Article body
正文
引言
BI 系统擅长把数据变成柱状图、折线图和热力图，业务决策者则需要能快速阅读的结论。例如：Q2 销售额同比增长 15%，主要由华东区新品线驱动，但毛利率下降 2 个百分点，需要重点关注。
分析师过去需要逐张查看图表，再手动写报告。这个过程效率低，报告风格因人而异，周报和月报也常因人工整理而延迟。
自然语言生成（Natural Language Generation，NLG）技术让 BI 系统自动把数据洞察写成业务可读的文字报告。 衡石 BI 将 NLG 与指标管理、异常检测和 Agentic BI 整合，形成从数据到文字的自动写作管线。
一、NLG 在 BI 中的价值
1.1 传统报告生产的瓶颈
企业月度经营报告通常要经过四个步骤：
- 分析师从 BI 系统导出图表。
- 逐张查看图表，提取指标涨跌、异常和趋势。
- 把变化写成文字，组织成报告结构。
- 排版、校对并提交。
整个过程可能耗时一到两天，也高度依赖分析师的经验和时间。分析师无法及时处理时，报告也会推迟。
1.2 NLG 解决的三个问题
效率：自动报告将一到两天的工作缩短到分钟级。数据更新后，系统可以重新生成报告。
一致性：同一套生成规则能保持报告风格、结构和指标口径一致，避免不同周期遗漏相同的观察项。
规模：NLG 系统可以同时为多条业务线生成报告，减少重复的人工整理工作。
1.3 NLG 与 ChatBI 的区别
- ChatBI：用户提问，AI 回答，适合交互式的一次性分析。
- NLG 报告：系统主动生成结构化文档，适合周期推送和归档。
两者都可以使用大语言模型，但服务于不同的工作方式。
二、衡石 BI 的 NLG 技术架构
2.1 四层生成管线
衡石 BI 采用结构化的四层管线，而不是把图表直接交给大语言模型自由生成。
第一层：数据洞察提取（Insight Extraction）
系统先用规则和统计方法识别值得写入报告的内容：
- 变化检测：识别每个指标本期相对上期或去年同期的变化幅度和方向。
- 异常标记：标记超出正常范围的指标。
- 排名变化：识别排名上升或下降明显的实体，例如产品线从第五名升至第二名。
- 贡献度分解：把总量变化分解到各维度，例如总增长 100 万元中，华东区贡献 60 万元。
这一层输出结构化的洞察对象列表。每个对象记录指标、变化方向、变化幅度和归因结果。
第二层：叙述规划（Narrative Planning）
系统根据洞察对象规划报告结构：
- 优先级排序：异常和大幅变化排在小幅变化之前。
- 逻辑组织：按销售、财务等业务模块分组。
- 篇幅分配：重要洞察展开说明，次要洞察简要带过。
这一步输出报告大纲。
第三层：文字生成（Text Generation）
系统根据大纲逐段生成文字。Prompt 接收结构化洞察对象，而不是笼统地要求模型写一份报告。
不同洞察类型对应不同的模板策略：
- 变化类：X 本期值为 Y，环比变化 Z%，主要受 A 因素影响。
- 异常类：系统检测到 X 偏离基线 Nσ，建议排查 B 原因。
- 排名类：X 在维度 D 上上升 K 位，目前排名第 M。
第四层：审校与润色（Review and Polish）
系统完成文字生成后执行质量检查：
- 数值一致性：检查文字中的数字是否与数据一致。
- 口径一致性：统一同一指标在全文中的名称。
- 语气适配：高管摘要保持简洁，运营周报保留更多细节。
2.2 模板与生成的混合策略
纯大语言模型生成难以保持结构稳定，也可能遗漏关键信息或写错数字。衡石采用“模板约束 + 大语言模型生成”的混合策略。
结构化部分使用模板：报告开头、指标变化的标准表述和结尾声明由固定模板生成，以保持一致性和准确性。
非结构化部分使用生成模型：变化原因、趋势描述和建议措辞由大语言模型组织，提高可读性和表达灵活度。
约束机制：大语言模型只能使用洞察提取层提供的对象，不得引入对象之外的数字或结论。
2.3 领域知识注入（RAG）
报告需要符合企业的业务语境。衡石通过检索增强生成（RAG）为 NLG 提供上下文：
- 生成行业描述时检索行业知识，例如零售行业的季节性规律。
- 生成建议时检索历史最佳实践，例如毛利率下降时的成本排查路径。
- 生成归因时检索指标血缘，例如毛利率与成本、折扣之间的关系。
RAG 帮助系统结合业务语境解释数据，而不是只复述指标变化。
三、NLG 报告的三种形态
3.1 周期报告
日报、周报和月报可以按计划自动生成并推送：
- 定时触发，例如每月 1 日 8:00。
- 拉取上期数据并提取洞察。
- 按模板生成报告。
- 通过邮件、企业微信或 BI 站内信推送给订阅用户。
数据更新后，系统随之更新报告。某零售客户可以为 200 家门店同时生成门店日报，覆盖销售额、客流、客单价、环比变化和异常提示。
3.2 异常驱动报告
系统也可以在异常发生时生成根因分析报告：
- 异常检测发现指标异常。
- Data Agent 执行根因分析。
- NLG 将分析结果组织成结构化报告。
- 系统把报告推送给相关负责人。
这类报告聚焦异常现象、可能原因和处理建议。
3.3 交互式报告
用户可以围绕报告继续提问。例如，月报指出华东区销售额增长 15%，用户可以追问哪些产品贡献了增长。
系统理解问题后查询相关数据，并生成补充段落。用户由此可以在报告基础上继续探索，而不必重新发起一轮独立分析。
四、NLG 的质量保障
4.1 数值准确性
NLG 报告面临的主要风险，是文字中的数字与底层数据不一致。衡石采用三项保障措施。
强制数值回填：系统直接从数据中提取并填充数字。大语言模型负责组织文字，不负责推算数值。例如，模板中的 {change} 由系统填入真实的环比变化。
生成后校验：系统从成稿中提取所有数字，与原始数据逐一比较。不一致时阻断发布并告警。
置信度标注：缺少充分数据支撑的定性描述会标记为推测。
4.2 风格一致性
不同读者需要不同的报告风格：
- 高管版：用少量段落概括核心结论，并附关键图表。
- 运营版：按模块说明指标变化，并提供钻取路径。
- 技术版：保留数据来源、计算口径和更新时间等元数据。
衡石通过报告模板与读者角色控制风格。同一份数据可以面向不同角色生成不同版本。
4.3 可解释性
用户可以查看报告结论背后的数据和计算过程。例如，点击“华东区贡献了总增长的 60%”，系统可以展开总增长 100 万元、华东区增长 60 万元的计算依据。
五、与 Agentic BI 的协同
5.1 从生成报告到驱动行动
NLG 与 Agentic BI 结合后，系统可以把报告结论接入后续工作：
- Agent 识别报告中的待办项，例如毛利率下降需要关注。
- Agent 创建跟进任务、通知负责人，或在下期报告中追踪进度。
- 系统串联发现问题、生成报告、推动处理和跟踪结果。
5.2 多 Agent 协作写报告
复杂报告可以由多个 Agent 分工完成：
- 数据 Agent提取洞察对象。
- 分析 Agent分析异常原因。
- 写作 Agent把洞察和分析组织成文字。
- 审校 Agent检查数值和指标口径。
分工可以缩小每个 Agent 的职责范围，让报告生成过程更容易控制和核查。
六、常见问题与处理方式
问题 1：模型自由生成导致数字错误
直接把图表和数据交给大语言模型，可能产生原始数据中不存在的数字，或把 15% 写成 51%。
处理方式：使用数值回填机制。模型只组织文字，系统负责填充数字。
问题 2：固定结构淹没重点
报告每次都按同一顺序罗列指标时，重要异常容易被常规描述遮盖。
处理方式：叙述规划层按业务重要性排序，把异常和重大变化放在前面，简写或省略常规波动。
问题 3：技术术语影响业务阅读
报告如果大量使用环比、同比和贡献度分解等术语，部分业务读者可能难以理解。
处理方式：根据读者角色调整表达。高管版使用业务语言，技术细节放入附录。
七、总结
NLG 帮助 BI 把数据图表转换为业务人员可以快速阅读、归档和追问的文字报告。衡石 BI 通过三项设计控制自动写作质量：
- 四层管线：依次完成洞察提取、叙述规划、文字生成和审校润色。
- 模板约束与生成结合：系统回填关键数字，大语言模型负责组织文字。
- 多形态适配：支持周期报告、异常驱动报告和交互式报告。
BI 系统由此可以同时完成数据呈现和业务传达。