公司背景与创始人经历 - 创始人离哲本名占超群 在阿里巴巴工作11年 从零搭建国内营收最高的云原生数据仓库体系 曾担任阿里妈妈达摩盘架构师与城市大脑项目总架构师[2][9] - 在阿里期间主导开发实时数据仓库 实现万亿级数据毫秒级分析 获得TPC-H和TPC-DS基准测试全球第一 是中国公司首次登顶双榜单[12][13][14] - 团队曾服务超大规模客户 包括国家部委级客户和超大型互联网企业 数据量达几十万亿级别[9][14] 创业动机与行业趋势判断 - 云计算发展经历四个阶段：虚拟化→软件适配云→资源池化改造→云原生重构 未来五年软件形态将发生根本变革[15] - AI将彻底改变数据使用方式 从服务高管决策转向赋能一线员工（如零售店长）实现个性化经营和效率提升[16] - 硬件技术持续突破：AWS有超1000种虚拟机形态 ECS每周启动近百亿次 Lambda每月处理请求近百万亿次[16] - 2022年ChatGPT发布被视为颠覆性变革 传统数据仓库技术体系将迎来洗牌[2][42] 产品定位与技术特点 - Powerdrill Bloom定位为类人通用智能体 核心功能是将模糊目标转化为可靠行动决策 实现端到端可执行闭环[21][22] - 采用以代码为核心的动态软件设计 将用户需求转化为可执行代码链 支持思维树架构 实现可解释可干预的分析[3][26] - 突破传统"Chat+数据库"模式局限 解决严肃业务场景中查询表述模糊 数据环境复杂 实时变化等挑战[4][29] - 下一代数据基础设施MemoryLake已服务超大客户 支持十万亿级数据记录和近千亿向量规模[25][32] 市场定位与用户场景 - 目标用户包括企业一线员工 知识工作者 自由职业者等 典型场景涵盖零售运营 投资分析 学术研究等领域[23] - 按容忍度划分AI应用场景：芯片制造属低容忍度（零容错） 内容创作属高容忍度 数据分析属中等容忍度[4][28] - 目前海外用户规模近150万 服务超15000家企业 用户提出数千万问题 生成超5000万行代码[26][32] 竞争优势与技术创新 - 数据处理能力：支持十万亿级数据记录 在TPC基准测试中获全球第一[13][32] - 准确性创新：表格大模型可识别Excel中子表格和复杂表头 在RAG Benchmark等全球测试中位居首位[32] - 交互方式创新：95%场景无需键盘操作 采用沉浸式画布和数据思维脑图实现扩散-收敛-聚焦-行动模型[33] - 与行业产品差异化：Wisdom融资2300万美元 Julius融资超千万美元 但均处于早期Chat交互阶段[31] 发展目标与 metrics - 三年目标：Data agent领域达到1000万用户规模 在2-3个细分场景做到全球领先[11][36] - 核心指标：用户数据上传比例 每个数据集平均提问次数（行业平均3-4次 该公司达10次以上）[35] - 关注行动转化：结果推送到SaaS系统或下载报告PPT的实际行动转化率[35] 行业挑战与解决方案 - 严肃数据场景四大挑战：可解释性要求（需展示计算过程） 可干预性（支持实时调整） 数据丰富度（需融合外部信息） 数据工程能力（处理TB级复杂文件）[34] - 解决思路：通过Streamline IDE和Domain社区管理行业知识 采用MemoryLake技术避免上下文腐化[32][34] - 交互局限：客户业务描述常超3000字 Chat模式在严肃场景存在明显局限性[29]

核心能力与技术架构 - 融合大模型、企业知识库与实时数据构建动态客户洞察引擎 实现多维数据整合与实时千人千面侧写生成 [1] - 具备自我迭代与持续进化能力 通过持续学习机制形成动态优化策略并提升转化效率 [3] - 实现"主动思考"能力 打通数据资产到业务动作闭环 构建企业"数据大脑" [3] 行业应用成效 - 金融机构外呼客户意向识别准确率提升至89.7% 大幅优化外呼转化效率 [1] - 证券行业高价值线索转化效率提升1倍以上 通过客服通话数据持续学习优化客户跟进策略 [3] - 美妆行业通过精准用户需求挖掘实现转化率与客单价双增长 联动促销政策生成专属权益方案 [1] 场景化落地实践 - 车企"车书助手"实现用户自然语言提问秒级响应 通过语义深度理解与知识库整合替代传统3小时人工响应流程 [3] - 金融投顾场景实时追踪资金异动生成个性化配置建议 使投资者获取深度市场解读时间缩短一半以上 [3] - 已跑通多个行业落地场景包括金融、证券、美妆、车企等领域 [3] 范式变革与行业影响 - 推动营销从粗放式广投走向精细化个体运营 实现"一客一策"新范式 [1] - 经历从"广而告之"到"确而助之"的范式转变 重新定义营销转化效率边界 [3] - 以数据智能体为核心的新架构将助推商业增长逻辑更新迭代 [3]

融资进展 - 公司完成天使轮融资 获得上海常垒资本和武汉东湖天使基金近千万元人民币投资 [1] - 资金将用于加速产品研发迭代和全球化市场运营推广 [1] - 公司已启动PreA轮融资计划 [3][8] 产品功能 - 通过自然语言交互实现Excel操作 覆盖数据处理 数据运算 数据分析和图表生成四大模块 [3] - 支持对话企业数据库和自动获取网络数据生成分析报告 [6] - 处理速度提升300% 模型效果提升50% [12] - 支持图片转Excel功能 但单个文件上限为5MB [14] - 提供移动端H5和桌面客户端 并推出企业版支持SSO 本地部署和API调用 [9][11] 技术实力 - 保持每周一次产品迭代频率 [6] - 累计服务超过100万用户 [6] - 处理超过千万次用户请求 [18] - 获得AMD AI创新应用奖和央视《赢在AI+》创业大赛智能办公组第一名 [18] 商业化进展 - 加入华为 联想 惠普 阿里云等企业生态体系 [6] - 提供分级付费服务 包括年费99元至终身会员299元等多档套餐 [17] - 推出按次计费的格式转换服务 价格区间为9.9元至39.9元 [17] 发展历程 - 源于北京大学深圳研究生院课题组项目 最初为解决办公场景表格处理痛点 [18] - 2022年3月在GitHub提交初始版本 后正式成立创业团队 [18] - 创始人逄大嵬获得央视"2025中国AI创业十骏"称号 [18] 战略规划 - 从数据获取到价值交换的全链路构建AI DataAgent [8] - 推动数据平权 实现"人人皆是数据分析师"的愿景 [6] - 加速全球化市场拓展 [1]

融资情况 - 公司完成近千万元天使轮融资 由上海常垒资本和武汉东湖天使基金投资 [1] - 融资资金将用于加速产品研发迭代和全球化市场运营推广 [1] - 公司目前已启动PreA轮融资 [1] 产品与技术 - 公司为AI Native团队 通过对话方式处理Excel和数据分析 降低使用门槛 [2] - 支持多数据源处理 包括Excel文件/数据库数据/互联网网页/第三方数据 [6] - 训练出全球首款适配AIPC级端侧部署的数据垂直模型 [6] - 推出"云-边-端产品矩阵"保障数据安全 包括云端隔离/文件加密/本地化部署 [7] 市场表现 - 累计服务用户超千万次 [1][7] - 获得央视《赢在AI+》创业大赛智能办公组第一名 [1] - 已加入华为/联想/惠普/阿里云等大厂生态 [7] 发展战略 - 围绕数据全链路构建AI DataAgent 包括数据获取/准备/分析洞察/可视化/决策应用/价值交换 [4] - 计划在未来几个月推出更多新功能提升智能化水平和用户体验 [6] - 加速开拓海外市场 推动Data Agent全球应用 [6] 行业前景 - 大数据分析市场将从2024年3482.1亿美元增至2032年超9240亿美元 [7] - 智能办公和数据分析需求日益增长 为AI数据分析创造巨大市场机遇 [7]

融资情况 - 公司完成近千万元天使轮融资 由上海常垒资本和武汉东湖天使基金投资[1] - 融资资金将用于加速产品研发迭代和全球化市场运营推广[1] - 公司目前已启动PreA轮融资[1] 产品与技术优势 - 公司为北京大学团队创业成立的AI Native团队 专注生成式AI表格处理与数据智能体领域[1] - 用户通过对话即可处理Excel和数据分析 降低数据使用门槛[2] - 支持多数据源处理与分析 包括Excel文件/数据库数据/互联网网页/第三方数据[6] - 训练出全球首款适配AIPC级端侧部署的数据垂直模型[6] - 推出"云-边-端产品矩阵"保障数据安全 包括云端隔离/文件加密/本地化部署方案[7] 市场表现与商业化 - 累计服务用户超千万次[1][7] - 获得央视《赢在AI+》创业大赛智能办公组第一名[1] - 已加入华为/联想/惠普/阿里云等大厂生态体系[7] - 大数据分析市场规模将从2024年3482.1亿美元增长至2032年超9240亿美元[7] 发展战略 - 围绕数据全链路构建AI DataAgent 包括数据获取/准备/分析洞察/可视化/决策应用/价值交换[4] - 计划在未来几个月推出更多新功能提升智能化水平[6] - 加速开拓海外市场推动全球应用[6] - 通过重构传统数据链路实现数据平权愿景[8]

银行数字化转型与数据可视化服务 - 兴业银行通过数据可视化服务在零售、企业金融、同业与金融市场、风险管理等多个业务条线实现应用落地，提升数据共享与复用效率，加速数据要素价值发挥 [2] - 数据可视化服务解决了银行数据报送环节的两大瓶颈：将报表制作时间从2-3天缩短至实时更新，并通过定制化报表多维度呈现业务数据 [2] - 兴业银行自去年8月上线该服务以来，已覆盖44家分行和20个总行业务部门，未来计划向同业输出相关技术能力 [6] 数据中台建设与标准化 - 银行总部开始构建企业级数据中台以解决分行级平台的三大问题：重复建设、数据孤岛和工具不统一 [3] - 总行级数据可视化平台需具备标准化服务流程（数据连接至展示全环节）和定制化能力（数据准备至展现） [4] - 兴业数金在数据连接环节设立加速引擎，显著提升可视化配置与展现效率，并提供丰富企业级工具满足不同需求 [4] 分层可视化需求与应用场景 - 银行领导层通过"画板"工具关注战略决策与全域数据，业务管理层通过"仪表盘"跟踪指标，基层人员使用查询工具了解业务排名 [5] - 业务模式从"人找数据"转向"数据找人"，实现实时发现业务异动并快速调整策略 [6] - 需实现从"系统级烟囱式使用"到"企业级协同使用"的转变，并将报表形式升级为"智能数据故事化" [5] AI与数据智能体融合 - AI技术可整合多维度数据优化金融服务策略，如通过语义解析推荐方案提升员工效率 [7] - 银行需构建Data Agent解决传统数据产品不够智能和通用Agent专业性不足两大痛点 [8] - 兴业数金正在数据准备、图表配置等全链路构建AI智能辅助，驱动数据价值最大化 [9] 技术实现与行业趋势 - 部分银行尝试用AI大模型作为技术底座，但发现需结合自身知识库进行预训练和微调 [9] - 行业需关注数据安全、算法透明度等合规要求，并解决大模型"幻觉"带来的可靠性问题 [10] - 数据可视化成效与业务流程优化高度挂钩，需建立"企业级全民协同"的数据使用机制 [5][6]