同程旅行 DataAgent 在分析与营销场景的智能化探索- 大数跨境

DataFunSummit

2026-08-01

导读：周涛同程旅行研发与云赋能中心大数据专家

导读在数据量爆炸式增长、业务场景日益复杂的当下，传统“人肉取数、人工分析、手动营销”的模式已触及效率天花板。同程旅行数据团队分享了其在 DataAgent 领域的实践与思考。本文围绕其 BI 系统“灵动”与营销系统“先知”的智能化演进，深入拆解了从传统 ChatBI 到 NL2DSL 的技术跨越，并展示了如何通过 Multi-Agent 编排，在分析与营销场景中实现从“指令驱动”到“目标驱动”的范式转移。文章将详细解读 DSL 中间层如何破解 NL2SQL 的准确性困局，以及营销 Agent 如何借助标签智能推荐与自动化场景生成，最终实现转化率提升 35% 的量化价值。

主要内容包括以下几个部分：

1. 背景与挑战

2. DataAgent 产品架构演进

3. 自动评测建设

4. 效果展示

5. 未来展望

出品社区｜DataFun

背景与挑战

同程旅行在数据与营销智能化建设上并非从零起步。其 BI 系统“灵动”于 2018 年左右上线，2020 年引入归因分析，2022 年探索 Copilot 模式，2023 年做智能解读，2024 年落地 ChatBI，到 2025 年正式开启 DataAgent 全流程闭环的探索。这条演进路径并非追逐热点，而是一系列长期积累的痛点驱动的必然选择。

分析侧的四重困境。第一，业务人员不会写 SQL。公司内部超过 80% 的业务人员不具备 SQL 编写能力，培训成本高且易遗忘，导致想看数据的业务人员只能依赖数仓团队。第二，数据团队忙不过来。数仓团队 70% 的人力被消耗在低价值的重复取数上，无暇顾及深度数据建模与业务洞察，团队沦为“取数机器”。第三，数据入口分散。BI 报表、业务系统、Ad Hoc 查询、数据地图等多种入口林立，用户无所适从，同一指标在不同系统中口径不一，数据“打架”现象严重。第四，分析效率低下。业务需求依赖分析师响应，存在天然滞后，团队陷入“手工作坊”模式，缺乏深度产出。

营销侧的四重困境。场景创建复杂，营销场景搭建流程繁琐，业务人员学习成本高，难以独立完成。标签选择困难，“先知”营销系统管理着超过4000 个标签，运营人员从中准确筛选目标人群如同大海捞针。策略分析耗时，严重依赖人工经验，无法根据市场实时动态及时调整。经验依赖性强，过度依赖专家个人经验，缺乏数据驱动的决策依据，策略同质化且新人成长缓慢。

两套系统最终交汇于同一痛点——分析结论到营销行动的鸿沟。数据洞察以静态报告存在，难以直接转化为可落地的营销策略，业务人员需手动拆解，过程繁琐且极易出错。同时，营销结果到数据分析也存在割裂，效果数据散落在不同工具中，无法与分析系统有效打通，缺乏闭环反馈机制。这构成了 DataAgent 的核心使命：打通从数据洞察到业务执行的最后一公里。

DataAgent 产品架构演进

从时间轴上看，BI 系统“灵动”与营销系统“先知”的演进呈现并行态势，最终在底层数据流转上交汇：订单数据、埋点数据、业务数据经标准化形成数据集，向上支撑问数、看板创建、报告生成，以及标签创建、人群画像、人群洞察。AI 能力作为横贯层，将两侧能力打通，形成从数据到看板、到分析、到报告、到营销、再回到数据的完整闭环。

1. 分析 Agent：从NL2SQL 到 NL2DSL 的关键跨越

传统 BI 架构遵循系统管理、数据集、加速层、可视化表格、看板搭建的通用范式。引入 AI 后，每一层都做了针对性增强：系统管理层增加 Prompt 与 Skill 管理，数据集层建设指标维护与向量化检索，加速层引入智能化集群路由，可视化层实现智能搭建与 NL2SQL 智能问数，最上层叠加智能解读与报告分析。

NL2SQL 的五重困境。在 2024 年落地 ChatBI 的过程中，团队遭遇了明显局限。准确性问题：复杂查询（多表 JOIN）准确率骤降至 70% 以下，AI 幻觉频发。口径统一问题：业务术语存在大量歧义，同一指标在不同系统中口径不一。无法与 BI 系统打通：查询结果难以固化为看板。被动响应缺乏洞察：只回答问题，不主动发现业务风险。不懂业务逻辑缺失：缺乏对特定业务场景的理解。

将上述问题归纳为三大瓶颈：准确性瓶颈下，多表关联查询准确率低于 70%，复杂业务指标难以解析；安全性风险方面，可能生成破坏性 DML 语句，存在 Prompt 注入风险；可维护性差体现为生成过程不透明、强依赖 Schema 结构、语义层缺失。

核心决策：引入 DSL 中间层。团队做出了关键的技术选型决策——从 NL2SQL 转向 NL2DSL，核心逻辑为 NL2DSL2SQL。系统不再让大模型直接编写 SQL，而是先生成结构化的 DSL，通过语法与业务语义双重约束，将“自由生成”转变为“约束生成”。

团队的选型建议非常明确：短期或简单场景可用直接 NL2SQL 快速启动，但企业级长期应用必须走 NL2DSL 路线，这是通往稳健智能数据交互的必经之路。

在具体架构中，用户提问经由 Chat API 接入后，系统结合数据集与约束上下文进行字段检索。Prompt 与 DSL 约束层对输出做强校验——包括结构合法性与业务语义校验——最终输出结构化的 DSL JSON。整个推理过程中持续校验 JSON 的闭合性与完整性。输出的 DSL 包含维度、度量、过滤条件、图表类型等信息，可直接交付下游的图表搭建、数据查询或结果渲染模块使用。

数据口径统一的工程实践。团队特别强调一项必须做的“脏活累活”——数据口径的统一。

当用户问“上季度销售额”时，CRM、ERP、财务三个系统可能给出三个不同数字。团队构建了统一的数据信任体系：建立统一指标字典，明确计算逻辑与来源系统；实现全链路血缘追溯，支持追问“数据怎么来的”；定义多源优先级，冲突时优先展示最权威来源；做透明来源标注，显式标注数据来源。若不解决口径统一问题，用户将永远无法信任数据，整个系统也就失去了核心价值。

从“回答是什么”到“给出怎么办”。解决了精准取数与口径统一后，团队将目光投向更深层的需求——挖掘数据背后的价值。

过去的 BI 只给出干巴巴的数字与折线图。团队引入知识库、归因分析与专业建议，使系统能在数据下方自动生成核心结论。系统不仅展示"Q1 全渠道 GMV 同比增长”，还会分析“抖音渠道是最大增长引擎”“私域商城增速放缓需警惕用户流失”，并给出“建议加大短视频内容投放”等具体行动建议。从数据到完整分析报告，系统遵循一套完整的思维链路：理解数据→制定计划→明确核心问题→构建假设→验证假设→偏差检验→生成结论。若发现数据异常（尤其是时间维度的异常），系统会深入分析原因并迭代执行，直至所有数据与结论全部获取。

整个分析 Agent 的运转核心是 ReAct 推理框架。思考阶段，基于目标和历史信息进行“内心独白”，规划下一步最优路径。行动阶段，调用外部工具并生成执行参数。观察阶段，获取反馈结果并转化为结构化信息。这一循环不断迭代，直到完成任务。整个过程中每一步都对用户可见，提升了可解释性与可审计性。团队总结出从传统 BI 到 DataAgent 的范式转变：从指令驱动到目标驱动，从无状态到多轮上下文感知，从人工拆解到自动规划执行，从基础查询到主动洞察与决策支持。

2. 营销 Agent：Multi-Agent 协作的“数字员工”

与分析场景相比，营销场景链路更长，涉及标签检索、场景创建、策略优化等多个环节。AI 化改造后的“先知”系统采用五层架构：流量应用层（小程序/APP/Web）、服务层（标准化业务接口）、AI 能力层（Agent 框架+大模型基座）、数据服务层（多源异构数据治理）、基础设施层（容器/大数据/AI 算力平台）。

系统核心是一个 Multi-Agent 编排体系，部署了四个核心角色：协调智能体负责将复杂任务拆解为子任务并合理分配；规划智能体负责细化步骤序列并动态调整计划；执行智能体专注于工具调用与落地执行；分析与记忆智能体负责深度洞察与记忆管理，让系统具备“学习”能力。

标签推荐是整个营销 Agent 最核心的技术难题。挑战在于：标签规模达数千个，关键词匹配召回率低；用户口语化描述与标签官方名称存在语义鸿沟。解决方案是 RAG+Milvus 向量数据库，将标签与查询转为高维向量，通过相似度计算实现“语义级”精准检索。在此基础上，结合历史转化数据训练的小模型对召回结果做二次排序，优先推荐历史上相似场景中转化表现更好的标签组合。在对话管理上，采用动态分级压缩策略：近 3 轮完整保留，4-10 轮摘要压缩，10 轮以上归档，将 Token 消耗降低 70%，API 成本降低 40%，同时支持 100+轮长对话。

系统还具备结合社会热点的自动化营销能力，通过全网实时捕捉热点信息，结合知识图谱自动生成精准标签与营销场景建议，将响应速度从“天级”缩短至“分钟级”。在推荐准确性上，团队采用双管齐下策略：一方面多维构建知识库，整合专家经验与业务规则；另一方面针对用户输入从时间、场景、行为等维度智能生成关键词，精准检索业务标签。

自动评测建设

当系统能力逐步上线后，如何客观评估效果成为关键问题。同程的评测体系建设覆盖了完整生命周期。数据工程阶段进行数据采集清洗，构建 Prompt 管理库与标准测试集。Agent 开发阶段涉及基模选择、工具配置、链路追踪（基于 Langfuse），Trace 数据辅助错误归因。标准评测阶段进行人工标注与多维指标体系构建。生产运维阶段包括服务网关、性能监控与日志采集，线上真实请求可用于补充评测集、触发自动化评测流水线。整个平台涵盖多类型标注、多维度评测与任务调度，实现全流程管控与结果反馈。

效果展示

智能分析 Agent 让用户仅需一个对话入口解决所有数据需求，将分析师从重复取数中解放，在组织内部形成统一的数据语言与标准化分析范式。

智能营销 Agent 的核心效果：对话式创建让业务方通过自然语言完成人群圈选，人群搭建从“小时级”缩短至“分钟级”，业务方自主操作率提升 60% 以上。在机、火、酒、景四大核心业务中，AI 智能推荐场景的创建转化率均值达 14.6%，远超人工场景的 4.8%。通过 AI 对历史高转化场景的学习优化，新生成营销场景的转化率提升达 35%，人力投入减少 30%。

在智能决策层面，DataAgent 覆盖了四类场景：销售分析与归因，将数天分析工作缩短至分钟级；活动复盘与优化，实现快速精准复盘与科学预算分配；用户洞察与画像，实现“千人千面”个性化触达；自动化营销，7x24 小时用户生命周期管理。在量化价值上，数据分析响应从“数天级”到“分钟级”，决策准确率提升 15%-25%，营销转化率提升 5%-10%，数据分析人力成本节约 30%-50%。

未来展望

面向未来，团队规划了四个演进方向。自主学习与进化：通过强化学习与人类反馈，从每一次分析中学习，实现“越用越聪明”。全流程自动化闭环：深度打通从洞察到执行的完整链路，构建实时响应、无人干预的自动化业务闭环。跨领域深度应用：渗透到供应链、风控、人力、研发管理等企业运营的方方面面。AI 智能协作网络：形成由多个领域专家 Agent 组成的协作网络，通过任务分工与协同交互，共同解决更复杂的跨领域综合业务问题。

以上就是本次分享的内容，谢谢大家。