务知识表达的核心载体。

管理侧：从最初的 IT 数据仓库，到数据资产管理，再到数据运营指挥中心，直至 AI 数据决策监管体系。整个过程强调数据治理、资产管理与运营闭环，确保数据在企业流动中始终可靠、一致，并减少口径偏差和信息孤岛。

因此，语义层并不是一个单点工具，而是标志着企业从“数据处理”走向“知识应用”的转折点。

需注意，在这里要区分统一语义层与业务语义层：前者保证全局数据口径一致，是技术/业务标准化的体现；后者贴近业务，以在数据世界中表达业务事实为主要目的，满足灵活多变的决策需求。二者协同，才能既保证全局一致性，又兼顾业务敏捷性。在建设初期，不求全局统一，可以先从业务语义层入手，快速闭环形成小成功。在小成功基础上，获得更广泛的领导支持，逐步扩大语义层范围，直至跨部门、甚至全局统一的语义层。

为什么此时要重新审视语义层？

AI 带来的变革不仅在于算力和工具的进步，更在于它对企业数据使用方式的重塑。今天，语义层的重要性比以往任何时候都更加凸显：

• 数据准确性：数据复杂度持续上升

企业的数据来源越来越多样化：业务系统、IoT、第三方数据、流式数据……如果没有语义层来统一口径和映射，数据使用的门槛只会越来越高。人与人、人与系统、系统之间交换数据只会越来越困难。

• AI 的应用：AI 应用对业务知识的依赖增强

大模型虽然擅长生成，但只有在语义层的支撑下，它才能准确理解“存款余额”“活跃用户”等企业特有的业务概念。换句话说，语义层是让 AI “懂业务”的关键。

• 知识的沉淀：从数据孤岛到知识沉淀的转变

过去，企业更多强调数据的积累和治理；而现在，如何把这些数据沉淀成可复用的业务知识，才是竞争力所在。语义层提供了一个知识存储的框架，也可以看作是数据知识图谱的一种设计范式，是实现这一转变的必经阶段。

Kyligence 在与金融、零售、制造等行业的合作中发现，很多企业在 Data Agent 项目推进时遇到的“理解不准、口径不一、落地难”，本质上都是语义层建设不足导致的。因此，此时重新审视语义层，不是理论问题，而是企业 AI 化能否真正落地的现实挑战。

企业如何推进语义层建设？

在数据系统建设方面，Kyligence 一贯主张数据知识的梳理和沉淀，形成了数据治标准化，数据指标化，数据知识化的建设路径。这或许不是最快的，但从 AI 时代回看，却是长期主义和长期价值的坚定践行者。Kyligence AI 数据智能体平台（Data Agent）通过数据标准化、指标体系构建和知识融合三大核心能力，为企业提供一个安全、精准、智能的 Data+AI 平台。

这一路径让 AI 真正“懂业务”，不再停留在泛化回答层面。要发挥语义层的价值，企业需要确保其建设既完善、可用，又能沉淀业务知识。Kyligence 的实践经验，为企业提供了可参考的方法和路径：

• 评估现状，找准位置

企业需要先回答：我们当前的数据知识建设到哪一步？技术侧是否具备建模、指标体系、权限管理的能力？管理侧是否形成治理闭环？语义层是否真正为业务所用？Kyligence 在项目中会帮助企业进行这类评估，并定位薄弱环节。

• 补齐短板，建立统一与灵活并存的语义层

统一语义层保证跨部门的一致性，业务语义层则针对场景做灵活扩展。Kyligence 通过指标平台、多维建模和权限控制等，让这两类语义层协同运作，既避免信息孤岛，又满足个性化需求。

• 沉淀业务知识，形成正向循环

语义层的价值不止在于访问数据，而在于沉淀规则、决策逻辑和算法。Kyligence 最早提出 “NL to Metric Query to SQL” 的技术路径，将业务人员的自然语言提问转化为标准指标，再转化为 SQL 查询，不仅提升准确性，还把知识不断反馈到语义层中，实现越用越准、越用越全。

• 支撑智能化落地

在语义层基础之上，企业才能真正释放 AI 的潜力。Kyligence Data Agent 和多智能体（ Multi-agent）架构，让企业可以把语义层与 AIGC、预测分析、实时优化结合，实现自动生成报表、智能诊断异常和实时调整策略。

换句话说，语义层建设是企业向智能化演进的关键台阶。Kyligence 的经验显示：凡是在语义层上投入得当的企业，AI 应用落地速度和效果都会显著提升。

多家领先企业的实践案例

Kyligence 是国内最早将数据分析与大语言模型融合的厂商之一，推动 AI 在企业落地。Kyligence AI 数据智能体在问数、分析和报告生成等方面表现出色，提升决策效率并支持高质量指标体系与知识库建设。今年 4 月推出的 Kyligence DeepInsight首个企业级自主深度推理和洞察产品，结合 DeepSeek 推理框架与多维分析技术，为企业提供高效、精准、全面的决策支持，被业内誉为“真正符合企业级需求的大模型应用”。

• 案例1：整车厂的智能销售突围

痛点：销售数据分散在多个系统，KPI 分析依赖人工汇总，难以实时监控区域销量、渠道转化率，市场变化响应滞后。

解决方案：Kyligence 搭建的统一数据平台，整合订单、库存、市场竞品数据，构建“销量—渠道—区域”多维分析模型。AI 自动识别业绩异常（如某经销商库存积压超阈值），并推送优化建议。上线后，销售报告生成效率提升75%，市场策略调整周期从2周缩短至48小时。

• 案例2：全球快餐品牌的万店 AI 革命

痛点：10000+门店每周手动生成经营报告，难以快速归因销售波动，区域经理缺乏数据支撑。

解决方案：Kyligence 打造 AI 智能用数门户，通过自动关联天气、促销、客群画像数据，AIGC 技术将周报生成时间从16小时缩短至1小时，并精准归因（如某区域增长率下降12%源于竞品“买一送一”活动）。最终，门店运营效率提升80%，总部市场决策速度提升3倍。

• 案例3：某股份银行的存款数智化考核

痛点：存款考核依赖 Excel 手工统计，绩效评估滞后，无法实时追踪客户经理 KPI，风险监控滞后。

解决方案：Kyligence 构建存款业务数据平台，通过指标平台准确计算客户经理绩效，并基于内部知识库自动生成改进建议。AI 智能分析交易流水，分钟级定位潜在风险（如某账户频繁小额试探转账），较人工排查效率提升85%。系统上线后，考核流程从月度压缩至实时，风险事件响应速度提升90%。

在 AI 驱动的数据时代，语义层再次成为焦点。一方面，它是连接技术与业务的关键桥梁，帮助企业统一口径、降低沟通成本，让业务用户真正“懂数据、用数据”；另一方面，语义层的建设已不再是单点工具，而是关乎企业数据战略与智能化水平的核心工程。Kyligence 凭借深厚的技术积累和大规模企业实践，正在帮助越来越多企业快速构建语义层，让数据价值更精准地转化为业务决策与竞争优势。

关于 Kyligence

跬智信息（Kyligence）由 Apache Kylin 创始团队于 2016 年创办，是领先的 Data+AI 公司，为企业客户提供大数据分析平台、AI 智能分析平台等相关的产品和解决方案，以 AI 赋能全民用数，帮助企业充分利用数据价值，加速数智化转型。

Kyligence 已服务中国、美国、欧洲及亚太的多个银行、证券、保险、制造、零售、医疗等行业客户，包括建设银行、平安银行、浦发银行、北京银行、宁波银行、太平洋保险、中国银联、上汽、长安汽车、星巴克、安踏、李宁、阿斯利康、UBS、MetLife 等全球知名企业，并和微软、亚马逊云科技、华为、安永、德勤等达成全球合作伙伴关系。Kyligence 获得来自红点、宽带资本、顺为资本、斯道资本、Coatue、浦银国际、中金资本、歌斐资产、国方资本等机构多次投资。