大促拼的是反应速度，反应速度受取数速度影响。这是电商运营在流量转化和商品分析上常见的瓶颈之一。想对比同一时段两个渠道的表现，运营要分别从后台导出表格，手工对齐时间和口径再拼起来。

口径统一

同一家公司里，转化率可能指支付转化率，也可能指下单转化率；客单价可能按成交金额算，也可能按实付金额算，退款算不算进去各系统不一。

企业处理这个问题的老办法是数据字典。建表时给每个字段写注释，说明这个字段从哪张表来、单位是什么、统计范围包含什么，颗粒度在字段这一层。到了分析层需要的是业务口径表，回答这个指标怎么算，包含分子分母的取数范围、去重规则、时间边界。把字段注释和业务口径映射起来，形成的就是数据地图。它的作用是让一个查询请求能自动落到正确的表和正确的计算方式上。

取数

关系型数据库把 SQL 作为查询语言，几十年来它一直是数据查询领域的主流标准之一，表达力强也足够灵活，代价是需要专门训练才会写。企业因此把 SQL 集中在数据团队手里，业务方提需求，数据团队写查询，跑出结果再回传。这条链路下，业务方拿到数据的速度可能受到数据团队人力的制约，临时性问题可能需要排队处理。

BI 工具缓解了固定报表的部分。它把常用查询固化成拖拽操作，业务方自己点选维度和指标就能出数，前提是数据模型提前建好。对于临时出现的维度组合，可能仍需要数据团队的支持。NL2SQL 出现在这个位置上，它的任务是把一句自然语言翻译成可执行的查询语句，让不会写 SQL 的人直接提问。这一步恰恰依赖上一节的数据地图，模型拿到字段注释和业务口径才能生成正确查询。

图表类型

取数之后是呈现，图表类型的选择主要对应的是数据结构，审美因素相对次要。折线图常用于表示随时间变化的量，横轴是时间，纵轴是指标。柱状图常用于比较同一时间点上不同类别的量，渠道之间的转化率对比、品类之间的销售额对比都属于这一类，看的是高低和排序。饼图表示部分在整体中的占比，品类销售占比、流量来源占比是典型用法，局限在于类别超过五六个之后扇区难以分辨，切得太细的占比改回柱状图更清楚。

自动匹配的意义在于省掉一次选择。运营不需要先想清楚自己要什么图再开口，也不需要在拿到表格后再手工做一次转换。

多轮追问

单次取数解决不了定位问题。支持上下文的对话把上一轮的查询条件当作下一轮的前提，渠道、时间范围、指标口径顺着对话继承下去，运营每轮只补充新的维度，不用重复陈述条件。下钻的终点通常落在商品颗粒度上，因为调整投放和调整货品是两个不同的动作，定位到具体商品，有助于明确下一步的行动方向。

关于小艾智能体

小艾智能体可将上述环节整合在一套系统中。文档和业务库接入后，系统可建立字段注释与业务口径的映射关系，构建企业自己的数据地图；运营用自然语言提问，系统可生成查询并返回结果；时间维度的查询可输出折线图，渠道对比可输出柱状图，品类占比可输出饼图；追问时可沿用上一轮条件，从渠道逐步下钻到商品；结果可支持导出成 Excel 交给团队继续加工。系统可基于 FastAPI 和 LangGraph 构建工作流引擎，可支持私有化部署，交易数据和用户数据可在客户自己的服务器上完成处理。