借助 MCP 赋能数据可视化,让数据‘燃’起来

简介: 在数字化时代,数据成为企业竞争的关键资源。MCP工具作为“数据中转站”和“智能翻译官”,可连接阿里云PolarDB MySQL数据库,通过拖拽操作实现零代码数据分析,降低技术门槛。结合阿里云百炼大模型,用户只需输入自然语言即可生成可视化图表,快速获取数据洞察,助力企业高效决策。

背景信息

在当下的数字化时代,数字信息对于企业的作用毋庸置疑,谁优先从有限的数据信息中获取有效的信息,那么谁就能掌握市场的主动权。然而数据分析却并不是人人都可以做到,对于没有一定的技术人员的企业,数字分析更是无从下手。此时,MCP工具就像一个功能强大的“数据中转站”和“智能翻译官”。它能够轻松地连接到您的阿里云PolarDB MySQL数据库,自动理解其中的表结构。之后,数据分析人员无需编写复杂的SQL代码,只需通过简单的拖拽和点选操作,就能快速地将数据转化为直观的图表和报表,从而极大地降低了技术门槛,让企业能够以更低的成本和更快的速度,实现从数据到洞察的全流程分析。


今天我们就来通过一个实验室场景操作来验证一下我们的想法,是否真的非技术人员同样可以实现数据分析可视化。实验地址:https://www.aliyun.com/solution/tech-solution/polardb-mysql-mcp?spm=a2c6h.13066369.question.1.13ca33dejqR4ca

方案介绍

本方案基于 PolarDB 构建智能数据库分析应用,集成阿里云百炼(简称“百炼”),提供开箱即用的智能化分析能力。PolarDB 作为云原生数据库,具备 Serverless 弹性伸缩、自动存储扩缩等特性,实现资源的高效利用。其高性能架构和多可用区部署保障业务稳定可靠,通过智能分层存储技术,在确保性能的同时优化成本,让企业轻松应对各类业务场景需求。

方案架构如下

上手实操

在对我们的借助MCP 赋能数据可视化实验场景有了基础的了解之后。下面我们就可以打开我们的实验室场景页面,点击【免费试用】

image.png

进入到实验部署操作页面后继续点击【立即试用】等待资源创建,等待所有资源创建成功之后。

资源准备

登录 阿里云百炼大模型服务平台 :https://bailian.console.aliyun.com/?spm=a2c6h.28997786.0.0.3b091597WfX45q 点击右上角的 ,随后点击页面左侧的【账号管理】,再点击页面右上角的【新增用户】

image.png

在新增 用户弹窗页面,我们选择类型【RAM用户】,选择具体的RAM用户,输入显示名称,自定义即可,点击【确定】完成用户新增

image.png

完成用户新增后,在【账号管理】列表点击右侧的【权限管理】,随后点击【添加权限】

image.png

在添加权限界面,勾选业务空间为  【默认业务空间】,点击下一步,随后设置权限名称为管理员,点击完成为角色授权

image.png

image.png

回到 模型 页面,点击顶部的【模型】切换到模型页面,点击右侧的【立即开通】

image.png

在弹出的页面勾选协议后完成当前RAM账号的阿里云百炼模型服务的开通

image.png

创建API-KEY

阿里云百炼大模型服务平台 ,点击右上角的 ,随后点击页面左侧的【API-Key】,再点击页面的【创建API-KEY】

image.png

创建完成后复制 API-KEY 备用。

插入数据

点击左侧云产品资源面板,在集群基本信息界面单击右上角登录数据库,进入云数据库控制台。在弹出的创建DMS服务关联角色中,单击确认。在弹出的登录实例界面,输入左侧云产品资源面板中云原生数据库栏下的数据库用户名以及密码,并点击登录

image.png


登录成功后,双击选择 db-test 数据库,下载测试数据集orders.sql 并复制sql到 sql执行窗口,执行

image.png

一键部署

点击前往部署打开我们提供的 Function AI 项目模板,在弹出的【角色授权页】保持默认选项,并点击底部的一键授权,根据提示完成授权。完成授权后,在

参数配置页面,依次配置数据库及API-KEY信息,

image.png

其他参数选择默认配置,然后单击【部署项目】,最后在弹出面板中单击【确认部署】,部署预计等待 3~5 分钟

image.png

体验测试

等待部署完成后,在应用部署完成之后的页面,按照下图找到访问地址

image.png

点击访问地址后,在对话框中输入我们想要获取的数据分析的内容,比如【哪些食物的配料里用到了黑豆,他们的订单量如何,使用知识图谱进行视觉化展示 TOP 30】此时我们的大模型会自动分析中文内容,并根据中文内容描述的需求自动调用MCP Server 工具来分析我们的数据库表数据,最后返回我们想要的可视化内容

image.png

等待分析结束后,自动为我们生成对应数据的可视化图片内容

再比如,我们想要获取【所有订单中,最受欢迎的十种食物是哪些?分析数据并使用双轴曲线图进行可视化展示,最终将数据使用表格形式展现出来】,同样的,我们可以直接将我们的需求通过中文语言的形式描述出来,那么此时我们的语言大模型则会根据我们需要获取的信息自动调用数据分析MCP Server 工具获取具体的内容

image.png

返回的结果内容,包含表格、柱状图、折线图

或者说我们想要统计一下软玉米饼类食物的订单销售情况,进一步判断受众群体的喜爱程度,输入我们的需求描述【使用 SQL 查询 orders 表中所有软玉米饼类食物,并根据订单量使用树状图进行可视化展示 TOP 7 的食物,随后判断当地人是否喜欢在软玉米饼类食物中添加生菜】,

image.png

下面我们来查看经过数据分析后返回的内容,包括:

树状图(Treemap Chart):展示了软玉米饼类食物的订单量分布,可以直观地看出鸡肉软玉米饼是最受欢迎的

柱状图(Column Chart):详细对比了软玉米饼类食物的订单量,清晰展示了每种食物的受欢迎程度

条形图(Bar Chart):进一步验证了柱状图的结果,直观呈现订单量的分布

饼图(Pie Chart):展示了软玉米饼类食物订单量的占比,显示鸡肉软玉米饼在总订单量中占据最大份额

双轴图表(Dual Axes Chart):同时展示了软玉米饼类食物的订单量以及添加生菜的情况。从图表可以看出,只有鸡肉软玉米饼的订单中明确提到了添加生菜(9单)

最后给出统计分析后的结论内容

生菜的使用情况
查询结果显示,只有 9 份订单明确指出了配料中包含生菜,且这些订单均为“鸡肉软玉米饼”。这表明当地人对软玉米饼类食物添加生菜的偏好较低,或者菜单中并未广泛提供这一选项。

结论
最受欢迎的软玉米饼类食物:鸡肉软玉米饼以 12 单位居第一,其次是牛排软玉米饼和素食软玉米饼。
生菜的使用偏好:仅有 9 单明确包含生菜,且集中在鸡肉软玉米饼上,说明当地人对生菜的偏好较低,或者该配料在菜单中未被广泛提供。

到这里,我们关于借助 MCP 赋能数据可视化的所有部署操作以及体验测试都已经完成了。

体验感受

其实,随着AI 的不断发展,各行各业的工作方式或者说人们的生活方式都在一点点发生改变。对于企业来说,在数字化时代,数据的重要性不言而喻。那么如何让历史的数据产生数据分析的价值,知道企业制定合理决策,数据分析就显得尤为重要。但是对于大型企业来说,可以通过招聘数据分析师来解决利用历史数据分析获取后续决策指导意义的问题。但是对于中小企业,没有资源,没有成本,如何也能享受到数字时代带给企业的宏利,一直是一个值得探索,也必须去探索的方向。

那么通过本方案,已经可以成功看到中小企业无成本接入数据分析的希望了。对于中小企业,可以无需招聘数据分析师,而是可以直接通过阿里云百炼服务平台搭配 MCP Server 的方式。企业端只需要通过自然语言描述的方式,就可以轻松的从企业现有数据中筛选出有效信息,为企业后续生产经营方向提供参考。在这样的场景下,企业管理人员可以直接通过与 AI 进行自然语言对话的方式获取数据分析,报表,数据统计等信息,真的是很方便很有价值。

另外,本方案是基于 PolarDB 构建智能数据库分析应用,集成阿里云百炼大模型服务,提供开箱即用的智能化分析能力。方案涉及到的全系列产品都已经稳定运行,可以快速接入,在另一方面也会大大降低企业接入当前方案时的人力成本,学习成本的投入。既然这么好用,还等什么呢?

相关文章
|
关系型数据库 数据挖掘 分布式数据库
数据库+MCP,0编码自主完成数据洞察
本文介绍了一种全新的数据分析方案,结合PolarDB MySQL版与阿里云百炼,搭配MCP工具实现智能数据库分析应用。该方案解决传统数据分析工具高门槛、低效率的问题,通过零SQL操作和一站式部署,助力企业快速挖掘数据价值。方案具备高性能查询、快响应直连加速、高安全保障及易迁移上云等优势,并详细说明了部署资源、应用配置及验证步骤,帮助用户轻松完成实践体验。
|
机器学习/深度学习 数据采集 自然语言处理
机器学习模型的部署与上线:从训练到实际应用
在机器学习中,模型训练只是整个过程的一部分。将训练好的模型部署到实际应用中,并使其稳定运行,也是非常重要的。本文将介绍机器学习模型的部署与上线过程,包括数据处理、模型选择、部署环境搭建、模型调优等方面。同时,我们也会介绍一些实际应用场景,并分享一些经验和技巧。
|
人工智能 Java Serverless
【MCP教程系列】搭建基于 Spring AI 的 SSE 模式 MCP 服务并自定义部署至阿里云百炼
本文详细介绍了如何基于Spring AI搭建支持SSE模式的MCP服务,并成功集成至阿里云百炼大模型平台。通过四个步骤实现从零到Agent的构建,包括项目创建、工具开发、服务测试与部署。文章还提供了具体代码示例和操作截图,帮助读者快速上手。最终,将自定义SSE MCP服务集成到百炼平台,完成智能体应用的创建与测试。适合希望了解SSE实时交互及大模型集成的开发者参考。
9615 60
|
21天前
|
存储 人工智能 测试技术
手把手带你入门AI智能体:从核心概念到第一个能跑的Agent
AI智能体是一种能感知环境、自主决策并执行任务的人工智能系统。它不仅能生成回应,还可通过工具使用、计划制定和记忆管理完成复杂工作,如自动化测试、脚本编写、缺陷分析等。核心包括大语言模型(LLM)、任务规划、工具调用和记忆系统。通过实践可逐步构建高效智能体,提升软件测试效率与质量。
|
2月前
|
SQL 人工智能 JSON
Flink 2.1 SQL:解锁实时数据与AI集成,实现可扩展流处理
本文整理自阿里云的高级技术专家、Apache Flink PMC 成员李麟老师在 Flink Forward Asia 2025 新加坡[1]站 —— 实时 AI 专场中的分享。将带来关于 Flink 2.1 版本中 SQL 在实时数据处理和 AI 方面进展的话题。
168 0
Flink 2.1 SQL:解锁实时数据与AI集成,实现可扩展流处理
|
6月前
|
人工智能 中间件 程序员
大模型上下文协议 MCP 带来了哪些货币化机会
本文探讨了MCP(Model-Calling Protocol)的兴起及其对AI生态的影响。自2月中旬起,MCP热度显著提升,GitHub Star和搜索指数均呈现加速增长趋势。MCP通过标准化协议连接大模型与外部工具,解决了碎片化集成问题,推动AI应用货币化及生态繁荣。文章分析了MCP与Function Calling的区别,指出MCP更适用于跨平台、标准化场景,而Function Calling在特定实时任务中仍具优势。此外,MCP促进了 supply端(如云厂商、大模型、中间件服务商)和消费端(终端用户)的变革,尤其以Devin和Manus为代表,分别改变了程序员和普通用户的交互方式。
747 37
大模型上下文协议 MCP 带来了哪些货币化机会
|
9月前
|
人工智能 安全 算法
多端融合,打造最优落地效果的多模态百炼
本次分享由阿里云智能集团专家介绍多端融合的多模态百炼,涵盖七个方面:1)如何打造最优效果的多模态百炼;2)最新版本在生产力和产品力建设上的进展;3)rap能力升级;4)终端大模型场景探索与实践;5)内容安全工作;6)模型能力增强及生态应用;7)终端模型结合的消费链及手机、PC、车机器人等能力。重点介绍了百炼在多模态模型、效果运营中心、终端AI结合云端AI等方面的创新与优化,以及在内容安全和生态建设中的努力。
403 18
|
人工智能 异构计算
基于PAI-EAS一键部署ChatGLM及LangChain应用
【8月更文挑战第7天】基于PAI-EAS一键部署ChatGLM及LangChain应用