银行的数据资产，怎么从『技术才能看的库』变成『业务同事随口能问的数』

从"技术才能看的库"到"随口能问的数"

一家西南地区的省级法人银行，正在把"数据资产"从名词变成动词。过去，业务同事想分析"本月零售存款的增长结构"，得先找数据团队排需求，字段叫什么、口径是什么，都写在一份没人看得懂的数据库字典里；现在，同样的问题用自然语言直接提问，系统自动生成可执行的 SQL、推荐合适的图表类型，过程全程可追溯。

这套能力基于 OntiCards 数据语义层与智能体平台交付。项目验证的结果很有说服力：AI 产出（2 小时）的采纳率达到 85%，与业务专家 8 小时产出的 90% 采纳率基本相当，效率提升约 4 倍——也就是说，在保证质量不掉档的前提下，分析产出的速度被大幅压缩。

背景与痛点

这家银行在数据资产场景化上遇到了四个典型障碍。

一是数据资产难以被业务理解。 字段含义对业务人员不透明，数据库里几十上百张表、上千个字段，业务同事不知道"cust_level"是什么意思，更不知道它和"客户等级"是不是一回事，数据与场景严重脱节。

二是分析响应链路过长。 业务需求必须经过数据团队的人工支持：提需求、排队、开发、验证、交付，一个分析往往要等数天，响应慢、效率低，业务创新节奏被拖累。

三是 BI 工具使用门槛高。 非技术人员难以自助完成分析——拖拽维度、配置筛选器、理解指标口径，每一项都是门槛，缺一个"业务意图到 BI 操作"的桥梁。

四是数据质量缺乏保障。 分析结论的可信度与合规性缺乏全链路质量检查机制，业务不敢直接用 AI 分析结果做决策。

这些问题在银行业高度普遍。数据资产越建越多，但"看得懂、用得动"的少；大模型越来越强，但让它直接"读库写 SQL"的结果又不稳定、不可控。

我们怎么做的

项目基于 OntiCards 数据语义层 + 智能体平台，构建了一套"三层融合"的交付方案。

第一层：OntiCards 数据语义层（核心底座）。 自动扫描业务数据库，由大模型将晦涩的表结构转化为业务可读的 DataCard——标注字段含义、典型值与跨表关联，存入向量库，作为智能问数的推理基石。业务同事看到的不再是"cust_level"这种天书字段，而是"客户等级（高/中/低，来自客户分层模型）"这种看得懂的描述。整个过程无需 ETL，数据资产从"只有技术人员看得懂"变成"全员可用"。

第二层：双知识库体系。 一是业务场景知识库，沉淀分析规范与指标口径；二是 BI 操作知识库，沉淀平台操作步骤。两类知识经智能体平台智能关联融合，让业务意图与 BI 操作指令精准匹配——用户问的是业务问题，系统知道该用哪个指标、走哪条分析路径。

第三层：智能服务层。 构建"自然语言 → 意图识别 → 知识检索 → 分析思路 → BI 分步操作指引"的全链路响应：自动生成可执行 SQL，智能推荐图表类型，过程透明可追溯。用户既能拿到数据结论，也能看到每一步是怎么算出来的。

在此基础上，项目设计了三重质量护栏：字段存在性自动校验，从源头拦截"问了个不存在的指标"；知识入库前强制人工审核，确保进入系统的每一份语义描述都经过把关；问答输出严格限定于已审核知识库，确保输出可信、可用、可控、可审计。同时，系统不直连生产数据库，分析链路与生产环境隔离，从架构上保障数据安全与合规。

落地效果

• 数据资产激活：OntiCards 自动将晦涩表结构转化为业务可读的 DataCard，数据资产从"只有技术人员看得懂"变为"全员可用"。

• 效率提升 4 倍：AI 产出 2 小时、采纳率 85%，与业务专家 8 小时产出（采纳率 90%）相当，分析产出的速度大幅压缩，质量不掉档。

• 自然语言问数：业务同事直接提问，系统自动生成精准 SQL 并推荐可视化图表，无需掌握 BI 工具操作技能。

• 端到端分析导航：从业务提问到 BI 操作步骤的完整指引，大幅降低分析工具的使用门槛。

• 合规与安全：不直连生产数据库，三重质量护栏确保分析输出合规、可审计。

对银行而言，这一方案的价值不只是"取数变快了"，而是把沉淀多年的数据资产真正转化为业务生产力——数据同事从重复取数中解放出来，业务同事第一次觉得"数据离我很近"。

经验沉淀：从项目到 OntiCards

这个项目是 OntiCards 在金融行业数据语义层的直接实践：把"数据库表结构 → 业务可读语义 → 可信问数"的链路标准化、产品化。我们从中沉淀了三条核心经验。

其一，语义层要由业务来读、而不是技术来读。DataCard 的每一句描述都必须能让业务同事看懂，否则语义层就会退化成"数据团队二次维护的 Schema"。其二，护栏与知识是分层设计的：字段校验、人工审核、输出限定三层护栏，分别拦住"问错、入错、答错"三类风险，层层递进、缺一不可。其三，不直连生产是金融场景的底线：分析能力可以强，数据边界必须清晰。

这些经验沉淀下来，成为 OntiCards 在金融行业的解决方案。更完整的架构视角，可以参阅 OntiCards 四层架构（接入、卡片、问数、消费四层解耦）与 数据语义层的实践思考。行业层面，Gartner 已把语义层视为支撑未来分析与 AI 的关键组件，Spider 2.0 等接近真实企业环境的 NL2SQL 基准也证明：没有语义层治理，模型直出 SQL 的路子走不远。