ChatBI车企应用实战：从探索到落地全解析

说起ChatBI，从OpenAI和ChatGPT掀起热潮开始，就成了车企内部一个绕不开的话题。到了今年，更是变成了各大车企密集行动和POC（概念验证）的焦点，甚至已经有一些先行者开始把它用在实际业务里了。这篇文章，我们就深入聊聊ChatBI对车企的意义，以及它到底怎么落地。具体的讨论会围绕这几个方面展开：车企BI的现状、为什么要引入ChatBI、它们之间的关系、整体架构，以及实践与落地。

车企BI的现状

1）车企BI的“五不”

无论是传统车企、合资车企、外资车企，还是新势力，大家在BI（商业智能）系统上都普遍面临着几个通病，我们可以概括为“五不”。

第一个问题，是“指标口径不统一”。这可不是什么新鲜事，它根深蒂固地存在于公司内部的各个BI系统和管理层驾驶舱里，跟组织架构和其他各种历史原因搅在一起。口径不统一，数据解读自然就乱了，决策的准确性也就无从谈起。

第二个问题是“指标不体系”。很多车企已经做到了全域可视化，但指标体系的建设基本还停留在“看得见”的阶段，离“管得了、用得上”还有不小的距离。说白了，就是还没能把各种指标和具体的业务流程深度绑定，形成一套能够真正支撑经营管理的结构性关系。

第三个问题是“指标不好管理”。这和前面说的口径不统一直接相关。指标从需求提出、口径对齐、开发对齐、业务对齐，到权限管理和日常运营，整个生命周期管理上都困难重重。

第四个问题是“指标不准确”。这几乎是个日常问题，源头可能是业务本身，也可能是计算逻辑。但追根溯源，大部分指标不准的问题，最终都能回溯到业务系统自身。

最后一个问题是“指标不会用”。指标只有真正用起来，去指导业务决策，它的价值才算发挥出来。否则，再精准的指标也只是一个数字。

2）车企BI的“五难”

除了“五不”，车企BI还面临着“五难”。这些挑战不只是BI工具本身的问题，更深层次地触及了数据中台，乃至整个数据管理体系。

首当其冲的是响应速度。车企BI要服务全域业务，从高层到基层，用户数以千计甚至上万。资源就那么多，既要高效响应管理层驾驶舱的需求，又要满足业务部门天天的日报、周报、月报，响应速度自然就成了难题。

其次是边界模糊。BI报表和业务系统自己的数据报表，这中间的界限往往很模糊。面对同一个业务方，到底哪些需求该算BI的，哪些该算业务系统的，实践中很难分得清，这就增加了数据管理的复杂度。

第三是数据流通不畅。部门之间的数据流通是个老大难，比如研发想看营销数据，营销又想拿研发的车联网、自动驾驶数据。技术上的“数据保护主义”、部门壁垒和不完善的中间流程，都成了数据流动的拦路虎。

第四是权限管控严格。和互联网公司比起来，车企在数据权限上管得严多了。不同层级、不同品牌、不同部门、不同模块，权限划分极其复杂，管理难度非常高。如何既保证数据安全，又能灵活管理权限，是个不小的挑战。

最后是工具难以统一。不少传统车企因为历史原因，内部有多种BI工具混着用，老的、自制的、新用的PowerBI、Quick BI等等。工具不统一，指标口径的管理难度就更大了，数据的一致性和准确性也直接受影响。

总的来说，这“五不”和“五难”共同构成了当前车企BI的复杂局面。它涉及的远不止工具层面，而是从底层数据工具到指标治理、指标体系搭建、经营看板体系化展示和可视化的全过程。最终的归宿，还是要服务好公司各个层级的管理决策，帮助实现数据驱动的精细化管理。

3）车企BI的诉求

面对这些挑战，车企的核心诉求其实就是寻求一个统一的BI工具，能支撑高层做决策、中层做过程监控、基层解决具体问题，从而形成完整的“计划-执行-检查-行动”（PDCA）闭环。这个工具需要服务于公司的核心经营目标，比如销量、交付量、利润等，核心就是数据驱动决策，解决不同层级用户的问题。

不同角色需要不同的“端口”。高层喜欢用移动化的驾驶舱或大型可视化大屏快速看结果；中层和基层更依赖PC和移动端上的BI工具，以便深入分析过程；而大区、门店这些一线的用户，则更习惯用移动化的数据看板，随时查看业务数据。

所以说，一个理想的BI工具，得既全面又灵活，能满足不同层级的需求，最终帮公司实现数据驱动的经营管理。它能让人清晰地看到结果、过程以及问题所在，从而做出更明智的决策。

4）车企BI的目标

当前，车企面临的一个棘手问题是如何有效地把公司总体的经营管理目标（比如销量、交付）从上到下拆解下去。这个过程涉及把全链路的经营目标和战略，细化成具体的经营指标，再分配给不同的部门、组织和模块。本质上，这是一个从上到下的目标对齐框架。

除了自上而下的拆解，还得关注日常业务运营中产生的各种数据需求。这就要求我们围绕业务过程中的各个环节，去细化并构建完善的指标体系。通过这些指标体系，才能确保各个部门和模块在数据使用和解读上口径一致。

最终的目标是，通过指标的对齐，实现上下级之间的目标一致，同时促进各部门的协同。举个简单的例子，研发、营销、市场、销售和售后等部门，都能围绕核心经营指标，上下对齐、左右协同、联动作战，形成一个围绕经营管理目标的作战体系。这就是车企BI的最终目标。

车企为什么要引入ChatBI

前面把车企BI的大背景交代清楚了，接下来聊聊为什么车企要引入ChatBI。这股风潮，自然是从ChatGPT发布后开始吹起来的，ChatBI这个词也应运而生。从那时起，很多BI公司都把ChatBI模块集成到了自己的产品里。随着BI工具升级到ChatBI，并在搭建看板、对话问数等场景中应用，一系列新问题也随之浮现。

要理解引入ChatBI的原因，不妨先回顾一下BI自身的演进历程。

1）车企BI的演进

BI的演进大致可以分为四个阶段：
第一阶段，从九十年代到2000年左右，是“报表式BI”的天下。这个阶段的BI主要面向IT人员，提供的是固定的报表和明细报表。
第二阶段，技术逐渐发展，BI开始面向分析师，变得更灵活、更自助。通过OLAP（联机分析处理）技术，实现了即时分析、可视化和自助分析。Power BI、Quick BI这些工具，都具备这个阶段的特点。
第三阶段，差不多从2020年代开始，BI进入了“指标式BI”阶段。这个阶段，BI工具在原有基础上增加了一层“指标层”，通过指标和维度的组合，实现了更灵活、更深入的自助分析。这个阶段也被称为“headless BI”，因为它完全面向业务和分析人员，业务人员对指标有深入理解，可以通过指标去拖拉拽做分析。
第四阶段，就是近年来兴起的“智能化BI”，特别是ChatBI的出现，彻底改变了业务人员用数和取数的交互方式。

以前，无论用什么BI工具，业务人员想查数据都得通过看板或驾驶舱。而ChatBI出现后，业务人员可以直接通过对话来获取数据和信息，不用再在各个看板和大屏之间来回切换。这种交互方式的碘伏性变革，让数据获取变得前所未有的方便和快捷。

值得一提的是，今年的ChatBI和去年的相比，底层技术上有了显著突破。部分垂直的指标领域已经可以深入应用，ChatBI的实用性和准确性也提升了一大截。

2）传统BI的痛点与ChatBI的价值

传统BI的痛点，比如响应慢、场景受限，大家已经很有共识了。那么，ChatBI带来了哪些价值？

首先，是智能问答带来的“所见即所得”体验。但这里有个疑问，它是否真的能覆盖所有指标场景？对于服务、经营、管理和决策来说，BI必须保证指标100%准确。如果做不到这一点，车企是不敢贸然用的。只有当ChatBI能在特定场景下做到100%准确，这些场景才会真正被深度应用。所以，智能问答的准确性，是生死攸关的一步。

更进一步，是智能诊断。这比智能问答又深了一层，它不仅提供数据，还能进行智能分析。这里首先要强调的还是数据准确，其次是在分析层面，BI会提供不同的分析主题和角度。

最后，当BI发现问题后，如何把发现变成决策，就成了关键。这主要涉及PDCA循环，也就是如何把发现的问题，转化成有效的协同和闭环链路。这不是BI在指标处理上的核心能力，而是更侧重于如何把问题发现、人员协调和跟进到底的整个过程串起来。

在ChatBI的框架下，我们能够实现一系列的价值提升。和传统BI相比，传统BI更多是数据展示，在决策和诊断上缺乏深入的方案和落地。而在ChatBI中，我们可以从最基础的问答功能入手，作为重要的突破口。

更进一步，我们可以把问答中识别出的问题，通过现代的BI工具做更深入的诊断。同时，基于PDCA闭环，利用ChatBI工具打通整个链条，真正实现经营管理和决策中的“端到端”完整闭环。这不仅仅是提升了数据的价值，更是把BI的应用拓展到了决策层面，让它不再只是一个“展示仪表盘”。

车企BI和ChatBI的关系

1）车企BI核心-数据驱动决策

接下来，我们看看ChatBI和车企BI之间的紧密关系。车企BI的核心，是通过数据驱动整个决策过程，这个过程大致可以分成三个阶段，和前面提到的指标体系息息相关。

首先，从上到下，我们设定目标、追踪过程、获取结果。在设定目标时，BI起着关键作用，它不仅帮我们搭建指标体系，还能通过指标反向推动目标的完成，包括目标的拆解和设定。目前，BI在这些方面已经有比较成熟的方案了。

其次，BI的管理驾驶舱、可视化仪表盘和看板等，主要就是围绕业务过程中的指标达成情况进行监控和问题分析，确保业务能按设定的目标顺利推进。

最后，在PDCA循环的“检查”阶段，我们关注每日目标的达成情况。如果没达成，BI就要帮我们分析原因，做波动分析、异常检测和问题定位。结合数据和业务判断，形成问题诊断并发出预警。随后，在“行动”阶段，BI会提供改善建议和提升方案。方案实施后的一两个月里，我们会持续追踪相关指标，监测改善效果，确保通过指标的提升真正实现业务改善。这样一来，一个完整的PDCA闭环就形成了。

2）从看数到问数

在ChatBI的框架下，我们见证了一个从“看数”到“问数”的转变。这个转变中，BI系统是核心角色。当我们谈论智能决策时，它背后一定有一个强大的BI系统在支撑，而BI系统下面，连接着指标中台。

指标中台，则进一步整合了来自研发、生产、供应链、销售、人力、财务法务等各个业务域的全域指标。这些指标经过精心构建，形成了一套完整的指标体系，为BI系统提供了丰富的“弹药”。

目前，我们大部分工作集中在BI系统的应用上，比如数据可视化、深度分析等。而ChatBI的加入，则进一步丰富了BI系统的功能。它允许用户通过对话的方式与BI系统交互，从而改变了传统的取数、用数方式。

只要ChatBI能确保数据的准确性，并提供深入的诊断分析，它完全有潜力碘伏传统的BI展现形式和使用方式。这种碘伏性的变革，将为用户带来更便捷、高效的数据分析和决策体验。

车企ChatBI的整体架构

接下来，我们看看车企在探索ChatBI时搭建的整体框架。在这个框架中，核心的管理驾驶舱构成了两条关键的链路：一条是从上到下的紫色链路，另一条是从下到上的黄色链路。首先需要解决的是BI中指标数据来源与数据集，以及大模型的应用问题。左侧是向量数据库，右侧是大模型服务。

当用户以自然语言提问时，比如问某个品牌或是车系本月的上线量及市占率，系统需要先识别和解析这个问题，把它转化为对应的指标，然后形成检索条件，在向量库或数据库中找到所需的数据。

值得留意的是，这里用到的数据并不是大模型从底层重新加工出来的，而是BI系统已经预先计算好的指标和维度，它们以“主题”的形式被同步到私有的数据库中。系统基于这些指标和维度进行匹配和识别，最终输出答案。

整个框架采用的是RAG（检索增强生成）模式。具体来说，核心指标由数据中台加载到一个专为ChatBI服务的私有数据库里，这个数据库位于主机厂自己的环境中。接着，在驾驶管理模块中，我们把需要查询的指标（比如上线量）和不同地域、城市、品牌等维度关联起来。然后，对这些指标和维度进行向量化处理，存储到向量数据库中。

当用户提问时，系统会进行检索增强，补全指标和维度信息，然后提交给大模型服务进行解析。解析后会形成一个结构化的查询语句，再从数据库中取出数据，最终返回给用户具体的指标数值。

车企ChatBI的实践与落地

最后，我们来聊一聊车企在ChatBI领域的探索和实践。在车企中开展ChatBI的探索，需要直面几个关键问题。首要的，是如何确保指标100%准确。其次，是如何解决权限分配问题，保证数据访问合规。另外，数据安全也至关重要，我们需要决定是自建大模型，还是用大厂提供的SaaS化大模型服务。

在解决这些问题时，首先要想清楚从哪里开始“问”。在车企的产供销服各个环节中，订单和线索数据因为逻辑复杂，并不适合作为初期的探索场景。相比之下，可以从标准化的第三方数据切入，比如“上险量”。这类数据的使用场景、问数的指标和维度都相对固定，更容易实现高准确率。一旦在这个场景上跑通了，就可以逐步向其他场景拓展。

场景选择直接决定了准确率能实现到什么程度。虽然有些模块可能做不到100%准确，但通过细致准备指标和维度数据，可以部分依赖大模型的能力，同时结合人工干预来提高准确性。

接下来，是考虑大模型的选择与服务部署。无论是采购私有化的大模型，还是用大厂的SaaS化服务，关键在于要有一个可靠的大模型服务。同时，问数应用的部署也很重要，包括对话框的入口设置、后台指标与维度的映射关系设置等。

在数据集准备上，需要对指标进行细粒度的原子化处理，然后推送到私有数据库。通过指标与维度的映射和向量化处理，为问数模块打下坚实基础。

随后，需要将ChatBI与现有的BI工具进行集成。这种集成不是碘伏性的，而是在现有BI的基础上，增加一个增强的交互入口。用轻量级的方案，就能实现ChatBI与BI工具的无缝对接。

集成完成后，需要准备一系列问数问题集，并进行准确性验证。通过反复提问和验证，形成准确集记录，不断优化ChatBI的性能。

总的来说，车企在ChatBI领域的实践，主要包括场景选择、大模型选择与服务部署、数据集准备、与BI工具的集成，以及准确性验证这几个关键步骤。它们共同构成了ChatBI在车企落地的整体框架。

来源：互联网