大数跨境

从BI到决策智能:DecideX的上下文工程与决策闭环实践

从BI到决策智能:DecideX的上下文工程与决策闭环实践 DataFunSummit
2026-11-15
3
导读:石凯|观远数据产品专家

导读一家经销商的区域业绩没有达标,管理者需要的不只是一个差额数字。他还得找到具体的责任团队、门店和商品,判断缺口来自拜访不足、铺货遗漏还是陈列问题,再把整改任务交给一线。企业已有的 BI 报表和数仓可以回答许多单点问题,却未必能支持这种连续分析。观远数据在 DecideX 中尝试的做法,是先把分散的数据、指标和经营经验整理成可信上下文,再让 Agent 沿着#业务#关系分析、给出行动建议,并保留可追溯的判断依据。

主要内容包括以下几个部分:

1. 两三万张BI卡片,为什么仍难成为#Agent的上下文?

2. 用#业务本体 组织对象、指标和经营判断

3. 把业绩缺口追到人、门店和具体整改动作

4. 证据链能回查,行动结果才能进入下一轮分析

在经销商分销场景里,区域经理看整体业绩,主任负责团队,业代走访门店,检查商品铺货、陈列和拜访执行。区域目标出现缺口后,分析需要逐层下钻到人员、路线、门店与 SKU;形成的任务还要进入客户的 OA 系统,由一线确认和反馈。此前企业积累了大量数据报表,但“报表算出问题之后,谁去处理、怎样追踪结果”仍是难题。宝洁提出过 AI 难以理解企业经营逻辑的问题,上汽则更关注从报表到行动的衔接。这些要求最终都会落到数据口径、业务规则和执行流程上。

01

两三万张BI卡片,为什么仍难成为Agent的上下文?

企业的数据资产看似丰富。部分客户已经拥有两三万张 #BI 卡片,还有自建#数仓 和#数据中台,但这些资产往往按部门和分析师的使用习惯发展出来。同一个指标在不同卡片里的计算逻辑并不共享,名称相同,统计口径可能不同;口径一致,名称又可能不同。业务团队还会从数仓明细表各自加工数据,逐渐形成多份相似资产。各自看数时没有问题,到了财务汇总或跨部门经营分析,数据就很难对齐。

观远处理存量资产的第一步,是从使用行为反向寻找高价值内容。BI 卡片、指标和相关 ETL 的调用情况可以帮助识别实际使用频率;在平台开放相应接口的情况下,也可分析其他系统的使用记录。高频资产优先进入候选清单,再检查字段、业务含义、计算逻辑和相似程度。热度只是排序依据:长期无人使用的卡片可能需要清理,常用指标也必须核对定义,不能因为调用次数多就直接交给 Agent。

完成技术筛选后,仍要依赖行业经验判断哪些内容真正适合经营分析。观远把零售、电商、供应链和制造等项目中积累的指标设计、分析路径与质量检查方法沉淀为 Skill,辅助生成候选指标清单、分析场景和待确认事项。它能够减少从海量存量资产中逐项查找的工作,但不能替业务人员决定指标含义。候选内容需要经过业务方核对,才会进入后续 Agent 使用的上下文。

在经销商分销案例中,最终梳理出 23 张数据资产表,包括 7 张主数据表、5 张关系数据表和 11 张事实数据表;如果不单独计算关系表,则是 18 张主数据与事实数据表。围绕目标达成、拜访执行、SKU 铺货、陈列及风险分析,又整理出 50 余项原子和复合指标。这是为一个具体经营场景准备的数据范围,并非简单把整个数仓开放给模型。

资产经过确认后分成三类输入:数据集负责人员、区域、门店、SKU 等对象和明细;指标体系维护计算口径、同义词及特殊业务用法;分析场景知识说明遇到某类问题应关注哪些指标、如何下钻。数据能查、指标可信、分析方法明确,才具备进入下一步业务推理的基础。

02

用业务本体组织对象、指标和经营判断

指标可以告诉管理者目标达成率是多少,却无法单独解释某位业代的达成率为何偏低。区域、主任、业代、门店、商品和订单存在一系列管理及业务关系,分析时既要知道对象从哪张表获取,也要知道不同对象怎样关联。DecideX 将这些关系放入业务本体,把经营分析所需的对象和知识组织在一起。提问进入后,再根据问题场景提取相关部分,不需要每次把完整的关系网络都交给模型。

这里最基础的是让每项信息有来源。对象要对应数据源和业务主键,关系要有可核查的关联依据,指标要明确归属对象及计算口径。从业代追到其负责的门店,再追到门店中的 SKU,不能只靠名称相似完成连接;归属关系、历史变化和指标计算条件都需要有明确规则。数据对象有了稳定身份,跨系统查询才能沿着同一条业务关系继续展开。

在对象和指标之上,DecideX 还管理“问题场景”。例如“分销目标达成诊断”会明确问题描述、涉及的业务对象、分析范围及关键指标;风险规则进一步说明哪些指标用于识别异常,必要时可以绑定业务阈值。原来分散在调研表格和分析人员经验中的处理办法,被整理成 Agent 可以按问题调用的结构化定义。模型识别场景后,先找到相关对象和指标,再沿既定路径分析。

风险判断还需要连接归因过程与行动方法。一个指标出现缺口时,应该按照什么维度拆分、核查哪些上下游对象、哪些风险需要进入业务复核,都可以在场景中关联。以目标达成为例,模型可以沿人员、门店覆盖、SKU 铺货和陈列等方向逐步核查,同时保留使用了哪些指标和规则。这样的分析路径有边界,原因不充分时仍要把问题交回业务人员确认。

DecideX 把这套决策上下文归纳为六类要素:对象、指标、关系、风险、行动和问题场景。六类要素并非要求所有问题都建立庞大的知识网络。对于路径确定的单一任务,Skill 或 Prompt 也能把步骤约束得很清楚;业务本体更适合已经积累多个场景、需要跨对象查找关系和复用分析经验的情况。

03

把业绩缺口追到人、门店和具体整改动作

有了可信指标和业务关系,经营分析才能从大盘向下走。管理者先询问区域目标达成情况,随后追问哪些人员需要重点辅导。DecideX 根据问题场景关联的对象和指标,逐层缩小分析范围,从区域与团队落到业代,再查看其负责的路线、门店和商品。整个过程沿着实际业务责任关系展开,避免把异常停留在一张人员排名表上。

案例涉及 24 名业代,其中 13 人的目标达成率低于 70%。这些人员会进入优先核查范围,但低达成率本身不能说明原因。后续仍需比较门店覆盖、拜访频次、SKU 铺货与陈列记录,判断哪些问题需要现场检查。对于门店陈列,原始信息往往来自一线拍摄的照片,需要先完成结构化处理,才能参与商品和门店层面的联合分析。

分析进一步细化到具体人员、路线和门店后,系统可以给出可确认的整改建议,例如补齐某家门店的 SKU 铺货,或者检查某条线路的陈列执行情况。建议里要写清对象和核查内容,业务负责人才能判断是否采用。业务规则能帮助收窄候选动作,但门店实际情况、执行资源和优先级仍由负责人确认。

不同客户的 OA 和待办系统并不相同,因此 DecideX 通过配套应用把已确认的建议发送到任务中心,再由业务方设置责任人、完成期限和复核时间。一线人员提交执行记录,业务负责人检查结果,相关反馈进入后续分析。这样一条建议才具备持续跟踪的条件:谁接了任务、做了什么、何时复核,都有对应记录。

04

证据链能回查,行动结果才能进入下一轮分析

经营建议一旦影响业务动作,就必须回答“为什么这样判断”。DecideX 将命中的问题场景、风险规则、引用指标、筛选条件和查询过程保留在 Trace 中。负责人可以从建议回看相关指标与查询记录,定位究竟采用了什么口径、哪些数据对象和时间范围。复核不再只依赖模型生成的自然语言解释,而是可以沿着实际分析记录追查。

同一组经营数据里就存在需要区分的信号:低达成业代的拜访完成率已经超过 100%,活跃门店目标达成率却只有约 10.00%—11.11%。拜访次数足够,并不代表门店覆盖与经营目标已经完成。后续需要检查拜访质量、门店激活、商品铺货等环节。只有同时看清指标定义和筛选范围,才能避免把“多拜访”当成所有业绩问题的答案。

行动下发之后,任务记录、执行反馈和复核数据还要接回同一业务对象。相关案例记录了门店覆盖从 10 家增加到 15 家,并继续跟踪 SKU 铺货与陈列状态。前后数据可以帮助团队检查整改是否发生、相关指标是否变化,但不能仅凭一次变化就认定结果全部来自 Agent 的建议。业务复盘仍需要核对实际执行和其他影响因素。

本体的作用也会随着业务范围扩大而变化。单一分销场景可以借助固定 Skill 完成分析;当问题延伸到商品评价、订单、库存和需求计划,Agent 需要在不同业务域间检索对象与关系。DecideX 的上下文层维护业务对象、关系、指标和规则,底层依托数据开发、治理及指标管理能力,上层连接 BI、业务 Agent 和实际决策应用;其中的 Agent Runtime 与治理、评估能力承担运行过程管理。

这种跨域需求在仓库履约诊断中十分典型。一家世界 500 强消费品企业出现库存看似充足、订单却无法及时发出的情况,核查既涉及库存指标是否准确,也涉及订单分配、拣货效率和异常处置。相关资产分布于 Databricks、PostgreSQL 和观远 BI 等平台,单看任一系统都难以还原完整履约链路,需要先把订单、库存和作业环节的关系组织起来。另一家头部母婴食品品牌则需要联系天猫、抖音的销售表现、商品评论和售后反馈,再评估这些信号是否应影响后续需求计划;SKU、SPU、店铺和活动日历构成跨业务域分析的连接点。

建设这样的上下文仍有成本。AI 可以辅助本体建模与开发,但前期业务输入、指标核对和数据校验依然耗时。按观远项目经验,范围较明确的垂直场景,一两周可以完成初版,持续调优到可用可能还要三四个月;需求清楚时,开发环节约能提效 50%—60%,算上验证与交付后,整体提效大约在 20%—30%。这组数据是具体项目中的经验估计,不能直接作为通用交付承诺。

从区域业绩异常到具体门店整改,一条经营建议要真正走完,必须有人能核查它的指标口径,找到它关联的业务对象,并确认执行后的变化。业务本体把分散的关系和经验整理成可复用的上下文,证据链则让判断能够被追问、被修正。模型可以加快分析,但企业仍要持续维护数据定义、业务规则和责任流程。当这些基础工作与一线执行接上,下一次经营分析才能承接上一次行动留下的真实反馈。

以上就是本次分享的内容,谢谢大家。

往期推荐


开放语义、Ontology 与元数据:Agent Context 的三重支柱

京东零售让 PRD 自己走到预算决策

Google 决策模型炸场!大模型最贵的一环,开始被替代

Databricks 本体正式上线!一个业务指标,两套前沿 Agent 都栽了

Harness Engineering 的语义底座:本体驱动的 Agent 可控执行

Palantir CEO:AI时代,不做“有”的企业,就等着被掏空

Anthropic刚披露!Claude用750个Agent死磕费马证明最难一关

喜马拉雅把 Harness 铺给 80% 员工

Anthropic刚披露!Claude用750个Agent死磕费马证明最难一关


点个在看你最好看

SPRING HAS ARRIVED

【声明】内容源于网络
0
0
DataFunSummit
DataFun社区旗下账号,专注于分享大数据、人工智能领域行业峰会信息和嘉宾演讲内容,定期提供资料合集下载。
内容 1475
粉丝 0
DataFunSummit 北京鸿润嘉诚企业管理咨询有限公司 DataFun社区旗下账号,专注于分享大数据、人工智能领域行业峰会信息和嘉宾演讲内容,定期提供资料合集下载。
总阅读71.0k
粉丝0
内容1.5k