从“层层填报”到“智能研判”，央国企经营分析与AI问数场景落地实践

央国企数字化转型已进入全新阶段。过去，信息化建设重点在于业务流程线上化、数据沉淀与报表生成。如今，随着改革深化、数据要素基础制度完善及中央企业“AI+”专项行动推进，管理要求正从“有系统、有报表”迈向“用数据驱动经营、用智能辅助决策”。

这一转变背后：政治牵引下，数据和AI成为服务集团管控、改革考核与经营决策的重要抓手；管理升级要求从经验判断、事后统计转向数据决策与实时洞察；技术演进则推动从传统BI、固定报表向智能问数、自动归因和全链路智能分析升级。最终，集团总部最关切的问题不再是“有没有数据”，而是“数据能否及时反映经营问题、解释原因、支撑管理动作落地”，核心命题聚焦于如何更高效精准地进行经营管控与决策分析。 基于上述核心命题，智能问数与分析在央国企中的价值定位，并非将报表替换为AI对话框或仅解决查数提速，而是围绕经营管理关键场景，将数据指标、业务规则与AI能力深度融合，系统化服务于经营决策、改革考核、提质增效、风险管控和AI转型：

• 经营决策：支持自然语言查询收入、利润、成本、现金流、项目进度、合同履约等指标，返回数据同时提示异常波动与影响因素，形成“看现状、找原因、判风险、定措施”的闭环。
• 改革考核：跟踪年度目标、专项任务和绩效考核指标，为考核督办提供量化支撑。
• 提质增效：替代人工取数、Excel汇总和口径沟通，通过智能问数与自动报告大幅减少重复工作。
• 风险管控：识别亏损项目、成本超支、回款滞后、合同异常等风险信号，支持下钻至责任主体与业务明细。
• AI转型：将大模型与指标体系、数据资产、业务规则深度结合，构建可问、可查、可分析、可预警、可生成报告的应用体系。

针对以上复杂的集团级AI应用场景，袋鼠云AI技术专家·小刀将带来深入的落地解析。本次分享将聚焦央国企集团实际痛点，解析如何基于企业私域数据与统一知识与指标体系，构建智能问答、智能分析、流程辅助、知识管理等典型应用，真正将上述价值闭环落地为可执行的平台能力，全方位支撑集团提升决策效率、协同效率与管理响应能力。

以经营分析典型场景为例，央国企经营问题通常由多因素共同导致，如利润下降可能源于收入下滑或成本上升，也可能来自特定板块、子公司、项目或费用科目。传统模式下，分析人员需逐层拆解收入、成本、板块、项目、合同、费用等，周期长且存在重复分析多、取数链路长、归因难度高、依赖个人经验等问题，严重影响集团快速研判与处置。

因此，引入智能问数、异常识别和归因分析成为必要。集团总部不仅需看报表，更需穿透管理：关注战略目标是否传导至子企业、年度指标进度、重点企业与项目异常、亏损资产与应收账款可控性、改革任务量化跟踪等。这些要求决定传统报表汇总已不适用，需从层层填报、月度汇总、人工分析、事后解释、经验判断，转向数据自动汇聚、实时监控、智能分析、会前预警和数据辅助决策。

实现从“报表汇总”到“智能研判”，不能仅靠几个看板或简单接入大模型，因为经营管理涉及财务、合同、项目、生产、营销等多系统及多级组织，且要求指标口径统一、数据可信、权限可控、过程可追溯。必须同时解决三个核心问题：数据能否汇总、指标口径能否统一、AI结果是否可信可控。

基于此，袋鼠云设计了“数据中台+指标体系+AI分析”的五层架构：

• 数据接入层，汇聚财务、合同、项目等分散数据；
• 数据治理层，建设数据标准、主数据、质量、元数据和权限，保障可信可用；
• 指标资产层，将收入、利润、成本等定义为原子、派生和复合指标，配套维度与口径，这是智能分析的核心基础，若指标不统一，AI回答将口径混乱、不可复现；
• 智能分析层，提供自然语言问数、多维分析、异常识别、归因和报告生成能力；
• 业务应用层，落地经营驾驶舱、领导看板、专题分析、月报、移动端问数等场景。

自然语言问数模块让业务人员像日常提问一样获取数据，例如“今年上半年各二级公司收入”“本月利润同比下降最多的板块”。系统后台依次进行意图识别（查指标、看趋势、排名或异常）、指标匹配（映射至标准指标体系）、时间解析（如“今年上半年”）、维度与条件抽取（如二级公司、业务板块），然后调用指标查询服务返回结果并自动推荐图表，最后解释指标口径。

对央国企而言，AI必须可信可控可审计：数据来源须为已治理的授权数据；指标口径有明确定义和计算逻辑；权限分层控制，防止越权；敏感字段脱敏；过程和结果可追溯，支持查询来源和口径；生成内容支持人工审核修改；所有操作记录审计。AI绝非黑盒，而是建立在治理体系上的可信助手。

为支撑产品落地，构建统一的智能体开发底座AI Works，将模型接入、数据源集成、工作流编排、权限日志和迭代等共性能力沉淀。其核心包括：

• 可视化低代码编排平台，通过拖拽构建AI工作流（如问题识别-指标查询-异常判断-归因-报告生成）；
• 灵活的模型与数据集成，对接多种大模型及内部数据源，适配私有化部署与内网隔离；
• 工作流调度与Agent管理，处理多步骤依赖和状态；
• 可观测性与持续迭代，通过日志、监控和链路追踪实现问题排查与优化。

底座之上可构建智能体编排、知识库管理、数据分析、应用发布等能力。

落地案例与央国企经营分析高度契合，涉及项目多、指标多、管理层级多、风险识别难。系统覆盖经营复盘驾驶舱、项目信息管理、复盘管理、AI智能分析中心、报告管理和安全模块，管理人员可快速查看项目复盘进度和风险，提问如“项目进度”“成本偏差”“风险点”，系统基于历史数据匹配相似项目，生成分析报告和规则建议。价值在于将线下复盘转为线上自动化，快速识别重点项目风险并给出整改建议，同时沉淀组织经验和教训。

在经营分析产品中，用户自然语言提问（如“4月份吞吐量变化”“利润下降最多的二级公司”），系统不直接由大模型生成SQL，而是将大模型与指标平台结合：先进行问题改写和意图识别，再指标召回与匹配（利用口径、同义词、历史问法等），解析时间、维度、筛选条件，然后调用指标平台查询（含权限校验），最后生成解释、图表和分析建议，并可进一步提示下钻或生成报告。

报告生成场景同样高频，例如月度分析、专题报告等。系统基于历史报告和模板学习结构风格，从指标平台自动填充数据、同比环比、排名异常等，按模板生成初稿，支持人工编辑后输出，大幅减少手工编写和格式整理工作量，适用于集团经营月报、改革考核报告、项目复盘报告等。