銀行嘅數據資產，點樣由『淨係技術先睇得明嘅庫』變成『業務同事隨口問到嘅數』

由「淨係技術先睇得明嘅庫」到「隨口問到嘅數」

一家西南地區嘅省級法人銀行，正正將「數據資產」由名詞變成動詞。以前，業務同事想分析「今個月零售存款嘅增長結構」，要先搵數據團隊排需求，字段叫乜名、口徑係乜，都寫喺一份冇人睇得明嘅數據庫字典入面；而家，同樣嘅問題用自然語言直接問，系統自動生成可執行嘅 SQL、推薦合適嘅圖表類型，過程全程可追溯。

呢套能力基於 OntiCards 數據語義層與智能體平台交付。項目驗證嘅結果好有說服力：AI 產出（2 小時）嘅採納率達到 85%，同業務專家 8 小時產出嘅 90% 採納率基本相當，效率提升約 4 倍——即係話，喺保證質量唔跌嘅前提下，分析產出嘅速度被大幅壓縮。

背景與痛點

呢間銀行喺數據資產場景化上遇到四個典型障礙。

其一係數據資產難以被業務理解。 字段含義對業務人員唔透明，數據庫入面幾十上百張表、上千個字段，業務同事唔知「cust_level」係乜意思，更唔知佢同「客戶等級」係咪一回事，數據與場景嚴重脫節。

其二係分析響應鏈路過長。 業務需求必須經過數據團隊嘅人工支持：提需求、排隊、開發、驗證、交付，一個分析往往要等幾日，回應慢、效率低，業務創新節奏被拖累。

其三係 BI 工具使用門檻高。 非技術人員難以自助完成分析——拖拽維度、配置篩選器、理解指標口徑，每一項都係門檻，缺少一個「業務意圖到 BI 操作」嘅橋樑。

其四係數據質量缺乏保障。 分析結論嘅可信度與合規性缺乏全鏈路質量檢查機制，業務唔敢直接用 AI 分析結果做決策。

呢啲問題喺銀行業高度普遍。數據資產越建越多，但「睇得明、用得動」嘅少；大模型越來越強，但叫佢直接「讀庫寫 SQL」嘅結果又唔穩定、唔可控。

我哋點樣做

項目基於 OntiCards 數據語義層 + 智能體平台，構建一套「三層融合」嘅交付方案。

第一層：OntiCards 數據語義層（核心底座）。 自動掃描業務數據庫，由大模型將晦澀嘅表結構轉化為業務可讀嘅 DataCard——標註字段含義、典型值與跨表關聯，存入向量庫，作為智能問數嘅推理基石。業務同事睇到嘅唔再係「cust_level」呢類天書字段，而係「客戶等級（高/中/低，嚟自客戶分層模型）」呢種睇得明嘅描述。成個過程唔需要 ETL，數據資產由「得技術人員先睇得明」變成「人人可用」。

第二層：雙知識庫體系。 其一係業務場景知識庫，沉澱分析規範與指標口徑；其二係 BI 操作知識庫，沉澱平台操作步驟。兩類知識經智能體平台智能關聯融合，令業務意圖與 BI 操作指令精準匹配——用戶問嘅係業務問題，系統知道應該用邊個指標、行邊條分析路徑。

第三層：智能服務層。 構建「自然語言 → 意圖識別 → 知識檢索 → 分析思路 → BI 分步操作指引」嘅全鏈路響應：自動生成可執行 SQL，智能推薦圖表類型，過程透明可追溯。用戶既可以攞到數據結論，亦都可以睇到每一步係點樣計出嚟。

喺呢個基礎上，項目設計咗三重質量護欄：字段存在性自動校驗，由源頭攔截「問咗個唔存在嘅指標」；知識入庫前強制人工審核，確保入到系統嘅每一份語義描述都經過把關；問答輸出嚴格限定於已審核知識庫，確保輸出可信、可用、可控、可審計。同時，系統唔直連生產數據庫，分析鏈路同生產環境隔離，由架構上保障數據安全與合規。

落地效果

• 數據資產激活：OntiCards 自動將晦澀表結構轉化為業務可讀嘅 DataCard，數據資產由「得技術人員先睇得明」變成「人人可用」。

• 效率提升 4 倍：AI 產出 2 小時、採納率 85%，同業務專家 8 小時產出（採納率 90%）相當，分析產出嘅速度大幅壓縮，質量唔跌。

• 自然語言問數：業務同事直接提問，系統自動生成精準 SQL 並推薦可視化圖表，唔需要掌握 BI 工具操作技能。

• 端到端分析導航：由業務提問到 BI 操作步驟嘅完整指引，大幅降低分析工具嘅使用門檻。

• 合規與安全：唔直連生產數據庫，三重質量護欄確保分析輸出合規、可審計。

對銀行嚟講，呢個方案嘅價值唔只係「取數快咗」，而係將沉澱多年嘅數據資產真正轉化為業務生產力——數據同事由重複取數中解放出嚟，業務同事第一次覺得「數據離我好近」。

經驗沉澱：由項目到 OntiCards

呢個項目係 OntiCards 喺金融行業數據語義層嘅直接實踐：將「數據庫表結構 → 業務可讀語義 → 可信問數」嘅鏈路標準化、產品化。我哋從中沉澱咗三條核心經驗。

其一，語義層要由業務嚟讀、而唔係技術嚟讀。DataCard 嘅每一句描述都一定要令業務同事睇得明，否則語義層就會退化成為「數據團隊二次維護嘅 Schema」。其二，護欄與知識要分層設計：字段校驗、人工審核、輸出限定三層護欄，分別攔住「問錯、入錯、答錯」三類風險，層層遞進、缺一不可。其三，唔直連生產係金融場景嘅底線：分析能力可以強，數據邊界必須清晰。

呢啲經驗沉澱落嚟，成為 OntiCards 喺金融行業嘅解決方案。更完整嘅架構視角，可以參閱 OntiCards 四層架構（接入、卡片、問數、消費四層解耦）與 數據語義層嘅實踐思考。行業層面，Gartner 已將語義層視為支撐未來分析與 AI 嘅關鍵組件，Spider 2.0 等接近真實企業環境嘅 NL2SQL 基準亦都證明：冇語義層治理，模型直出 SQL 嘅路行唔遠。