Evolving from legacy BI to agentic AI at Tradeshift with Amazon Quick¶
Ch04.781 Evolving from legacy BI to agentic AI at Tradeshift with Amazon Quick¶
📊 Level ⭐⭐ | 3.1KB |
entities/evolving-from-legacy-bi-to-agentic-ai-at-tradeshift.md
Evolving from legacy BI to agentic AI at Tradeshift with Amazon Quick¶
Background：本文由 Tradeshift 与 AWS 联合撰写，介绍了 Tradeshift 如何从自研 BI 工具迁移到 Amazon Quick（原 Amazon QuickSight）的 agentic AI 平台。记录了完整的迁移路线、架构设计、量化指标和经验教训。
迁移背景¶
Tradeshift 面临自研 BI 工具的严重限制：
| 限制 | 具体问题 |
|---|---|
| 数据规模 | 每次查询最多 10,000 行，预定报告 25 MB 上限，仅保留 6 个月 |
| 维护成本 | 占用 50% 全职员工产能 |
| 人工操作 | CSV 导出 + Excel 宏 + 人工报告组装 |
| 外部客户 | 无自服务路径，依赖 BI 团队生成定制报告 |
解决方案架构¶
采用 Amazon Quick 三层分析架构：
- 嵌入式 BI 仪表盘层：16 个嵌入式 Quick Sight 仪表盘（iFrame），覆盖 9 个领域
- 对话式 AI 层：自然语言查询，无需 SQL 知识
- 分层数据自主权：Standard 层（预建仪表盘）和 Premium 层（Designer Mode、What-If 建模、AI 能力）
安全四层¶
Okta SSO → Amazon Quick custom namespaces（租户隔离）→ Signed URL（限时会话绑定嵌入）→ Row-Level Security（约 14,000 条 RLS 规则）
量化成果¶
| 指标 | 数值 |
|---|---|
| 查询速度 | 从 45-90 秒降至 <3 秒（30× 提升） |
| TCO 降低 | 40% |
| 基础设施成本降低 | 35%（查询从生产库迁移至 SPICE 内存引擎） |
| 许可成本整合 | 30% |
| 手动数据处理减少 | 80% |
| 内部维护工时 | 从 50% FTE 降至 0.5 FTE |
| ARR 增长 | 2% 增量（来自 Premium 层） |
| 报告上市时间 | 从 4-6 周降至 ~1 周（75% 改进） |
| 内部采用率 | 98% |
| 客户活跃采用率 | 50%（首年目标企业客户） |
| 分析使用率提升 | 2×（非技术员工） |
| 支持工单减少 | 80% |
关键创新¶
- AP Auditor 聊天 Agent：基于 Amazon Quick custom chat agent 构建，连接 11 份知识库文档、9 个仪表盘、14 个查询主题、68 个 MCP 工具
- 自动化季度市场分析：原需数周 → Quick Research（多源综合分析）→ 数天/小时
- 270+ SPICE 数据集：每日自动刷新，报告自动按日/周/月分发
- MCP 服务器集成：Tradeshift 率先在 AP 自动化领域将 MCP 服务器与 Amazon Quick 集成，Agent 可自主读取数据目录元数据并生成洞察
→ 原文存档
关联¶
- 相关概念: Harness Engineering