引言BI 系统最擅长的是「画图」——把数据变成柱状图、折线图、热力图。但业务决策靠的是「读文字」——管理层不会盯着图表看半小时他们需要一段结论「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 2pp 需关注。」这个从图表到文字的转化过去靠人——分析师看完图手动写报告。效率低、不一致不同分析师写的报告风格不同、延迟高周报往往周五才能出。自然语言生成Natural Language GenerationNLG技术让 BI 系统能自动把数据洞察写成业务可读的文字报告。衡石 BI 在最新版本中将 NLG 能力与指标管理、异常检测、Agentic BI 深度整合构建了从「数据」到「文字」的自动写作管线。本文将深入解析这套技术。一、NLG 在 BI 中的价值定位1.1 传统报告生产的瓶颈一个典型的企业月度经营报告生产流程分析师从 BI 系统导出 20 张图表逐张看图提取关键变化哪些指标涨了、哪些跌了、异常在哪把变化写成文字组织成报告结构排版、校对、提交这个过程耗时 1-2 天且高度依赖分析师的个人能力和时间。如果分析师请假报告就_DELAY。1.2 NLG 解决的三个问题问题一效率。自动报告把 1-2 天缩短到分钟级。数据更新后报告自动重新生成。问题二一致性。同一套生成规则每次报告的风格、结构、口径完全一致。不会出现「这次重点写了 A下次忘了写 A」。问题三可规模化。一个分析师最多管 5 条业务线NLG 系统可以同时生成 50 条业务线的报告零边际成本。1.3 NLG 与 ChatBI 的区别容易混淆但定位不同ChatBI用户问、AI 答是交互式的、一次性的NLG 报告系统主动生成、结构化的、可归档的文档ChatBI 是「对话」NLG 报告是「写作」。两者底层都依赖 LLM但应用场景不同。二、衡石 BI 的 NLG 技术架构2.1 四层生成管线衡石 BI 的 NLG 不是「把图表丢给 LLM 让它写」而是结构化的四层管线第一层数据洞察提取Insight Extraction在生成文字之前先从数据中提取「有什么值得说的」。这一步不依赖 LLM而是用规则 统计方法变化检测识别每个指标本期 vs 上期/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复用前文异常检测能力排名变化识别排名上升/下降显著的实体如「产品线 C 从第 5 升到第 2」贡献度分解对于总量变化分解各维度的贡献如「总增长 100 万中华东区贡献 60 万」这一层产出结构化的「洞察对象列表」——每个对象包含「什么指标、怎么变化、变化多少、为什么变归因」。第二层叙述规划Narrative Planning基于洞察对象规划报告的叙述结构优先级排序哪些洞察重要异常 大幅变化 小幅变化优先写逻辑组织按业务模块分组销售模块的变化放一起财务模块的变化放一起篇幅分配重要洞察多写次要洞察一句带过输出「叙述大纲」——类似写作的提纲。第三层文字生成Text Generation基于叙述大纲逐段生成文字。这一层使用 LLM但 Prompt 不是「请写一份报告」而是「请基于以下结构化洞察对象生成一段描述性文字」。每个洞察对象有对应的模板策略变化类「X 本期值 Y环比 Z%↑/↓主要由于 A 因素驱动」异常类「检测到 X 异常偏离基线 Nσ建议排查 B 原因」排名类「X 在维度 D 上排名上升 K 位当前第 M」第四层审校与润色Review Polish生成文字后做质量检查数值一致性文字中写的数字是否与数据一致防 LLM 幻觉口径一致性同一指标在全文中称呼一致不出现「销售额」和「营收」混用语气适配根据报告类型调整语气高管摘要→简洁有力运营周报→详细具体2.2 模板与生成的混合策略纯 LLM 生成的问题是不可控——每次生成的报告结构不同、可能遗漏关键信息、数字可能错。衡石采用「模板约束 LLM 生成」的混合策略结构化部分用模板报告的开头「本报告涵盖 X 月经营数据」、指标变化的标准表述「环比 X%」、结尾的免责声明——这些用固定模板确保一致性和准确性。非结构化部分用生成对变化原因的解释、对趋势的定性描述、对建议的措辞——这些用 LLM 生成提供灵活性和可读性。约束机制LLM 生成时强制「只能基于第一层提取的洞察对象写不得引入洞察对象以外的数字或结论」。这从源头杜绝了幻觉。2.3 领域知识注入RAG生成的文字要符合企业语境不能泛泛而谈。衡石复用前文所述的 RAG 能力在生成行业特定的描述时检索行业知识库如「零售行业 Q2 通常是淡季」在生成建议时检索历史最佳实践如「毛利率下降时通常建议优化供应链成本」在生成归因时检索指标血缘关系如「毛利率下降可能由成本上升或折扣加大导致」RAG 让 NLG 报告不只是「描述数据」而是「结合业务语境解读数据」。三、NLG 报告的三种形态3.1 形态一周期报告定时自动生成最典型的形态——日报、周报、月报自动生成并推送。流程定时触发如每月 1 号 8:00拉取上期数据执行洞察提取按模板生成报告推送至订阅用户邮件、企业微信、BI 站内信特点完全无人参与。数据更新即报告更新。案例某零售客户的 200 家门店每家门店每天自动生成一份「门店日报」——含当日销售额、客流、客单价、环比变化、异常提示。200 份报告同时生成零人工成本。3.2 形态二异常驱动报告事件触发不是定时生成而是异常发生时自动生成根因分析报告。流程异常检测发现某指标异常触发 Data Agent 做根因分析复用 ReAct 推理将分析结果用 NLG 写成结构化报告推送至相关负责人特点报告内容是「诊断书」而非「流水账」——聚焦异常是什么、为什么、怎么办。3.3 形态三交互式报告对话增强用户与报告对话动态生成补充内容。场景用户收到月报看到「华东区销售额增长 15%」追问「主要是哪些产品驱动的」流程用户在报告界面输入追问系统理解追问意图查询相关数据生成补充段落插入原报告特点报告是活的——用户可以在此基础上继续探索而非看完就结束。四、NLG 的质量保障4.1 数值准确性NLG 报告最大的风险是「文字说的数字和数据对不上」——这是 LLM 幻觉在报告场景的具体表现。衡石的保障措施强制数值回填报告中所有数字由系统从数据中直接提取并填充LLM 不负责「推算」数字只负责「组织文字描述」。如模板为「环比 {change}%」{change} 是系统填入的真实值LLM 只写前后文。生成后校验报告生成后系统用正则提取所有数字与原始数据逐一比对。任何不一致阻断发布并告警。置信度标注对于 LLM 生成的定性描述如「增长趋势稳健」如果缺乏数据支撑标注「推测」字样。4.2 风格一致性不同读者需要不同风格的报告高管版精简——3 段话讲清核心结论附关键图表。省略细节。运营版详细——分模块详述每个指标变化附钻取路径。技术版含数据来源、计算口径、更新时间等元数据便于核查。衡石通过「报告模板 读者角色」实现风格控制。同一份数据不同角色看到不同风格的报告。4.3 可解释性NLG 报告不是黑盒——用户点击报告中的任意结论可以看到支撑该结论的数据和计算过程。如点击「华东区贡献了总增长的 60%」展开看到总增长 100 万华东区增长 60 万占比 60%。这种透明性让用户信任报告结论。五、与 Agentic BI 的协同5.1 从「生成报告」到「驱动行动」NLG 报告 Agentic BI 的结合超越了「写报告」报告生成后Agent 自动识别报告中的「待办项」如「毛利率下降需关注」Agent 触发后续行动创建跟进任务、通知责任人对接、或在下期报告中跟踪该事项进展形成「发现问题 → 生成报告 → 驱动行动 → 跟踪闭环」的完整链路5.2 多 Agent 协作写报告复杂报告可由多个 Agent 分工协作数据 Agent负责提取洞察对象分析 Agent负责对异常做根因分析写作 Agent负责把洞察和分析组织成文字审校 Agent负责数值一致性和口径检查这种多 Agent 写作模式比单一 LLM 端到端生成质量更高、可控性更强。六、常见坑与避坑坑 1LLM 自由发挥导致数字错误直接把图表和数据丢给 LLM让它「写一份报告」。结果 LLM 编造了图表里没有的数字或者把 15% 写成 51%。避坑衡石的「数值回填」机制——LLM 只写文字框架数字由系统填充。从根本上杜绝数字幻觉。坑 2报告千篇一律缺乏重点每次报告都按固定结构写重要的异常被淹没在常规描述中。避坑叙述规划层按业务重要性动态排序——异常和重大变化永远放在最前面常规波动简写或省略。坑 3技术术语堆砌业务看不懂报告用了大量 BI 术语「环比」「同比」「贡献度分解」业务领导读不懂。避坑风格控制——高管版报告用业务语言「比上个月多了 15%」而非「环比 15%」技术细节放附录。七、总结NLG 不是 BI 的炫技功能而是数据分析价值闭环的关键一环。图表让「懂数据的人」看懂文字报告让「做决策的人」看懂。当 BI 系统能自动把数据写成业务可读的报告分析价值的传播效率提升了一个数量级。衡石 BI 的 NLG 技术三个核心设计四层管线洞察提取 → 叙述规划 → 文字生成 → 审校润色结构化而非黑盒模板约束 生成关键数字用系统回填LLM 只组织文字从根源防幻觉多形态适配周期报告、异常驱动报告、交互式报告覆盖不同场景当 BI 系统不仅会「画图」还会「写报告」数据分析才真正完成了从「呈现」到「传达」的最后一公里。
