自然語言問數，將年銷百萬輛級車企的營銷作戰室變成一段對話

營銷作戰室，由「等報表」到「問數」

一家年銷百萬輛級的全國性車企，把營銷作戰室搬進了對話框。過去，管理層想睇一眼「華東區新能源車本月銷量同比」，要先向數據團隊提需求、等排期、再收到一份靜態報表；而家，呢句話可以直接問出口，系統喺數十秒內返回結果，仲自動配上可下鑽嘅圖表。

呢個唔係一次簡單嘅工具替換，而係一場分階段演進嘅結果：由單一數據寬表上嘅 MVP 驗證，到覆蓋營銷作戰中心 14 個看板嘅數據語義層，再到「自然語言驅動嘅可交互 BI」。項目最終達成 MVP 階段應答率超過 90%、準確率超過 85%、平均響應時間低於 70 秒嘅性能基線，將取數呢件事由「專人代辦」變成「人人可問」。

背景與痛點

車企經營決策高度依賴多維度、多指標嘅交叉分析：品牌、車系、區域、時間四個維度，訂單、批發、零售、庫存、上險五個關鍵指標，組合起嚟就係幾十上百種問法。過去呢啲數據嘅獲取鏈條好長——業務人員唔識 SQL，數據庫入面嘅表結構又晦澀難明，每一次取數都要經過數據團隊翻譯。

更麻煩嘅係指標口徑。零售量、批發量、庫存係數喺財務、銷售、生產部門往往有唔同嘅算法；上險量、線索、試駕、訂單跟進呢類過程指標散落喺唔同系統入面，靠人手對數又慢又容易出錯。管理層嘅真實需求係「打開作戰室就睇到經營全貌」，而現實係數據看板起咗一堆，問一個問題仍然要等兩三日。

此外，同大多數集團型企業一樣，呢間車企都面對數據中台「起咗但用唔起」嘅困境：中台入面有主經營數據總表（t_dm_mkt_sales_info_d）呢類高質量資產，卻缺少一個畀業務直接消費呢啲資產嘅橋樑。AI 試點項目唔少，但大多停留在演示層面，難以變成業務日常離唔開嘅工具。

我哋點樣做

項目採用「三級跳」嘅演進路徑，由驗證可行性到支撐業務決策，一步一個台階。

第一跳：MVP 驗證。 聚焦單一數據寬表，嚴格限定 4 維度、5 指標（生產、訂單、批發、零售、庫存）嘅自然語言查詢範圍，並設定硬性範圍防護。呢個階段嘅目標唔係功能多，而係將「自然語言能唔能夠準確翻譯成查詢」驗證清楚。最終達成應答率超過 90%、準確率超過 85%、平均響應時間低於 70 秒嘅性能基線，為後續擴展建立價值標尺。

第二跳：能力增強，構建企業數據語義層。 引入 DBC（DBConnector）插件，由 AI 自動盤點數據中台入面嘅業務數據庫，將晦澀嘅表結構轉化為 AI 可理解嘅知識卡片（DataCard），標註字段含義、典型值與關聯關係，形成企業數據語義層。成個過程唔需要繁重嘅 ETL 數據工程。呢一步將問數能力由「簡單查詢」擴展到「多表關聯、複雜組合查詢」，覆蓋營銷作戰中心、穿透式經營管理等 14 個看板嘅實際業務場景，支撐集團「數據開會」。

第三跳：智能交互，對標專業 BI。 支援維度動態篩選、圖表下鑽上捲、跨系統數據融合，實現「自然語言驅動嘅可交互 BI」，並規劃按「一部門一智能體」嘅模式向全集團擴展。數據接入持續深化：喺主經營數據總表之外，新增上險量以及線索、試駕、訂單跟進等過程指標，支援品牌、車系、區域、時間等核心維度與訂單、批發、零售、庫存、上險等指標嘅靈活組合。

支撐呢套演進嘅係兩個關鍵機制。其一係「四階段 12 週」嘅標準化營運框架——診斷、設計、試點、覆盤，由試點到規模化，確保應用唔只「上線」，更能「用得起、用得好」。其二係業務與 IT 嘅「共同責任制」：成立由業務部門牽頭、數字化部門深度協同嘅虛擬團隊，將智能體使用納入業務側考核；為每個分析看板配備專屬業務測試員，建立每週聯合測試嘅敏捷反饋閉環。同時構建業務術語庫理解口語化表達、設計意圖確認環節、提供顯性嘅 SQL 執行詳情面板，令過程透明可信；全鏈路私有化部署、嚴格嘅 RBAC 權限控制與字段級脫敏、完整嘅操作審計日誌，則為數據安全兜底。

落地效果

• 覆蓋 14 個看板：營銷作戰中心、穿透式經營管理等核心場景全部納入，支撐集團日常「數據開會」。

• 性能基線達標：MVP 階段應答率超過 90%、準確率超過 85%、平均響應時間低於 70 秒。

• 指標範圍擴展：喺上險量之外，新增線索、試駕、訂單跟進等過程指標，支撐由「睇結果」到「追過程」嘅管理升級。

• 多場景可用：支援辦公、會議、移動端多場景，管理層隨時隨地開口問數。

• 交互體驗躍升：圖表旁篩選器動態改維度、點擊下鑽明細，逐步逼近專業 BI 嘅交互體驗。

一位業務負責人咁樣形容變化：以前開會前要「備數據」，而家開會時直接「問數據」，數據成為對話嘅一部分，決策依據隨問隨到。

經驗沉澱：由項目到 OntiCards

呢個項目最有價值嘅沉澱，係將「點樣令 AI 讀懂企業數據」做成一set 可複製嘅方法論：唔好指望大模型直接讀表出答案，而要首先為佢構建一層業務可理解嘅語義層。DBC 喺項目入面承擔嘅角色——自動盤點數據源、將數據庫表結構轉化為 AI 可理解嘅知識卡片、構建數據語義層、唔需要 ETL——正正就係 OntiCards 數據卡片嘅前身。

呢啲經驗沉澱落嚟，成為 OntiCards 喺汽車行業嘅解決方案：以數據卡片為語義層底座，令自然語言問數喺複雜行業場景下依然準確、可控、可追溯。行業共識亦喺印證呢條路線——喺 Spider 2.0 呢類接近真實企業環境嘅 NL2SQL 基準上，單靠模型直出 SQL 嘅路線成功率好低，而引入語義層治理嘅方案準確率大幅躍升；Gartner 亦將語義層視為支撐未來分析與 AI 嘅關鍵組件。更深層嘅架構邏輯，可以參閱 OntiCards 嘅四層架構與語義層實踐。