# 从小时到秒级：游戏出海数据团队如何用 Agentic BI 重构数据分析范式 > **合规声明（生成式 AI 服务）**：前述特定亚马逊云科技生成式人工智能相关的服务目前在亚马逊云科技海外区域可用。亚马逊云科技中国区域相关云服务由西云数据和光环新网运营，具体信息以中国区域官网为准。 > > **完整资料：如果想了解更多内容可以访问:https://events.amazoncloud.cn/china-summit-on-demand/ > > **免责声明**：本摘要仅为便于您了解峰会内容而提供，我们不对其完整性及准确性作出任何保证，且不构成任何建议或结论。相关内容仅供参考，实际内容以峰会回放视频为准。 ## 一、基础信息 - **会议类型**：专题演讲 - **Persona**：数据团队 - **时间信息**：6月23日 | 13:30 - 14:00 - **标题**：从小时到秒级：游戏出海数据团队如何用 Agentic BI 重构数据分析范式 - **PDF 资料**：无 - **视频回放**：有 ## 演讲人信息 ### 会议信息 - **地点**：上海世博中心（2026 亚马逊云科技中国峰会） - **日期**：2026年6月23日（Day 1） - **时间**：13:30 - 14:00 - **会议类型**：专题演讲 - **面向 Persona**：数据团队 ### 亚马逊云科技演讲人 - **闫泊霖**：亚马逊云科技解决方案架构师 ### 客户 / 合作伙伴演讲人 - **范铮**（新创娱游）：技术负责人 ## 二、会议资料 PDF 转录内容 （本场次无 PDF 资料） ## 三、会议回放视频转录内容 各位下午好 今天非常荣幸跟大家来分享一下 我们整个游戏出海数据团队 是如何用 Agentic BI 重构数据分析的范式 我是亚马逊云科技解决方案架构师 闫泊霖，可以叫我 Eric 那么今天呢 我会和我的客户新创娱游的 技术负责人 范铮范老师 一起给大家呢 去用30分钟的时间 把这个故事去讲清楚 我们分为四块 第一块呢 就是说 我们现在 Agentic AI 时代 我们是如何收敛到 Agentic BI 这个话题的 然后呢 我们会用一个企业里面真实跑通的路径和案例 去给大家做一个分享 然后呢 我们会去讲一下说如何在我们 Agentic BI 在生产环境中实际去落地 最后呢 会给大家一些小的 tips 和行动倡议 来告诉大家 我们接下来走哪些路径会更合适 然后这个是亚马逊云科技 在今年新推出的一个 Agentic AI 应用的一个五层架构 想必大家对这个五层架构应该 嗯 不会很陌生 因为在 Keynote 呀 包括在我们各个展区里面都有关于这个的介绍 那么他呢 其实就是在我们企业里面 面对 Agentic AI 开发的时候 我们从底层的算力 到模型层 到数据与知识层 以及再到我们整个的 Agentic 平台 最后到面向我们业务的通用 Agent 或者是整个垂直的 Agent 的一个五层架构 他呢 其实就是给我们一个系统性的思考 我们如何构建 Agentic AI 应用的一个思考框架 那么回归到我们今天的数据团队的这个专场主题呢 我们接着往下看 其实呢 在近两年 AI 和 Agent 的一个爆发的时代 我们的数据团队 其实也经历着比较大的变革 我们从之前相对传统的一个 嗯 需求驱动的一个数据提供者去辅助业务进行决策 慢慢的呢 随着 AI 时代的这种来临 我们其实已经慢慢的变成了一个被业务所信任的一个智能平台的构建者 接下来呢 我们也会逐步的去分享 我们这个客户案例是如何一步一步的走向我们 Agentic BI 平台的构建 逐步的去向业务进行赋能的一个过程 OK 我们从 Agentic AI 收敛到 Agentic BI 的时候 其实我们更多的关注的是 我们从数据层往上再到 Data Agent 这三段的一个范式 那么接下来我们就有请新创娱游的技术负责人范铮范老师来给大家做一个分享 谢谢 Eric 大家好 我是来自新创娱游的范铮 那我刚才说的 刚才从那个 Agentic AI 的通用框架 延伸到了 Agentic BI 那我接下来我想换个角度 就是我们是一家游戏的 我们是从我们的真实业务的场景来去解决这个问题的 我们是一家游戏出海公司 所以我们每天关心的一个问题非常直接 就是说 投放的钱花出去了 用户进来了没有 用户的质量怎么样 我们的 ROI 数据为什么会涨 ROI 数据为什么会跌 所以说在这个业务场景里面 我们在这个场景里面 我们就很多 这个 在这个前 我放 所以我们在这个前面就是从 AI 帮人查数据 然后去怎么来推进到原来的分析逻辑去帮人找原因 所以我们拿一款 我们现在的 以我们现在一款海外的休闲游戏来讨论 它的规模已经不算小了 它有十万级的日活 十万级的月活 每天有近亿级的这个事件埋点 还有日增百万级的数据 所以在这个场景下 出海团队面对的这个问题 不再说是不是能把报表做出来 报表做得好不好 而是我们要更快的去判断 这个投放的数据为什么变好 为什么变坏 也就是说 从某个指标来分析 让人家去分析 为什么这个指标能够有问题 然后在这个我们面对的这个核心挑战 所以一句话就是说 他的投放响应要更快 并且要更准确 但是对于一个游戏的出海投放渠道的话 它不是一个单一的渠道 它是有很多比如说有 TikTok Facebook Google UAC 还有 AppLovin 还有这些渠道的变化 然后我们还需要去根据我们咱们的多个维度 比如说国家渠道 素材 活动 还有版本、留存这些付费等维度 去综合的去组合去分析 它的数据问题 更难的是其实指标的变化 并不能直接告诉我们的原因 我们可能会变化下降 可能是比如有投放侧的问题 比如说是素材 疲劳 买量成本上升 也可能来自产品侧 就比如说是版本变化了 或者付费转化 留存这些问题 这都是有可能 所以说投放分析从这些看指标 变成了解释原因 这也是为了我们开始尝试 Agentic BI 系统 从我们的技术演进路径的话 就说我们一开始没有想去做一个很大的平台 而是 我们是想了先从一个简单的验证 比较一小的验证点来开始 最早是我们发现 系统有 MCP 可以来接入 我们想从系统的数据的接入点 来看看探索验证的一个可行性 就是我们通过 AI 来发现 它通过 MCP 的标准化工具架构 看它能不能够稳定地去调用数据系统 这个验证跑通以后 我们就通过 MCP 去接入了更多的 一些渠道平台 Facebook UAC、TikTok、AppLovin 还有我们自己的 BI 系统都接入了进来 但是我们发现只有 MCP 是不够的 MCP 只是能够解决 AI 能不能调用这个工具 还能不能查数据 但是我们在 AI 它其实不知道是怎么分析 比如我们把一些分析师 他们预设了一些常用的分析路径 把它沉淀成了 Skill 按照告诉 AI 比如说你先看什么指标 按照指标预设以后 指标预设以后能够 以后按什么维度下钻 按照哪些变化可能是渠道问题 也有哪些变化可能是产品侧的问题 就这一步 通过这个的话 就是说它现在已经不是一个 简单的问答机器人了 就是说它是能够按照专家路径 能够调用多类的数据去分析 我们一个 Data Agent 我们来举一个具体的案例 可能业务同学可能会 他每天都会自己常问 就做昨天 TikTok 美国的 ROI 变差了 他会问这个是什么 这是什么原因 如果之前人类分析 他会可能去到各个渠道的平台 去看他的数据 看他的各种报表 去看那个对比数据 要看成本 看点击安装 你会再看我们自己的 BI 系统 BI 的数据系统 他可能去看国家的维度 投放的素材的终于来换数据 做好还要去看留存数据 可能还要去看流失 版本变化这些东西 他会把这些整合起来 去评审一个他的线索 这个东西非常耗时耗人力 所以我们现在就是希望 Agent 能够把这些按照 这些分析师日常 这些他的工作这些流程 去按照 Skill 我们把它沉淀成 Skill 什么分析路径 其实自动地去完成这件事 他会先调用渠道数据 留存数据 BI 数据 完之后他会根据不同的数据 完去多维度下钻 拆分国家、活动、版本 这些渠道等维度 然后所以说他最后输出的话 就不会输出一个很简单的结论 他最终会输出一堆原因判断 和他整合好的证据链交给分析师 所以说这点我们也是强调很重要 就是说他不是说我们是直接 AI 直接替人拍板 而是说把这些重复的查证 和评论线索 这一部分的工作给它自动化 让分析师可以更快地进入判断 和决策 这个场景的实际效果的话 就是对我们这边而言 其实实际效果是对于分析师 还有对于运营同学 市场投放同学 他们的效率是非常有大提升的 正常来说他们的基本上 比之前在自己来推测的查询效率 是提升了20% 比如像还有一些像比较复杂的 像 ROI 异常这种的素材衰退 国家维度 这些波动的这些分析 它原来可能需要半天的时间 才能够找到一些明确的方向 但现在的话这种 Agent 的 BI 的话 它可以把这个时间缩短到一小时之内 去分享 所以这里我们就强调一个核心价值 就是说是 Agent 的 BI 其实不是替代分析师 就是减少重复下钻 还有多系统查证 拼信息 就是说把这些复杂 这些耗时的经历工作交给 AI 然后让这些分析师能够把更多的精力 也是还是要人为判断的 去把他们放在判断 还有就是策略 还有分析和取舍和复盘上 然后这个时间背后 就是说我们有一个非常关键前提 其实就是数据底座 还是非常比较足够可靠的 就是很多人可能会觉得 就是说 Agent Agent 这么强了以后 数据团队是不是还需要 但是我们的感受其实恰恰相反 就是 Agent 越自主的话 其实越需要这些底层的数据口径 来托住它 因为你会发现就像一些 ROI、留存 流失这种的关键的可信指标数据的话 如果不同的系统的数据的 留存口径不一致的话 它 Agent 它下钻的维度 越来越多 尤其上下文越来越长的时候 它就是会产生幻觉 就会跟大家说的这种 AI 的幻觉 它这种长的时候会有幻觉问题 所以说就是说在数据质量 还有查询性能 还查询稳定性上 就是在数据底座 一定要稳定完之后的准确性非常高 所以说它 Agent 它可能会给一些稳定的数据判断 所以说在 Agentic BI 时代 数据基础的重要性不是变弱 而是变强而是变强 我们未来后面继续这块 这个系统的这块演进的方向 就是说是我们会继续不断的去整合 更多的这个数据 可能更多的渠道 然后更多的就是主要可能产品侧 在这方面的 MMP 数据 让 AI Agentic BI 能够 能够拿到更多的业务的上下文的数据 让它更理解业务 表示这个另外呢 另外之处可能还会持续沉淀 就是说把一些可复用的 就是高频的这些日常分析师 他们的一些判断路径 把它沉淀成 Skill 让 AI Agent 能够去他去 把这些分析路径 这些给它分析 另外我们后面还就是 其实是自动化的话 我们已经在做了 已经做了部分 但是我们后面还会不断的去做 这个自动化方面工作 就是自动报告 还有就是异常的告警触发分析 也就是说不用去 后面可能就是不用去人去问 就是说是在系统发现 它异常的时候 直接 AI Agent AI 就直接开始一轮 AI 的分析 直接就会把这个分析的结果和判断 直接推送给相关的同学 然后后面我们就还会有 AI Agent 平台方面 AI Agent 能够性能优化 可能还有些成本优化 会加强这些平台的可扩展性 所以我们这个就 最后一句话来总结一下 AI Agentic BI 的核心价值 就是 AI Agentic BI 的价值 可能不只是让 AI 帮人查数据 而是说让它能够沿着 稳定的分析数据 自动调用数据 去下钻原因 还会综合给出证据链 所以说这个我们就是发现 这是数据团队可复制的模式 就是说就是通过 MCP 的标准工具的接入 让 AI Agent 能调用数据 Skill 是沉淀专家准则 去分析让 AI Agent 擅长分析 按照数据治理 让 AI Agent 输出可靠 可信 然后接下来 接下来就把时间交给 Eric 他会继续进一步讲 为什么这条路 就能从 demo 走到生产 OK 感谢范老师分享 他们公司里面的一个 实际去落地的 Agentic BI 的案例 那么我们接下来继续看 刚才分享的故事 其实不是我们之前提到的 简单的一个说 一个通过对话的方式 进行一个 demo 那么接下来 它其实是一套 已经进入真实业务系统的 一套 在 Agentic BI 方面的一个实践 那么我们对这个场景 其实进行了一些抽象 它其实就是先从我们既有的 这些系统的 MCP 开始 然后通过数据分析师 他们的业务专家去沉淀 Skills 然后能让更多的业务人员 进行复用 最后我们开始进行 Skill 的时候 就是通过 Bedrock AgentCore 进行一个整体的编排 然后把它最终的走向生产化 那么我们可以思考一下 我们其实在平时做 AI 和 Data 的时候 经常听到两种非常极端的声音 但是又非常真实 一种就是大家说 现在 AI 大模型的能力越来越强 它看上去能做很多事情 然后我们还听到一个声音 就是虽然模型能力变强了 但是我们实际在业务中 应用 AI 和 agent 的时候 还是发现它总是有的时候 这不太行 那不太行 还是不能完全的去落地 我相信大家应该也有这样的同感 所以我们接下来要讲的 就是说 当 AI agent 的能力变得越来越强的时候 我们其实是要对它进行一个 自治边界框架的划定 就是给我们实际的业务过程中 把不同复杂度和不同需求点的这些 业务模块进行一个拆分 然后我们可以把它统归为一个 简单的问题 就是确定层 我们就是一个工具链的调用 让它执行确定性的任务 那么第二个就是推理层 它其实就是在我们 skills 的约束下 一个多工具规划 把我们经过业务沉淀的 Skills 逐步的去 复现它的分析场景 那么第三个就是我们经常说的 一个让 Agent 去自由探索 去做一些解释我们如何怎么做 以及如何下一步去进行一个 决策指导这样的一个功能 当然这几个层级 它不是一个割裂的关系 它其实是 L1、L2、L3 逐步去递进的一个过程 那么我们详细来看一下说 对于我们实际在业务中 有哪些确定层呢 其实它就是解决一个是什么的问题 就是我们 比如说在数据分析场景 我就是去发现我数据的 SOP 进行一个简单的问数查询 那么这个过程中 需要的一个核心能力是什么呢 就是我们的指标口径要统一 其次就是给 Agent 的一个 权限变更要划定 它是只读的 保证我们整个系统的安全 能够保证稳定的查询 和结果复现 这就是我们的确定层的划分 那么再往后 其实它就是解决一个 为什么的问题 那怎么理解这个问题呢 比如还是拿我们客户这个例子来说 它其实当业务人员开始问 昨天 TikTok 美国的 ROI 为什么变差 那么这个时候 Agent 就开始通过我们业务沉淀的 Skills 去自主规划的同时 还是按照我们去先看渠道 下钻到国家 去检查素材的情况 以及对比版本 最后输出一个判断和我们的证据链 这个就是让 Agent 去解决 为什么的问题 那么第三个 其实就到了 我们刚才提到的说 让 Agent 开始做一些趋势预测 以及优化建议 这样的问题 那么在这个过程中 它其实并不是说 我们凭空造出来的一个 L3 的一个层级 它是从我们 L1 和 L2 逐步演进下来的 怎么去理解这个呢 就是我在做自由探索的时候 我同样需要 L1 的能力 是什么呢 就是说能够让我稳定的 通过一致的查询指标的口径 先去给我解决一个问数的问题 那么第二个 有了问数的准确性之后 还是按照我们沉淀的 Skills 和分析场景 SOP 去执行一个稳定的分析链路 以此为基础之上 在第三层的探索层 才能让我们的 Agent 的实际发挥出一个比较好的效果 然后我们在这个过程中 其实还总结出了三个 为什么能上生产的原则 第一个就是说 刚才范老师所提到的 我们的数据底座的重要性 那么 Agent 越主动 越需要我们底座的口径 去托住这个 DataAgent 进行数据分析 那么在这个过程中 我们这个数据底座 其实不仅仅是解决的一个口径问题 同样的在面对 Agentic AI BI 的情况下 我们的数据 我们让 Agentic AI 去和数据交互的时候 我们的除了数据口径的一致性之外 我们整个的权限控制 包括我们整个的数据引擎的性能 其实都是相对的 要向面对 AI Facing 进行一个优化和设计 这是原则一 第二个就是 Skills 决定为 Agentic AI 能不能稳定复现专家场景 这个也是我们多次去强调 也是想要去分享的一点 就是说我们除了给我们的 DataAgent 去接好数据源 去写好系统提示词 其实 Skills 这方面恰恰是我们数据分析师 在和平时和业务人员进行沟通的时候 一个很重要的桥梁 因为在之前 我们可能是有数据分析的一个 SOP 或者说一个日常进行数据分析的一个习惯 那么在 Agentic AI 的这个语境里 其实就是把它沉淀成我们的 Skills 才是能够稳定复现 这条数据分析场景的一个很关键的点 那么第三个就是说能上生产 我们还需要有规模化和生产化 这里就是说 会去体现出我们这个 在整个过程中使用 Bedrock AgentCore 整个生态 去构建我们的 Agentic AI 平台 这里面除了说 AgentCore 所能提供的一个 Runtime 运行时的能力 这里边我们在做数据分析 Agent 的时候 可以发现我有好多的 MCP 我有好多的 Skills 甚至有好多面向 AI 的这些构建的组件 那么这个时候一旦数量起来之后 我要去发现这些 MCP 管理这些 MCP 就会变成一件很头疼的事情 所以说我们在构建 Agentic AI 平台的时候 可以考虑说我们基于整个的 Bedrock AgentCore 的生态 去进行一个构建 去管理我们的 Runtime 管理我们整个数据的 MCP 以及从 SOP 沉淀下来的这些 Skills 那么在企业里边如何分阶段 去演进我们整个 Agentic AI 的场景 这里我们也做了几个阶段的一个抽象 那么第一个就是说 我们还是会建议所有的数据团队 去对自己的数据基础进行一个自检 那么这个自检的过程 就是说去判断我们的数据底座 到底是不是一个 AI ready 的情况 那么这个时候它并不是 那么这个数据底座 它也不是说我们有了 Agentic AI BI 才开始去强化的一点 它其实在我们传统的 BI 数据分析领域 也是非常关键的一个重要因素 比如说我们数据的覆盖度 解决数据孤岛的问题 还有数据的新鲜度 我们数据实时性的问题 还有我们的 Data Catalog 的管理 以及指标语义层的建设 然后还有就是面向 AI agent 的时候 我们数据引擎的查询性能 是不是能满足当今 Agentic AI 时代的一个需要 那么第二点就是 我们会去判断说 我们针对企业里边数据分析的 workload 的进行一个 L1 L2 L3 层级的拆分 管理好每一层级进行数据分析的一个预期 与此同时 我们按照业务场景进行划分之后 其实就可以进行一个很好的成本管理 比如说我 L1 的问题比较简单 我就可以用相对性价比高一些的模型 当我进行 L3 的一些复杂推理和判断的时候 我就可以用一些性能更好的模型 通过这个方式就能达到说 我们在可扩展的同时 还能实现一个对于不同层级的 workload 的进行一个可治理 这样一个要求 那么在阶段三的一个演进历程 就是我们会强烈建议说 通过 Agentic Harness 进行探索 因为比起我们凭空去手搓一个 Agent 用 SDK framework 去手搓一个 Agent 来说 我们通过 Agentic Harness 起步 是一个非常快速可以去摸索我们的分析场景 以及判断我们高频分析场景 一个非常好的一个 start point 那么到了阶段四 其实我们会发现 除了我们用通用的 Agent 以及我们给 DataAgent 去设计很多的 skills 和 mcp 可能它还是无法解决一些高频 一些高度定制化的问题 怎么去解释呢 就是说我们本质上用 skills 还是通过去填充上下文 让模型进行推理这个过程 那么对于数据分析里面 我们其实还是有很多去有硬性规定的 比如说我在调用工具前进行一些 pre-check 那么在我调用工具返回 result 之后 所进行的一些 post-check 这些都是应该在数据分析领域 应该是被强约束的一点 那么这个时候 我们就会去判断说 可以基于我们的 Strands Agents SDK 的开发框架 去通过这种 Strands Graph 的形式 去强化我们在数据分析过程中 必须绑定的一些分析流程和节点 那么这些就相当于一个 Agent 的骨架 是一个硬约束 那么同时我们在这个 每个框架里面的节点 是可以继续通过一些 skills 通过一些上下文的填充 让它进行一个软约束 进行一个节点内的推理 实现这样一个 Strands Agents SDK 的开发构建 那么这个时候 我们就可以去一个落地工具加速器 就是我们可以看到 刚才提到的说 我们的 Quick 家族 QuickSuite 和 DAX Top 它是一个更适合业务友好型的一个入口 它本身也具有数据分析和 BI 的能力 那么与此同时 我们还有行业的 Data Agent 的一个方案原型 它是基于 Strands Agents SDK 和 Bedrock AgentCore 的生态去构建的 它可以通过我们的 CDK 进行一键部署 它就是可以帮助我们的企业 快速构建起一个 Data Agent 的平台 能够让我们的业务同事数据分析同事 上手进行一个体验 能够从而再进行一个判断 说我的哪些场景是需要沉淀的 我的哪些数据分析的 我可不可以说是一个高频的场景 能够让我们不断的去进行 下一步的深度的定制化的开发 那么我们今天的这个分享 其实我们总结一下 就是有三个核心的 take away 第一个 就是说 Agentic BI 还是要给它一个 合理的自治框架的边界 我们按照 workload 的区分 L1, L2, L3 的这样一个自治层级 然后让我们的 Agentic BI、Data Agent 可以在它各自的层级里面 去完成属于它期望值的操作 这是第一个 第二个就是我们在当今这个时间点 可能不能再单独的押宝 于说我们模型的智力 我们模型的能力 可能我们做好 Agentic BI、Data Agent 能够进生产的关键点 已经不单单局限于说 是模型能力的高低了 更多的是我们整个的数据底座 是不是 AI ready 我们的 SOP skills 是不是真正的基于业务 做了一个很好的沉淀 那么以及我们进入大规模的生产化之后 我们的整个的并发度 以及我们整个的权限管理 整个的这些还是需要有一个 Bedrock AgentCore 这样的一个生态 能够很好的适应我们 Agent AI 和 BI 的一个场景 那么第三个 take away 这个也是我们在整个 跟客户一块做的过程中 很印象深的一点 就是说我们这些架构 包括一些技术实践 可能并不是完全的 可以一比一的复制到每个公司 这个还是需要我们的数据团队 根据自己公司的一个实际的数据分析的 场景和工作情况 去进行一个梳理 然后根据我们自身的情况 进行一个定制化 然后这里我们也是亚马逊云科技 也是非常期望跟大家一起 去沟通讨论 我们进行 Agentic BI 的一个构建 也欢迎大家来跟我们的解决方案架构师 以及技术团队 售前团队 一起来进行一个共创和共建 OK 那么今天的分享就到这 谢谢大家