自然语言问数，把年销百万辆级车企的营销作战室开成一场对话

营销作战室，从"等报表"到"问数"

一家年销百万辆级的全国性车企，把营销作战室搬进了对话框。过去，管理层想看一眼"华东区新能源车本月销量同比"，要先向数据团队提需求、等排期、再收到一份静态报表；现在，这句话可以直接问出口，系统在数十秒内返回结果，还自动配上可下钻的图表。

这不是一次简单的工具替换，而是一场分阶段演进的结果：从单一数据宽表上的 MVP 验证，到覆盖营销作战中心 14 个看板的数据语义层，再到"自然语言驱动的可交互 BI"。项目最终达成 MVP 阶段应答率超过 90%、准确率超过 85%、平均响应时间低于 70 秒的性能基线，把取数这件事从"专人代办"变成了"人人可问"。

背景与痛点

车企经营决策高度依赖多维度、多指标的交叉分析：品牌、车系、区域、时间四个维度，订单、批发、零售、库存、上险五个关键指标，组合起来就是几十上百种问法。过去这些数据的获取链条很长——业务人员不懂 SQL，数据库里的表结构又晦涩难懂，每一次取数都要经过数据团队的翻译。

更麻烦的是指标口径。零售量、批发量、库存系数在财务、销售、生产部门往往有不同的算法；上险量、线索、试驾、订单跟进这类过程指标散落在不同系统里，靠人工对账既慢又容易出错。管理层的真实需求是"打开作战室就能看到经营全貌"，而现实是数据看板建了一堆，问一个问题仍然要等两三天。

此外，和大多数集团型企业一样，这家车企也面临数据中台"建了但用不起来"的困境：中台里躺着主经营数据总表（t_dm_mkt_sales_info_d）这样的高质量资产，却缺少一个让业务直接消费这些资产的桥梁。AI 试点项目不少，但大多停留在演示层面，难以变成业务日常离不开的工具。

我们怎么做的

项目采用"三级跳"的演进路径，从验证可行性到支撑业务决策，一步一个台阶。

第一跳：MVP 验证。 聚焦单一数据宽表，严格限定 4 维度、5 指标（生产、订单、批发、零售、库存）的自然语言查询范围，并设定硬性范围防护。这个阶段的目标不是功能多，而是把"自然语言能不能准确翻译成查询"验证清楚。最终达成应答率超过 90%、准确率超过 85%、平均响应时间低于 70 秒的性能基线，为后续扩展建立了价值标尺。

第二跳：能力增强，构建企业数据语义层。 引入 DBC（DBConnector）插件，让 AI 自动盘点数据中台里的业务数据库，把晦涩的表结构转化为 AI 可理解的知识卡片（DataCard），标注字段含义、典型值与关联关系，形成企业数据语义层。整个过程无需繁重的 ETL 数据工程。这一步把问数能力从"简单查询"扩展到"多表关联、复杂组合查询"，覆盖营销作战中心、穿透式经营管理等 14 个看板的实际业务场景，支撑集团"数据开会"。

第三跳：智能交互，对标专业 BI。 支持维度动态筛选、图表下钻上卷、跨系统数据融合，实现"自然语言驱动的可交互 BI"，并规划按"一部门一智能体"的模式向全集团扩展。数据接入持续深化：在主经营数据总表之外，新增上险量以及线索、试驾、订单跟进等过程指标，支持品牌、车系、区域、时间等核心维度与订单、批发、零售、库存、上险等指标的灵活组合。

支撑这套演进的是两个关键机制。一是"四阶段 12 周"的标准化运营框架——诊断、设计、试点、复盘，从试点到规模化，确保应用不仅"上线"，更能"用起来、用得好"。二是业务与 IT 的"共同责任制"：成立由业务部门牵头、数字化部门深度协同的虚拟团队，将智能体使用纳入业务侧考核；为每个分析看板配备专属业务测试员，建立每周联合测试的敏捷反馈闭环。同时构建业务术语库理解口语化表达、设计意图确认环节、提供显性的 SQL 执行详情面板，让过程透明可信；全链路私有化部署、严格的 RBAC 权限控制与字段级脱敏、完整的操作审计日志，则为数据安全兜底。

落地效果

• 覆盖 14 个看板：营销作战中心、穿透式经营管理等核心场景全部纳入，支撑集团日常"数据开会"。

• 性能基线达标：MVP 阶段应答率超过 90%、准确率超过 85%、平均响应时间低于 70 秒。

• 指标范围扩展：在上险量之外，新增线索、试驾、订单跟进等过程指标，支撑从"看结果"到"追过程"的管理升级。

• 多场景可用：支持办公、会议、移动端多场景，管理层随时随地开口问数。

• 交互体验跃升：图表旁筛选器动态改维度、点击下钻明细，逐步逼近专业 BI 的交互体验。

一位业务负责人这样形容变化：以前开会前要"备数据"，现在开会时直接"问数据"，数据成为对话的一部分，决策依据随问随到。

经验沉淀：从项目到 OntiCards

这个项目最有价值的沉淀，是把"如何让 AI 读懂企业数据"做成了一套可复制的方法论：不要指望大模型直接读表出答案，而要先为它构建一层业务可理解的语义层。DBC 在项目里承担的角色——自动盘点数据源、把数据库表结构转化为 AI 可理解的知识卡片、构建数据语义层、无需 ETL——正是 OntiCards 数据卡片的前身。

这些经验沉淀下来，成为 OntiCards 在汽车行业的解决方案：以数据卡片为语义层底座，让自然语言问数在复杂行业场景下依然准确、可控、可追溯。行业共识也在印证这条路线——在 Spider 2.0 这样接近真实企业环境的 NL2SQL 基准上，单纯让模型直出 SQL 的路线成功率很低，而引入语义层治理的方案准确率大幅跃升；Gartner 也把语义层视为支撑未来分析与 AI 的关键组件。更深层的架构逻辑，可以参阅 OntiCards 的四层架构与语义层实践。