央国企客户案例统一数据分析服务指标口径管理 NoETL指标平台 AI智能问数

Aloudata × 中交一公局

基于 NoETL 指标平台和 Aloudata Agent 的智能数据分析决策实践

在向“精细化、智能化”经营管理转型的关键期，中交一公局基于 Aloudata CAN 指标平台构建起统一的数据分析服务平台，实现全域指标的标准化定义和管理，确保统计口径 100% 一致，并以 JDBC、API、同步推送等服务模式，实现多场景下的指标资产共享复用。以此为底座，中交一公局通过引入 Aloudata Agent 分析决策智能体，打造了智能数据分析助手，帮助业务人员以自然语言交互的方式，实现灵活、准确、高效、安全地数据探查和分析，为央国企数字化转型树立了实践标杆。

Aloudata x 中交一公局，基于 NoETL 指标平台和 Aloudata Agent 的智能数据分析决策实践

客户背景

为响应国家“人工智能+”行动意见，中交一公局重点开展“信息化管控、智能化生产、数据治理、网络安全保障、数字化基础设施建设”五项任务，加快“精细化、智能化”经营管理转型。但其长期形成的数据“分散式”管理模式，限制了工程管理效率提升和决策质量优化，亟需建设统一的数据分析服务平台，并借助“Data + AI”技术，打造高效高质决策中心，提高决策效率，降低沟通成本。

痛点挑战

人工 ETL 影响决策效率

数据开发依赖传统的 ETL 工具和专家团队，排期长、反复沟通、重复开发，无法支持实时分析决策。

指标分散建设带来口径管理挑战

工程质量、进度、成本等关键指标分散建设，缺乏统一标准化管理，导致不同部门间数据口径存在歧义。

深层分析和溯源能力不足

与业务缺乏深度融合，项目整体分析层次较浅，出现数据异常难以开展血缘追溯，根因定位困难。

“Data + AI”落地“幻觉”

主流 NL2SQL 技术路径无法处理多表关联、业务术语歧义难题，易生成错误关联，“数据幻觉”严重。

人工 ETL 影响决策效率

•

数据开发依赖传统的 ETL 工具和专家团队，排期长、反复沟通、重复开发，无法支持实时分析决策。

指标分散建设带来口径管理挑战

•

工程质量、进度、成本等关键指标分散建设，缺乏统一标准化管理，导致不同部门间数据口径存在歧义。

深层分析和溯源能力不足

•

与业务缺乏深度融合，项目整体分析层次较浅，出现数据异常难以开展血缘追溯，根因定位困难。

“Data + AI”落地“幻觉”

•

主流 NL2SQL 技术路径无法处理多表关联、业务术语歧义难题，易生成错误关联，“数据幻觉”严重。

解决方案

基于 Aloudata CAN 指标平台，中交一公局构建起统一的数据分析服务平台，以配置化指标定义、自动化指标开发、标准化口径管理、开放化指标服务、明细级归因分析等能力，实现指标资产沉淀、研发流程简化和多场景业务决策赋能。以此为底座，中交一公局将“NoETL 指标语义层 + 多 Agent 协同”架构作为支撑，采用 NL2MQL2SQL 技术路径，构建了智能数据分析助手。

* 智能数据分析助手架构

三层架构体系支撑：

•

基础设施层：基于蓝翼平台集成 DeepSeek、通义千问等大模型，提供算力支撑；

•

语义引擎层：构建动态指标语义库，定义原子指标、维度、计算规则等，实现业务语言与物理表的解耦，并结合企业术语黑话构建业务知识库；

•

应用层：通过多 Agent 协同实现“智能问数、智能归因、数据解读和智能口径问答”四大功能，最终赋能市场营销、法律、财务等业务场景。

三大核心能力保障：

•

NoETL 指标语义层：支持明细数据语义沉淀，统一业务口径，支持海量数据多级物化加速与智能路由改写，支持灵活组装任意指标和维度，支持系统化动态生成 SQL 和查询 API 鉴权。

•

多 Agent 协同：包含规划 Agent，拆解复杂问题；查询 Agent，调用指标语义层生成 MQL，将 MQL 转化为 SQL 语句；解读 Agent，结合归因算法输出自然语言结论。

•

智能归因引擎：支持基于维度和指标查询行为，自动挖掘关键根因维度；支持基于指标构建血缘和查询行为，自动挖掘关联因子指标；支持关键指标数据阈值设定，如发现异常，自动定位根因。

客户收益

分析提效，决策响应提升 90%

•

业务无需依赖 IT，自助完成 80% 查数需求，决策周期从 3-5 天缩短至分钟级；

•

市场、财务、法务等业务线跨部门协作加速，业务闭环周期缩短 40%。

数据质量有保障，可信可用

•

指标口径 100% 一致，消除业务歧义，保障数据可信可用；

•

业务问题定位准确率提升至 95%，问题处理效率提升 50%。

避免“幻觉”，问数准确性超 90%

•

多表关联查询准确率从 65% 提升至 92%，减少分析偏差；

•

多轮对话准确率提升至 85%，解决了传统 AI 助手“对话遗忘”问题。

成本降低，数据利用率提升 30%

•

跨部门沟通成本降低 30%，算力资源成本预计节约 50%；

•

使用场景从固定报表扩展至动态需求，数据资产利用率提升 30%。

分析提效，决策响应提升 90%

•

业务无需依赖 IT，自助完成 80% 查数需求，决策周期从 3-5 天缩短至分钟级；

•

市场、财务、法务等业务线跨部门协作加速，业务闭环周期缩短 40%。

数据质量有保障，可信可用

•

指标口径 100% 一致，消除业务歧义，保障数据可信可用；

•

业务问题定位准确率提升至 95%，问题处理效率提升 50%。

避免“幻觉”，问数准确性超 90%

•

多表关联查询准确率从 65% 提升至 92%，减少分析偏差；

•

多轮对话准确率提升至 85%，解决了传统 AI 助手“对话遗忘”问题。

成本降低，数据利用率提升 30%

•

跨部门沟通成本降低 30%，算力资源成本预计节约 50%；

•

使用场景从固定报表扩展至动态需求，数据资产利用率提升 30%。

* 以上数据来自试点场景验证

未来规划

深度分析报告生成

依据集团数据和指标/维度语义信息、历史分析思路、行业术语等非结构化知识，让大模型更懂业务，自动化生成更具洞察力、内容更丰富的深度分析报告。

用户反馈/机器评估反馈驱动的智能体进化

收集、理解和学习用户使用过程中的直接反馈，以及大模型对生成结果的评估学习，实现更精准的需求理解、分析流程优化和结果呈现的智能体改进。

深度分析报告生成

•

用户反馈/机器评估反馈驱动的智能体进化

•

收集、理解和学习用户使用过程中的直接反馈，以及大模型对生成结果的评估学习，实现更精准的需求理解、分析流程优化和结果呈现的智能体改进。

即刻开启可信智能之旅

我们的行业专家会第一时间联系您，帮助您了解更多

立即咨询

电话0571-85106688

邮箱marketing@aloudata.com

简历hr@aloudata.com

微信公众号