导读：随着OpenAI和ChatGPT的兴起，ChatBI在车企内部引起了广泛的关注和探索。今年，更是成为了各大车企密集行动和POC的焦点，甚至已经有车企开始将其应用到实际业务中。本文将探讨ChatBI对车企的意义及其落地实践。主要内容包括以下几大部分：
1 车企BI现状
2 车企为什么要引入ChatBI
3 车企BI和ChatBI的关系
4 车企ChatBI的整体架构
5 车企ChatBI的实践与落地
车企BI的现状
1）车企BI的“五不
在汽车行业中，无论是传统车企、合资车企、外资车企，还是新兴势力，其BI（商业智能）系统普遍面临着“五不”问题。
首先，第一个问题是“指标口径不统一”。这是一个长期存在的问题，不仅存在于公司内部的各种BI系统和管理层驾驶舱中，而且与组织架构和其他多种原因密切相关。指标口径的不统一可能导致数据解读的混乱，影响决策的准确性。
第二个问题是“指标不体系”。尽管许多车企已经实现了全域的可视化，但指标体系的建设仍然停留在可视阶段，尚未达到可管和可用的水平。这意味着车企需要更深入地探索如何将各种指标与业务流程相结合，形成结构性的关系，以更好地支持公司的经营管理。
第三个问题是“指标不好管理”。这与指标口径的不统一密切相关。指标的全生命周期管理，包括需求的提出、口径的上下对齐、开发之间的对齐、业务对齐，以及指标的权限和运营等方面，都存在管理上的困难。
第四个问题是“指标不准确”。这是一个经常遇到的问题，可能源于业务原因或计算原因。但大多数情况下，指标的不准确可以追溯到业务系统本身的问题。
最后，第五个问题是“指标不会用”。只有当指标真正被用于指导业务决策时，其价值才能得到充分发挥。
2）车企BI的“五难”
当前，车企BI领域正面临着五大挑战，这些挑战不仅局限于BI工具层面，更深入到数据中台及整个数据管理体系之中。
首要挑战是响应速度难以保证。车企BI系统需面向全域业务，覆盖高层、中层至基层的数千乃至上万用户。在资源有限的情况下，如何既能高效响应管理层的驾驶舱需求，又能满足业务部门频繁且多样化的日报、周报、月报等数据需求，成为了一个亟待解决的难题。
其次，边界界定模糊。在车企内部，BI报表与业务系统数据报表之间的界限往往不够清晰。当面向同一业务方时，如何准确区分哪些是BI报表需求，哪些是业务系统数据需求，成为了一个实践中的难点。这种模糊性增加了数据管理的复杂性。
第三，数据流通不畅。车企内部各部门之间数据流通困难，如研发部门需要营销部门的数据，而营销部门又需要研发部门的车联网、自动驾驶等数据。技术层面的数据保护主义、部门壁垒以及中间流程的不完善，都导致了数据流通的障碍。
第四，权限管控严格且复杂。与互联网公司相比，车企在权限管控上更为严格。不同层级、品牌、部门和模块之间的权限划分复杂，增加了管理的难度。如何在保证数据安全的前提下，实现权限的灵活管理，是车企BI面临的一个重要挑战。
最后，工具难以统一。由于历史原因，传统车企内部可能存在多种BI工具，包括老式的、自制的以及近年来兴起的PowerBI、Quick BI等自助分析工具。这些工具的使用增加了指标口径管理的难度，也影响了数据的一致性和准确性。
综上所述，车企BI的五不和五难共同构成了当前车企BI领域的复杂现状。这不仅仅是一个BI工具层面的问题，而是涉及到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，车企BI需要服务于公司的高层、中层和基层管理决策，助力企业实现数据驱动的精细化管理。
3）车企BI的诉求
面对这五不、五难的挑战，车企的核心诉求在于寻求一个统一的BI工具，以支持高层的决策制定、中层的过程监控以及基层的具体问题解决，从而形成一个完整的PDAC（计划-执行-检查-行动）闭环。这一工具需服务于车企的整体经营目标，如核心销量、交付量及利润目标，旨在通过数据驱动决策来解决不同层级用户的需求。
根据用户角色的不同，BI工具进一步细分为多个端口。高层管理者倾向于使用移动化的驾驶舱或大型可视化大屏来快速概览结果；中层和基层管理者则更依赖于PC和移动设备上的BI工具，以便深入分析过程数据；而对于大区、门店及到店端等基层用户，移动化的数据看板则成为了他们实时查看业务数据的得力助手。
综上所述，车企BI工具需具备全面性和灵活性，以满足不同层级用户的需求，并助力公司实现数据驱动的经营管理。通过这一工具，公司可以清晰地看到结果、过程及问题所在，从而做出更加明智的决策。
4）车企BI的目标
车企当前面临的一个棘手问题是，如何有效地将公司总体的经营管理目标，如销量和交付等，从上至下进行拆解。这一过程涉及到将全链的经营目标和战略细化为具体的经营指标，并进一步将这些指标分配到不同的部门、组织和模块中。这构成了从上至下的目标对齐框架。
此外，除了自上而下的目标拆解，车企还需要关注日常业务运营中产生的各种数据需求。这要求围绕业务过程中的各个环节，细化并构建完善的指标体系。通过这些指标体系，可以确保各部门和模块在数据使用和解读上的一致性。
最终，通过指标的对齐，车企能够实现上下级之间的目标一致，同时也可以促进各部门之间的协同合作。例如，研发、营销、市场、销售及售后等部门，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的整体目标。
车企为什么要引入ChatBI
在介绍了车企BI的大背景之后，接下来探讨车企为何会选择引入ChatBI。这一趋势的兴起，可以追溯至ChatGPT的问世，其后ChatBI应运而生。
自那时起，众多BI公司纷纷将ChatBI模块融入其整体工具中。随着BI工具升级为ChatBI，并在不同场景中得以应用，如自助搭建看板或直接对话问数，一系列问题也随之浮现。
要理解车企为何引入ChatBI，我们需回顾BI的演进历程。
1）车企BI的演进
BI的演进历程可以大致划分为四个阶段。
第一阶段，即九几年至2000年左右，是报表式BI的兴起时期。这一时期，BI主要面向IT人员，提供固定的报表和明细报表。
第二阶段，随着技术的发展，BI逐渐面向分析师，变得更加灵活和自助。通过OLAP（联机分析处理）技术，实现了即时分析、可视化和自助分析的能力。在这一阶段，Power BI、Quick BI等BI工具都具备了自助分析的功能。
第三阶段，大约从2020年代开始，BI进入了指标式BI的阶段。在这一阶段，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，实现了更加灵活和深入的自助分析。这一阶段也被称为“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的理解，可以通过指标进行透视表的拖拉拽操作。同时，指标的管理、定义和使用都在一个固定的平台上进行，提高了分析的效率和准确性。
第四阶段，即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，无论使用何种BI工具，业务人员都需要通过看板或驾驶舱来查看数据。而智能化的ChatBI则允许业务人员直接通过对话来获取所需的数据和信息，无需再去看各种看板或大屏。这种交互方式的颠覆性变革，使得业务人员能够更加方便、快捷地获取所需的数据和信息，从而做出更加明智的决策。
值得注意的是，今年的ChatBI与去年的相比，在底层技术层面有了显著的突破。部分垂直的指标领域已经可以进行深入的应用，使得ChatBI的实用性和准确性得到了进一步的提升。
2）传统BI的痛点与ChatBI的价值
关于传统BI的痛点及现代BI的整体价值，我们已进行了诸多探讨。传统BI存在的问题，如耗时较长及应用场景受限等，已广为人知。
现代BI的价值主要体现在以下几个方面：
首先，智能问答功能实现了所见即所得的体验，但这一功能是否能覆盖所有指标场景仍存疑问。因为对于服务、经营、管理及决策而言，BI必须确保指标的100%准确性。若无法做到这一点，车企是不敢轻易采用的。只有当BI能在特定场景下实现100%准确时，这些场景才会得到深入应用。因此，智能问答功能的准确性至关重要。
更进一步，智能诊断是智能问答的进阶应用。它不仅提供数据，还能进行智能分析。这里首先要强调的是数据的准确性，其次是在分析层面，BI会提供不同的分析主题。
最后，当BI发现问题后，如何赋能决策成为关键。这主要涉及到PDCA（计划-执行-检查-行动）循环，即将发现的问题转化为有效的协同与闭环链路。这并不是BI在指标处理上的核心能力，而是更多地关注于如何将问题发现、人员协调及跟进到底的过程串联起来。
在ChatBI的框架下，我们能够实现一系列的价值提升。相较于传统的BI，它更多地局限于数据展示，而在决策和诊断方面缺乏深入的方案和落地。然而，在当前的ChatBI中，我们首先可以从问答功能入手，形成一个重要的突破口。
进一步地，我们可以将问答中识别出的问题，通过现代的BI工具进行更深入的诊断。同时，基于BI的PDCA（计划-执行-检查-行动）闭环，我们可以利用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。这不仅提升了数据的价值，更将BI的应用拓展到了决策层面，使其不再仅仅局限于数据的展示。
— 3 —
车企BI和ChatBI的关系
1）车企BI核心-数据驱动决策
接下来，我们来探讨当前BI与车企BI之间的紧密联系。车企BI的核心在于通过数据驱动整体决策过程。这一过程大致可以分为三个阶段，它们与先前讨论的指标体系紧密相连。
首先，从上至下，我们设定目标、追踪过程并获取结果。在设定目标时，BI发挥着关键作用，它不仅协助搭建指标体系，还通过指标反向推动目标的完成，包括目标的拆解与设定。目前，BI在这些方面已有较为成熟的解决方案。
其次，BI的管理驾驶舱、可视化dashboard及看板等功能，主要围绕业务过程中的指标达成情况进行监控和问题分析，确保业务能够按照设定的目标顺利推进。
最后，在PDCA循环的“C”（检查）阶段，我们关注每日目标的达成情况。若未能达成，BI将帮助我们分析原因，进行波动分析、异常检测和定位问题。结合数据和业务判断，形成问题诊断并进行预警。随后，在“A”（行动）阶段，BI将提供改善建议和提升方案。改善措施实施后的一至两个月内，我们将持续追踪相关指标，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，一个完整的PDCA闭环便形成了。
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过程。这个过程中，BI系统扮演着核心角色。当我们谈及智能决策时，其背后离不开一个强大的BI系统支持，该系统下方连接着指标中台。
指标中台进一步整合了来自研发、生产、供应链、销售、人力、财务法务等各个环节的全域指标。这些指标经过精心构建，形成了一个完整的指标体系，为BI系统提供了丰富的数据源。
目前，我们的大部分工作都集中在BI系统的应用上，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系统进行交互，从而改变了传统的取数、用数方式。
只要ChatBI能够确保数据的准确性，并提供深入的诊断分析，它完全有能力颠覆传统的BI展现形式和使用方式。这种颠覆性的变革，将为用户带来更加便捷、高效的数据分析和决策体验
— 4 —
车企ChatBI的整体架构
接下来，将介绍车企在探索BI应用时所构建的整体框架。如上图所示，在该框架中，核心的管理驾驶舱构成了两条关键链路：一条是从上至下的紫色链路，另一条是从1到5、从下至上的黄色链路。首先，我们需要解决的是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。
当用户以自然语言形式提出查询需求时，如询问某车企品牌或车系本月的上线量及市占率，系统需首先识别并解析这一问题，将其转化为对应的指标，并据此形成检索条件，从而在向量库或数据库中检索到所需数据。
值得注意的是，此过程中所涉及的数据并非由大模型从底层重新加工，而是BI系统已预先计算好的指标与维度，它们以主题形式同步至私有的数据库中。系统基于这些指标与维度进行匹配与识别，最终输出问题的答案。
整个框架采用了RAG模式。首先，核心指标由数据中台加载至私有的数据库，该数据库专为ChatBI服务，并位于主机厂环境内。其次，在驾驶管理模块中，我们将所需查询的指标（如上线量）与不同地域、城市、品牌等维度进行关联与映射。接着，对这些指标与维度进行向量化处理，并存储于Maas向量数据库中。
当用户提出查询需求时，系统会进行检索增强，补全指标与维度信息，并提交给Maas大模型服务进行解析。解析后形成结构化的查询语句，再从数据库中取出对应数据，最终返回给用户具体的指标数值。
— 5 —
车企ChatBI的实践与落地
最后，简要介绍车企在ChatBI领域的探索实践与落地流程。
在车企中开展ChatBI的探索，需要面对几个关键问题。
首要的是如何确保指标的100%准确性。
其次，如何解决权限分配问题，确保数据访问的合规性。
再者，数据安全也是不可忽视的一环，我们需要决定是自建大模型还是采用大厂提供的SaaS化大模型服务。
在解决这些问题时，我们首先需要考虑问述场景的选择。
在车企的延长供销服务等各个环节中，订单与线索数据因其复杂性而不适合作为初期探索的场景。
相反，我们可以从标准化的第三方数据如上险量入手，这类数据的使用场景、问数的指标与维度相对固定，更易于实现高准确率。一旦在这个场景上取得了成功，我们就可以逐步向其他场景拓展。
场景的选择直接影响准确率的实现程度，虽然有些模块可能无法达到完全准确，但通过细致的指标与维度数据准备，我们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，我们需要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采用大厂的SaaS化服务，关键在于拥有可靠的大模型服务。同时，问数应用的部署也至关重要，包括对话框的入口设置以及后台指标与维度的映射设置等。
在数据集准备方面，我们需要对指标进行细粒度的原子化处理，并将其推送到私有数据库。通过指标与维度的映射和向量化处理，为问数模块提供坚实的基础。
随后，我们需要将ChatBI与现有的BI工具进行集成。这种集成并非颠覆性的，而是在现有BI基础上增加一个增强的交互入口。通过轻量级的集成方案，可以实现ChatBI与BI工具的无缝对接。
在集成完成后，我们需要准备一系列问数问题集，并进行准确性的验证。通过不断提问和验证，我们可以形成准确集记录，从而不断优化ChatBI的性能。
综上，车企在ChatBI领域的探索实践与落地流程主要包括场景选择、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的验证等关键步骤。这些步骤共同构成了车企ChatBI探索与实践的整体框架。
