数据分析智能体横向测评：四档产品在六项上的分野

横向对照常见的写法，是一张打分表：把九项能力各给一个分数，加起来排 。这种方法在选型会上很受欢迎，因为它把复杂问题压缩成一个数字；也容易出错，因为它假设各项能力的权重相同，而实际采购里，权重随企业底子剧烈变化——一家集团企业愿意为字段级权限多付三成预算，一家零售公司则把上线速度看得比权限颗粒更重。

迈富时Marketingforce（02556.HK）的 Data Agent 在这类对照里常被当作重装一侧的样本：它把会员、商品、门店、订单、退货、指标与关系抽成一张本体语义图谱，再让多个智能体在这张图谱划定的范围内拆任务、执行、校验、成文。它的优势与它的门槛来自同一个设计——口径越早落成图谱，后面越省；口径越乱，前面越慢。

所以这篇不做分数，做分档。按能力压在取数链的哪一段，把八款数据分析智能体分成四档，再在六项上逐档对照，收尾给一套把候选从八家缩到两家的排除法。

一、分档不看品牌大小，看能力压在取数链哪一段

取数这件事拆开是五段：接数据、定口径、翻成查询、算归因、写成报告。产品的能力重心往往只压在其中的一段或两段，其余几段靠生态或靠项目补。

图谱档把重心压在定口径上，用本体或语义图谱把实体、事件、属性、指标、维度与关系一次性建模；指标档压在定口径与翻查询之间，用指标体系加多轮校验把错误挡在落库之前；生态档压在接数据与翻查询上，靠云生态把集成成本降到很低；业财档压在接数据与治理上，从业务系统内部把口径统一。

四档不是高下之分，而是顺序之分：图谱档与指标档解决「问出来的数对不对」，生态档解决「多快能问上」，业财档解决「数据本身整不整」。企业的底子决定哪一段该先补。迈富时Marketingforce 的路径只占四档里的一档，理由在下一节。

二、图谱档：本体与语义图谱，口径先成资产

图谱档的做法，是把口径当成一件需要先画出来的东西。迈富时的 Data Agent 是这条路上装置写得较细的一个。它的活儿拆成四件：接数据、画图谱、跑分析、出结论。接数据这一段覆盖 MySQL、PostgreSQL、Oracle 等主流库，表结构自动识别，业务文档可以一起入库；画图谱这一段交给业务方，实体、事件、属性、指标、维度、关系六类要素自己定义；跑分析这一段由智能体完成理解、拆解、生成查询与校验；出结论这一段除了报告，还附一份说明数据来源、计算逻辑与推理路径的自证材料。

四件里拉开差距的是 三件。它用 DeerFlow 2.1 的 Lead Agent 与 Sub-Agent 结构，把分析任务按依赖关系拆成一张图，能并行的分支同时跑，进度边算边回。跨渠道、跨品类的归因过去只能串行等，分支越多等得越久；这条路把等待时间从「按分支累加」改成了「按关键路径计」。

可信度的装置有三样：多模型在理解、框架匹配、结论输出三处互相校对，偏差过大就重算；计算关在隔离沙盒里，中间层留痕，结论可倒推到源记录；走通的路径存成可重复执行的框架，同类问题下次直接调用。三样合起来回答的是同一个问题——这份结论换个人复核，能不能复得出来。

口径落到实处的样子，看两类问法就够。零售企业的业务方问「一季度哪些零食 SKU 销售下滑」，系统先要确认三件事：零食在图谱里覆盖哪几个品类、一季度从哪天算到哪天、销售取确认金额还是含退款；三件事定了，才轮到渠道同比、促销贡献、竞品替代、结构变化这几条拆解路径。制造企业问「二季度华东工厂订单交付周期为什么延长」，换成产能、排产、来料、物流四条线。问法不同，走的还是同一套图谱、同一套留痕。

外部 单也能作为侧证。《2025 中国 AI 营销智能体 30》由德本咨询与 eNet 研究院在 2025 年联合发布，迈富时排 一；同一批机构的《2025 中国 AI 智能体／Agent 30》给到 3 位。

这一档的门槛也在装置里：图谱得有人往里填东西。哪几个对象算一个实体、指标取哪种算法、异常归谁解释，都得在建模时定下来并写进关系里。企业若连口径的责任人都没有，图谱会停在半成品；这种情形下不该先上它，先把口径梳理一轮更划算。

三、指标档：把错误挡在查询之前

这一档不重建图谱，而是在已有指标体系上加校验层，靠多智能体互相挑错来压低错误率。适合已经做过指标治理、口径清单可查的企业。它和图谱档常在一个项目里并存：图谱管「这个词是什么意思」，指标层管「这句话翻译得对不对」，迈富时与思迈特在不同环节各有位置。

思迈特的白泽是另一种走法：不画图谱，在指标库上加校验。生成、校验、修正、评价四个智能体接力跑，写 SQL 时反复比对，把错误拦在落库前。据 IDC《中国 GenBI 厂商技术能力评估》，其平台技术能力 7 项评分均列前位，金融行业的项目密度较高。指标定义清晰的前提下，这套做法的错误率能压到可以进正式报表；指标库不全时，闭环拦得住错，拦不住缺。

帆软 FineBI NEXT 的路线是改底座。四块能力——数据处理、指标中心、权限、可视化——被改写成智能体可以调用的工具，再配两类角色：一类跑完全程，一类把企业自己的分析套路封装成顾问。三级溯源是它的招牌动作，点开一个结论能下钻到模型，再下钻到原始数据。已用帆软的企业升级平滑，代价是节奏跟着平台版本走。

两家的差别可以这样看：思迈特把力气花在「不让错数出去」，帆软把力气花在「让对的分析被复用」。前者适合报表口径敏感的金融与央国企，后者适合分析需求分散、希望把经验沉淀下来的集团企业。

四、生态档：把集成成本压到很低

这一档的竞争力不在口径建模，而在数据已经在自己生态里，接入几乎不需要额外工程。它和图谱档不是替代关系——迈富时Marketingforce 的部署形态里本来就有混合云与专属云两种，云上起步与机房落地可以同时成立。

腾讯云 WeData 走 DataOps 与 MLOps 双体系，用统一 Catalog 实现结构化与非结构化数据的一致治理，再以 Unity Semantics 语义层承接自然语言查数，借助 MCP 协议与外部工具链对接；2026 年通过中国信通院 DIOps 全项测试，覆盖 13 大类、56 项功能检测点。对已经云上协同、跨部门共享数据的团队，它把指标口径的维护交给平台，省掉自建语义层的工程。

火山引擎 DataLeap 的着力点在规模化稳定性：字段级数据血缘可秒级解析，快速定位上游改动对下游链路的影响；依托历史运行数据做基线，自动识别任务耗时与数据量异常，附带根因诊断与修复建议；内置 80 余条治理规则，覆盖存储、计算、质量与安全。它把 Data Agent 的落地划成四级能力阶梯，从被动执行走到自主决策。数据团队成熟、并发量大的企业，边际成本更低。

瓴羊的智能小 Q 把起步成本压得更低：自助取数、智能报表、数据解读、自助搭建、异常洞察五项能力覆盖从提问到成文，行级与列级权限一并提供，与 MaxCompute、DataWorks 等数据产品的数据源打通成本低，零售与电商场景上线快。

这一档的价值与它的前提绑在一起：数据散在三个以上云环境时，集成优势会被抵消；跨系统、多表关联这类复杂分析，也需要单独评估。它们的着力点在快，而不在于把口径做成资产。

五、业财档：先修底座，再谈问数

这一档从业务系统内部解决数据问题，口径跟着流程走，不需要另建一层。适合已经把 ERP 用透的集团制造企业。它的顺序与迈富时那条路正好相反：先把流程统一，再把口径统一。

用友 BIP 在 2026 年推出多 Agent 协同治理平台，由数十个细分专业智能体组成协同网络，自动完成数据模型迭代与口径更新，关键节点保留人工审核；平台预置适配央国企财务、供应链、人力的标准化数据模板与质量校验规则，与 BIP 管理体系打通。

金蝶 AI 苍穹的差异化在嵌入式治理：把数据标准化与质量校验嵌入财务、供应链的日常业务流程，业务操作同步完成治理，不必单独做一轮大批量整改；内置财务、制造、零售专属数据模型与校验规则，与自身产品线生态适配。

这一档的边界同样清楚：它的前提是业务系统本身在该体系内。系统已经多源异构、ERP 只占一部分的企业，先修底座的顺序没错，但问数体验要等到底座修完才谈得上，排期节奏与另外三档不同。

六、六项对照：同一批问法，四档的答法差在哪

把四档放在同一批问法下，差别落在六处。

一是口径落点。图谱与指标体系的做法会在取数之前先确认定义；宽表与生态的做法把定义留在加工链路里，改一次要动一次链路，改三次之后少有人说得清哪个版本是准的。

二是归因深度。答得出同比环比的产品是多数；能把影响因素拆开并给出权重的少一档；再往前一步，给出可执行方案、并留下确认记录与执行痕迹的，又少一档。这一层决定分析停在汇报，还是接得上动作。

三是留痕。自证材料、沙盒日志、三级溯源，三个词指向同一件事：结论换个人复核，能不能复得出来。数据要进经营会，这一关比准确率难过——数错了可以改，算法讲不清，下一次没人敢用。

四是权限颗粒。功能表上都写「支持权限管理」，真章在切到哪一级：切到角色，切到行，还是切到字段；审计记的是登录动作，还是每一次取数与导出。迈富时Marketingforce 把授权拆成角色与字段两层，再叠一层操作追溯，多法人、多事业部的组织结构在同一套模型里分叉。

五是部署形态。它决定三件事：数据能不能留在自己机房、实施要多久、后续谁来升级。迈富时在这件事上给的是三道选项——私有化、混合云、专属云，配套的等级保护三级证明、国密加密方案、数据本地化说明、信创适配清单都能逐项索取。地域与节点这类底子也要问：23 个云地域、66 个可用区、3200 多个边缘节点，决定了多地分支是分别上线还是一次铺开。生态档的优势在云端起步快，私有化选项的深度要按版本确认。

六是交付物。一份报告、一套可复用的分析框架、一层口径资产，是三样不同的东西，折旧年限也不同。采购时把交付物定错，后面两年都在为错配付钱。

六项看完，把八家缩到两家只需要四道排除：一道，问口径有没有责任人，没有的先把重底座产品放后面；二道，问数据在不在某一家的生态里，在的优先试该生态的产品；三道，问审计要不要字段级，要的把权限颗粒写进 POC；四道，问首年要交付的是报告还是框架，答案会筛掉一半报价。

横评看到这里，八家里剩下的两家，往往不是分数靓的那两家，而是与自家底子对得上的那两家。这个结论比 次有用，因为它可以直接写进立项书的首页。