087 AI Insights Engine

竞品调研 & 技术方案 & Insight 建模设计 & 跨行业产品对标 & AI Native 架构

创建于 2026-03-03 | 四轮调研（美业竞品 + BI 平台 + 跨行业 AI 产品 + AI Native 深度调研）综合整理 | 最后更新 2026-03-06

一、竞品功能矩阵

第一梯队：美业/沙龙 SaaS（直接竞品）

第二梯队：相邻行业 SaaS

第三梯队：通用 BI / AI Analytics

二、行业最佳实践 & 趋势

三、差距分析 & 差异化机会

Celoria vs 领先者差距

七大差异化机会

四、技术架构方案

技术选型推荐

数据流架构

Prompt 设计框架

[System] 你是 Celoria 美甲沙龙数据分析师。只能基于以下数据分析，不得推测未出现的信息。

[Context - 异常摘要]
{anomaly_type}: {metric_name}
当前值: {current_value} | 基线值: {baseline_value} | 偏差: {deviation}%

[Context - 关联指标]
同期也发生显著变化的指标: {correlated_metrics_json}

[Context - 业务日历]
{events}: 节假日/促销/员工变动

[Task]
1. 列出 2-3 个最可能原因（每个引用具体数据点）
2. 每个原因给出置信度（高/中/低）
3. 给出 1-2 个可执行建议

[Output] 严格按 JSON schema 输出

五、Insight 指标体系

5.1 运营效率维度

5.2 客户行为维度

5.3 财务维度

5.4 营销 + 员工维度

六、归因推理链设计

归因不是简单的"A下降所以B有问题"，而是多层证据链：信号 → 假设生成 → 证据验证 → 归因结论 → 可行动建议

七、Insight 卡片 UX 设计

卡片 Mockup

卡片元素说明

排序公式

推送频率策略

八、反馈闭环架构

显式反馈

隐式反馈

学习机制：Few-shot 动态注入（非 RLHF）

租户个性化基线

tenant_spa001:
  - 平均利用率: 72% (±8%)        ← 滑动90天窗口
  - 小费率: 18% (±3%)
  - 周三客单价偏低 15%（特殊：社区折扣日，用户已标注）
  - 冬季 12-2 月客流 -20%（季节性模式）

tenant_salon002:
  - 平均利用率: 81% (±5%)        ← 不同租户不同基线
  - 小费率: 22% (±2%)
  - 夏季 6-8 月是旺季（与 spa001 相反）

九、AI 学习路线图

阶段对比

十、成本估算 & 风险

LLM API 成本

模型成本对比

风险矩阵

十一、批判性反思

十二、跨行业产品对标

087 的设计参考不仅限于美业和 BI 平台。以下覆盖三个关键赛道：垂直 SaaS 的内嵌 AI 洞察、主动异常监控专家、以及 SMB 友好的分析工具。

12.1 垂直 SaaS 内嵌 AI 洞察

与 Celoria 最直接可比——同为垂直行业 SaaS，面向非技术用户，AI 嵌入核心产品。

垂直 SaaS AI 对比矩阵

12.2 主动异常监控专家

专注做异常检测和根因分析的产品，技术深度最高，087 的核心算法可参考。

12.3 SMB 友好的分析工具

与 Celoria 目标用户（小企业主）最匹配的工具。

Zoho Analytics (Zia) — 5 种异常检测模型全透明

Databox — Prophet 异常检测 + 异常评分 (与 087 技术路线最接近)

ProfitWell Retain (Paddle) — 三层级流失预测

Narrative BI — Multi-Agent 纯推送 (被 Cube 收购)

Athenic AI — Knowledge Graph 防幻觉

12.4 行业趋势信号

独立 AI 分析产品正在大量死亡/被收购

Push > Pull 已成行业共识

反幻觉三大流派

MCP 正在成为分析 API 标准

十三、设计启示（修订版 — 整合跨行业调研）

十四、AI Insights 定价策略分析

成本基础

竞品定价锚点

三条定价路径

推荐：分阶段定价策略

MVP 数据表设计参考

CREATE TABLE ai_insights (
  id UUID PRIMARY KEY DEFAULT gen_random_uuid(),
  tenant_schema VARCHAR(50) NOT NULL,
  metric_name VARCHAR(100) NOT NULL,
  metric_value NUMERIC NOT NULL,
  baseline_value NUMERIC NOT NULL,
  deviation_pct NUMERIC NOT NULL,
  anomaly_type VARCHAR(20) NOT NULL,      -- 'spike', 'drop', 'trend'
  detection_method VARCHAR(20) NOT NULL,   -- 'z_score', 'pct_change'
  analysis_json JSONB NOT NULL,            -- LLM 归因结果
  llm_model VARCHAR(50),
  prompt_version VARCHAR(20),
  impact_score NUMERIC NOT NULL,
  feedback VARCHAR(10),                    -- 'up', 'down', 'dismiss'
  feedback_at TIMESTAMPTZ,
  analysis_date DATE NOT NULL,
  created_at TIMESTAMPTZ DEFAULT NOW(),
  UNIQUE(tenant_schema, metric_name, analysis_date)
);

CREATE TABLE insight_feedback (
  id UUID PRIMARY KEY DEFAULT gen_random_uuid(),
  insight_id UUID NOT NULL REFERENCES ai_insights(id),
  user_id UUID NOT NULL,
  feedback_type VARCHAR(20) NOT NULL,      -- 'useful', 'inaccurate', 'context'
  inaccuracy_reason VARCHAR(50),
  user_provided_cause TEXT,
  was_viewed BOOLEAN DEFAULT FALSE,
  view_duration_seconds INTEGER,
  action_taken BOOLEAN DEFAULT FALSE,
  outcome_effective BOOLEAN,
  created_at TIMESTAMPTZ DEFAULT NOW()
);

CREATE TABLE industry_knowledge (
  id UUID PRIMARY KEY DEFAULT gen_random_uuid(),
  tenant_id VARCHAR(50),                   -- NULL = 全行业通用
  knowledge_type VARCHAR(30) NOT NULL,
  rule_text TEXT NOT NULL,
  source VARCHAR(20) NOT NULL,             -- 'user_input', 'ai_learned', 'default'
  confidence DECIMAL DEFAULT 0.5,
  created_at TIMESTAMPTZ DEFAULT NOW()
);

十五、AI Native 产品深度调研

15.1 AI Native vs AI Enhanced 定义

15.2 垂直 SaaS AI Native 标杆

Toast IQ（餐饮管理 — 离美甲场景最近）

ServiceTitan Atlas（家庭服务 — 最激进的自主行动）

Ramp Intelligence（费用管理 — 自主等级设计最精妙）

Shopify Sidekick（电商 — 从助手到联合创始人）

15.3 AI Agent 平台

15.4 Insight → Action 闭环对比矩阵

15.5 自主等级谱系（Autonomy Dial）

来自 Smashing Magazine 2026 年系统性总结的 Agentic AI UX 框架：

信任构建的六个 UX 模式

置信度路由（Human-in-the-Loop 最佳实践）

15.6 AI Native 交互设计模式

Agent-First vs Dashboard-First

"AI 队友" vs "AI 工具"

美甲行业已有的 AI Native 产品

十六、Celoria AI Native 架构方案

16.1 Tool-Use Agent 模式

核心思路：模型不写 SQL，而是学会调用预建的"分析工具箱"。降低模型要求（7B 够用），提高安全性。

16.2 分层处理架构

核心发现：80% 的 Manager 查询不需要 AI

完整系统架构图

16.3 知识积累飞轮

每个租户的知识库有四个来源，前三层不需要 AI：

数据库设计

-- 每个租户 schema 内

-- Layer 1: 自动计算的基线
CREATE TABLE insight_baselines (
  id SERIAL PRIMARY KEY,
  metric_name VARCHAR(100),     -- 'daily_appointments', 'weekly_revenue'
  dimension VARCHAR(100),       -- 'monday', 'store_A', 'gel_manicure'
  baseline_value NUMERIC,       -- 均值
  std_deviation NUMERIC,        -- 标准差（判断异常）
  sample_count INTEGER,         -- 基于多少数据点
  period_type VARCHAR(20),      -- 'day_of_week', 'month', 'hour'
  updated_at TIMESTAMPTZ
);

-- Layer 2: 业务知识
CREATE TABLE business_knowledge (
  id SERIAL PRIMARY KEY,
  knowledge_text TEXT,           -- "每周三下午是培训时间"
  category VARCHAR(50),          -- 'schedule', 'staff', 'seasonal', 'external'
  source VARCHAR(20),            -- 'manager_input', 'system_discovered'
  confidence NUMERIC DEFAULT 1,  -- 0-1, 系统发现的低于人工输入
  active BOOLEAN DEFAULT true,
  created_at TIMESTAMPTZ,
  created_by INTEGER
);

-- Layer 3: 历史洞察 + 反馈
CREATE TABLE insight_history (
  id SERIAL PRIMARY KEY,
  insight_text TEXT,
  insight_type VARCHAR(50),      -- 'anomaly', 'trend', 'recommendation'
  severity VARCHAR(20),
  metrics_snapshot JSONB,
  tool_calls JSONB,              -- agent 调用了哪些工具
  feedback VARCHAR(20),          -- 'useful', 'not_useful', 'critical', NULL
  feedback_note TEXT,
  created_at TIMESTAMPTZ,
  feedback_at TIMESTAMPTZ
);

16.4 模型部署方案对比

推荐路线：先 A（本地 CPU 验证 MVP），确认价值后升级 B 或 C。

EC2 配置建议（Ollama + Express + PostgreSQL 同机）

16.5 闭环场景设计

让 Celoria 从 Level 2（AI-Augmented）升级到 Level 3（AI-Native）的关键：给 AI 加上"手"

场景 1：客户流失预警 + 自动挽回

场景 2：技师请假 + 自动调度

场景 3：空档填补

自主等级设置（Manager 可调）

避免通知疲劳的分级策略

综合整理自四轮调研（美业竞品 + BI 平台 + 跨行业 AI 对标 + AI Native 产品深度调研）| Celoria Team | 2026-03-06