在住建部与国资委监管趋严、国务院发布“人工智能+”行动意见的双重背景下，作为中交集团核心单位，中交一公局正全力践行“数字一局”战略愿景，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，加速驱动经营管理向“精细化、智能化”转型。
值此“十五五”开局的关键期，中交一公局长期以来形成的“分散式”式数据管理模式，一定程度制约了工程管理效率提升和决策质量优化。如何建设一套能够打通“数据孤岛”、提升分析决策效率、保障数据质量的统一数据分析服务平台，并实现“Data + AI”智能问数，成为中交一公局亟需破解的核心课题。
分散式管理之痛：数据“看得到”却“用不好”
目前，中交一公局已沉淀数据体量 5.6TB，涵盖 869 张物理表，数据记录 34.25 亿条。但这些数据多分散在不同的业务系统之中，如项目管理、造价管理、物资管理等，独立运行造成“数据孤岛”林立，难以形成连贯的数据链，统一数据分析服务推进困难。这种传统的“分散式”数据管理模式，在数据开发、指标管理、异常归因分析及“Data + AI”的落地方面也造成阻碍：
一、人工 ETL 制约分析决策效率。数据开发高度依赖人工 ETL 和相关工具，由专业数据团队集中开发，通常经历“需求沟通、口径确认、排期开发、测试上线”等多个环节，周期以“天”甚至以“周”为单位。如某个环节出错，还需反复沟通、重复开发，流程无限加长。
二、指标分散建设导致口径不一致。缺乏统一的指标标准与管理机制，工程进度、质量、安全、成本等关键指标由不同系统、不同部门独立定义。同一指标在财务部和生产部中因为算法不同，导致口径不一致，不仅增加了沟通成本，也削弱了数据可信度，极大增加决策风险。
三、分析深度不足，异常溯源困难。现有的报表系统多为结果呈现，对数据异常缺乏深层次的归因分析与溯源能力。当经营数据出现异常时，业务人员往往需要反复人工拆解维度、比对数据，根因定位效率低、准确性不足，难以及时采取补救措施，将风险的影响限制在最小范围内。
四、“Data + AI”落地“幻觉”风险。落地智能问数，主流的 NL2SQL 技术路径难以处理复杂的表关联和业务术语歧义，且模型缺乏对业务上下文的理解，易生成错误关联，常出现同一问题答案不一致的“幻觉”现象，无法保障查数准确率，“Data + AI”在核心经营决策场景中的落地受阻。
上述问题的叠加，使得中交一公局迫切需要构建统一、标准、可信的数据分析服务平台，并在此基础上探索全新技术路径，真正实现“可用、可信、可控”的“Data + AI”落地新范式。
指标立基：基于 Aloudata CAN 打造统一数据分析服务平台
为了破局，中交一公局牵手 Aloudata 大应科技，通过引入 Aloudata CAN 指标平台，构建起统一的数据分析服务平台，实现了从“看数据”到“看指标”的范式转移，解决了开发效率低和口径不一致等问题。
通过该平台，业务人员能够以配置化的方式定义指标，实现指标的业务逻辑与物理底表解耦，从依赖数据团队“写 SQL”转为自主按需分析的“建指标”和拖拽分析看板，将开发周期从“天级”甚至“周级”压缩到“分钟级”。同时，指标一次定义，即可在业务系统、报表、BI、AI 等场景复用，大幅减少重复开发工作。
该平台以“指标资产化”为核心，将经营管理中使用的各类统计口径统一沉淀为标准化、可管理、可复用的指标资产，并支持通过 JDBC、API 等服务模式，将指标资产共享给各个业务系统。业务人员无论在哪个分析场景查看，同一指标口径始终保持 100% 一致，打破系统与部门壁垒，消除“数据扯皮”现象。
在该平台的支持下，中交一公局结合工程管理和经营决策特点，梳理出市场经营、生产运营、投资与财务等核心业务主题，构建起覆盖“战略、策略、执行”的 T1/T2/T3 指标分层体系：
- T1 战略层（核心层）：聚焦企业整体经营成果与发展质量，如新签合同额、营业收入、利润总额、净资产收益率等，用于支撑集团与公司层面战略决策；
- T2 策略层（业务层）：聚焦生产效率、运营能力与风险管控，如生产安全责任事故数、验收合格率及环保数据等，支撑管理层过程监控，赋能日常经营管理；
- T3 执行层（创效层）：细化至投资项目预算管理、资产负债管理、现金流管理等，跟进执行效果。
结合 Aloudata CAN 的指标波动多维分析模块和指标树模块，平台进一步实现了深层次的归因分析和指标血缘能力。当核心指标发生异常波动时，可自动联动相关维度与关联指标，辅助业务人员快速定位影响维度与因子，结合血缘追溯功能，还可让异常数据背后的逻辑一目了然。此外，通过阈值监控与预警机制，平台可在风险早期进行告警通知，帮助业务人员实现从“事后救急”向“事中监控、事前预警”的转变，为管理决策提供了更具前瞻性的支撑。
通过共建统一的数据分析服务平台，中交一公局现已在集团层面形成了稳定、标准、可信的数据底座，为“Data + AI”智能问数的落地奠定了坚实基础。
智能进阶：引入 Aloudata Agent 构建智能数据分析助手
在此基础上，中交一公局通过引入 Aloudata Agent 分析决策智能体，构建智能数据分析助手，以自然语言交互驱动分析决策提效。该助手采用 NL2MQL2SQL 技术路径，以“NoETL 指标语义层 + 多 Agent 协同”架构为支撑，帮助中交一公局顺利走出了大模型“幻觉”困境。
相较于 NL2SQL 技术路径，NL2MQL2SQL 先精准识别业务意图，随后结合语义知识库智能转换为指标查询语言 MQL，再由指标语义引擎生成 100% 准确的 SQL 语句，最终返回查询结果。这个过程意味着大模型是在“指标语义层”进行理解和推理，而非直接操作数据表，从机制上直接避免了错误关联与数据编造问题，从而保障了查询准确率。这也使中交一公局的“Data + AI”智能问数在工程建设行业央国企经营管理场景中率先实现落地的可靠性。
智能数据分析助手由三层架构协同支撑，实现智能交互：
- 基础设施层：集成 DeepSeek、通义千问等大模型，提供强大的算力基础；
- 语义引擎层：构建动态指标语义库，统一定义和管理原子指标、维度、计算规则，并融合企业内部业务术语与“黑话”构建业务知识库，让 AI 真正“听得懂业务”；
- 应用层： 通过规划 Agent、查询 Agent、解读 Agent 的多智能体分工协同，实现“智能问数、口径问答、自动归因、数据解读”等核心功能。
有了智能数据分析助手，业务人员不再需要学习复杂的 SQL 或等待报表开发。通过直接的自然语言提问，如“去年 A 项目新签合同额的波动原因是什么？”，智能助手即可自主拆解问题、调用指标语义层查询、执行归因算法，最后输出包含自然语言结论和可视化图表的归因分析报告，显著提升分析效率。
多场景实践：分析提效、风险可控、成本下降
如今，“指标底座 + 智能助手”的“双引擎”已在法务、市场营销、财务等业务场景试点应用，为中交一公局带来了显著的价值增量：
- 分析提效，决策响应质变：在如“合同签订-财务结算-法律风险评估”联动分析场景，80% 的查数需求由业务人员自主完成，决策周期从原来的 3-5 天缩短至分钟级，响应效率提升 90%，跨部门协作周期缩短 40%；
- 精准可信，告别“幻觉”：通过指标语义层的约束，确保指标口径 100% 一致，智能问数多表关联查询准确率在 92% 以上，且多轮对话准确率达 85%。而在复杂的归因分析中，业务问题定位准确率达 95%，真正实现了数据可信可用；
- 成本下降，资产利用率提升：重复开发和低效 ETL 大幅减少，跨部门沟通成本降低 30%，算力资源成本预计节约 50%，数据资产利用率提升 30%。
通过这一标杆性的实践，中交一公局不仅在技术上实现了“Data + AI”的深度融合，更构建起以数据驱动、以智能辅助决策的新型经营管理模式，为央国企的数字化转型提供了可参考复制的实践样本。该案例近期荣获 2025 年第三届星空奖·数智技术系列榜单“年度技术最佳实践奖”。
未来规划：
关于未来，中交一公局将重点聚焦两大能力建设：
一、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；
二、用户反馈/机器评估反馈驱动的智能体进化。收集、理解和学习业务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。
