作者：京東物流 朱飛

一、背景·問題

1、職能人員（運(yùn)營(yíng)管理人員）日常工作所涉及的知識(shí)信息包括業(yè)務(wù)最新SOP、發(fā)文、操作手冊(cè)等，獲取渠道較分散，很多都依靠線下傳遞（發(fā)郵件、咚咚分享等），目前運(yùn)力業(yè)務(wù)各種Sop、操作手冊(cè)等文檔上千個(gè)，累計(jì)文字過百萬，缺乏統(tǒng)一查詢?nèi)肟冢枰ㄙM(fèi)較高的時(shí)間成本去獲取，耗時(shí)且體驗(yàn)較差

2、一線作業(yè)人員遇到常見系統(tǒng)問題時(shí)主要咨詢值班小秘和對(duì)接的系統(tǒng)人員，很多共性問題需要重復(fù)多次解答，面對(duì)一線不同用戶的高頻問題需要重復(fù)溝通，咨詢量較大的時(shí)候無法及時(shí)響應(yīng)并且溝通成本高

3、各級(jí)管理者核心關(guān)注的報(bào)表數(shù)據(jù)缺少統(tǒng)一的查詢工具入口，目前有通過工作臺(tái)查看的，有通過EasyBi報(bào)表查看的，有通過Udata報(bào)表查詢的等，數(shù)據(jù)查看存在難度，并且指標(biāo)體系數(shù)量比較大，部分指標(biāo)是通用型的指標(biāo)數(shù)據(jù)，查詢鏈路長(zhǎng)，不能快速的、直接的定位到所關(guān)心的結(jié)果，并且指標(biāo)體系需要用戶主動(dòng)查看才能看到相關(guān)問題，缺少核心數(shù)據(jù)指標(biāo)惡化的主動(dòng)推送

4、從協(xié)作層面來說，針對(duì)一些臨時(shí)性的信息，缺少統(tǒng)一的對(duì)外通知渠道，不能及時(shí)通知相關(guān)人員，造成問題的持續(xù)發(fā)酵和影響（例如當(dāng)我們發(fā)現(xiàn)一個(gè)異常正在進(jìn)行處理的時(shí)候，區(qū)域反復(fù)找過來咨詢），比如上線公告、調(diào)研問卷等主動(dòng)和一線交互的內(nèi)容沒有統(tǒng)一的出口

5、從體驗(yàn)層面來說，現(xiàn)在運(yùn)力相關(guān)資料獲取、數(shù)據(jù)查詢等操作大部分是PC端執(zhí)行，缺少便攜的移動(dòng)端功能，一線人員不在電腦前時(shí)信息查詢不方便

二、措施·目標(biāo)

基于大模型搭建運(yùn)力智能機(jī)器人“運(yùn)力小智”，定位是一個(gè)集知識(shí)問答、數(shù)據(jù)分析功能于一體的便攜式知識(shí)百科信息問答平臺(tái)。它以運(yùn)力平臺(tái)日常工作所涉及的內(nèi)容為核心，涵蓋了業(yè)務(wù)SOP、常見系統(tǒng)問題、操作手冊(cè)、實(shí)時(shí)類信息查詢（天氣、安全）、報(bào)表查詢、數(shù)據(jù)分析等多項(xiàng)內(nèi)容，致力于幫助運(yùn)力用戶（內(nèi)部運(yùn)營(yíng)崗位、承運(yùn)商、司機(jī)）更便捷、高效的獲取有效信息，并通過大模型能力持續(xù)賦能，為用戶提供個(gè)性化的推薦和良好的用戶體驗(yàn)，減少用戶獲取知識(shí)的成本以及減少異常等問題的管理難度。

從使用頻次、大模型賦能的技術(shù)特點(diǎn)，針對(duì)一線人員和管理人員的痛點(diǎn)，并調(diào)研其他事業(yè)部等情況，結(jié)合運(yùn)力自身業(yè)務(wù)特點(diǎn)綜合考慮，運(yùn)力機(jī)器人功能建設(shè)應(yīng)用在以下兩個(gè)方向推進(jìn)：

?智能問答：通過用戶和機(jī)器人的對(duì)話（包括單輪對(duì)話和上下文多輪對(duì)話），為用戶解答運(yùn)力日常工作中常見問題以及快速便捷進(jìn)行數(shù)據(jù)信息查詢，減少用戶獲取知識(shí)路徑困難和響應(yīng)不及時(shí)，釋放用戶問題依賴技術(shù)人工支持等問題。

? 智能主動(dòng)預(yù)警：除了支持個(gè)人用戶以及群聊用戶主動(dòng)搜索進(jìn)行對(duì)話以外，還支持面向m端/pc端指定用戶、特定群組，主動(dòng)發(fā)送單聊消息、語(yǔ)音信息（例如定時(shí)或固定周期發(fā)送報(bào)告、識(shí)別到的異常信息等）進(jìn)行提示預(yù)警，讓問題主動(dòng)、及時(shí)的觸達(dá)主責(zé)用戶。

與其他事業(yè)部智能機(jī)器人相比，一方面，通過內(nèi)、外部的途徑建立運(yùn)力垂直領(lǐng)域豐富的知識(shí)、數(shù)據(jù)信息庫(kù)，另外一方面，集成智能問答和數(shù)據(jù)分析為一體，統(tǒng)一入口，豐富機(jī)器人能力，減少用戶查詢成本

?

運(yùn)力小智一共進(jìn)行兩個(gè)大版本的上線，升級(jí)內(nèi)容如下

三、實(shí)現(xiàn)細(xì)節(jié)

1、知識(shí)問答

知識(shí)問答部分借助開源框架langchain和集團(tuán)提供的大模型功能接口，實(shí)現(xiàn)了RAG問答機(jī)器人。這部分主要包括知識(shí)庫(kù)的建立和知識(shí)問答兩個(gè)部分。

下面是技術(shù)細(xì)節(jié)，并對(duì)其中的重要技術(shù)給出示例說明。

1、知識(shí)庫(kù)的構(gòu)建

知識(shí)庫(kù)的構(gòu)建實(shí)際上包括兩個(gè)主要部分：知識(shí)的生成和知識(shí)庫(kù)的存儲(chǔ)。知識(shí)庫(kù)的質(zhì)量是問答系統(tǒng)效果的基礎(chǔ)因素。在本項(xiàng)目中，根據(jù)具體需求分別建立了問答（QA）知識(shí)庫(kù)和文檔知識(shí)庫(kù)。

傳統(tǒng)的運(yùn)力機(jī)器人已經(jīng)積累了大量的QA對(duì)，基于這些現(xiàn)有數(shù)據(jù)構(gòu)建QA知識(shí)庫(kù)，依然采用QA對(duì)的形式。此外，QA知識(shí)庫(kù)的數(shù)據(jù)來源還包括兩個(gè)方面：一是利用大模型從文檔中抽取相關(guān)信息，二是通過分析機(jī)器人的問答日志并結(jié)合人工標(biāo)注進(jìn)行收集。QA類的知識(shí)在問答環(huán)節(jié)具有更高的準(zhǔn)確性。與QA對(duì)相比，文檔知識(shí)庫(kù)主要包含各種類型的文檔，格式包括PDF、DOCX和PPTX等。從問答質(zhì)量的角度來看，文檔知識(shí)庫(kù)的質(zhì)量可能不如QA知識(shí)庫(kù)，但其數(shù)量龐大，且人工運(yùn)營(yíng)成本更低。文檔知識(shí)庫(kù)不需要將內(nèi)容整理成QA對(duì)，只需將文檔轉(zhuǎn)換為文本格式并進(jìn)行存儲(chǔ)。通過這兩種知識(shí)庫(kù)的建立，可以在保證問答系統(tǒng)質(zhì)量的同時(shí)，大幅降低人工運(yùn)營(yíng)成本，提高系統(tǒng)的整體效率和實(shí)用性。

兩種知識(shí)庫(kù)建立之后，為了下游的（相似度）算法使用，均需要將待檢索/待召回文本轉(zhuǎn)為向量，存儲(chǔ)在向量數(shù)據(jù)庫(kù)中，此項(xiàng)目中選擇的是京東的Vearch庫(kù)。

在文檔轉(zhuǎn)純文本這個(gè)步驟中，對(duì)文檔中內(nèi)容的解析質(zhì)量是至關(guān)重要的，包括對(duì)文檔中表格內(nèi)容的解析。此項(xiàng)目基于開源PDF解析框架進(jìn)行了二次開發(fā)，解析了PDF中的章節(jié)信息，并將PDF中的表格內(nèi)容進(jìn)行了結(jié)構(gòu)化抽取和處理，最終提升了下游生產(chǎn)出的知識(shí)質(zhì)量。PDF的解析結(jié)果和PDF中的表格解析示例如下。

如下：PDF的解析后的結(jié)構(gòu)化結(jié)果，保留了頁(yè)眉、頁(yè)腳、章節(jié)信息等。正文內(nèi)容被保存到了多個(gè)文本塊中，每個(gè)文本塊中記錄了當(dāng)前文本塊的內(nèi)容、類型(text/table)、段落id、句子id、章節(jié)id等

{    
    "metadata": {                  # 文檔級(jí)元信息
        "footers": [],             # 頁(yè)腳
        "headers": [],             # 頁(yè)眉
        "catalogs": []             # 目錄
    },
    "chapters": {                  # 章節(jié)信息
        "1": "[CHAPTER_ROOT]",
        "1.1": "第一條 xxx",
        "1.2": "第二條 xxxx",
        "1.3": "第三條 xxxx"
    },
    "context": [                   # 內(nèi)容信息
        {                          # 文本塊
            "text": "JDLxxxx規(guī)定",
            "type": "text",
            "pid": 1,
            "sid": 1,
            "metadata": {
                "section_range": []
            },
            "cid": "1"
        },
        ......
    ]
}

如下記錄了PDF解析結(jié)果中的一個(gè)表格類文本塊的示例。其中包含了每個(gè)cell的位置和內(nèi)容，位置信息通過cell的四個(gè)坐標(biāo)來定位。這樣的結(jié)構(gòu)可以在下游處理成想要的格式，如markdown、json等。并且可以標(biāo)識(shí)其中單元格的合并情況。

{
    "text": [
        [[0, 0, 1, 1], "名稱"],
        [[0, 1, 1, 2], "尺寸"],
        [[0, 2, 1, 3], "三層加強(qiáng)材質(zhì)"],
        [[0, 3, 1, 4], "售價(jià)"],
        [[0, 4, 1, 5], "三層特硬材質(zhì)"],
        [[0, 5, 1, 6], "售價(jià)"],
        [[0, 6, 1, 7], "五層材質(zhì)"],
        [[0, 7, 1, 8], "售價(jià)"],
        [[0, 8, 2, 9], "單卷紙生產(chǎn)量"],
        [[1, 0, 2, 1], "1號(hào)紙箱"],
        [[1, 1, 2, 2], "530*290*370"],
        [[1, 2, 2, 3], "130/140C/130"],
        [[1, 3, 2, 4], ""],
        [[1, 4, 2, 5], "160/160C/160"],
        [[1, 5, 2, 6], "3.50"],
        [[1, 6, 2, 7], "140/110B/90/110C/140"],
        [[1, 7, 2, 8], "3.89"],
        ......
    ],
    "type": "table",
    "pid": 89,
    "sid": 111,
    "metadata": {"section_range": []},
    "cid": "1.8",
}

2、問答結(jié)果召回

基于RAG的知識(shí)問答流程是比較固定的：根據(jù)問題召回知識(shí)，將問題、知識(shí)、問答歷史等內(nèi)容拼接為大模型prompt，使用大模型進(jìn)行回答。此項(xiàng)目中，我們額外添加了問題重新生成環(huán)節(jié)：根據(jù)問答歷史對(duì)本輪問題進(jìn)行重新生成，使重新生成的問題在知識(shí)相似度召回時(shí)具有更好的效果。這部分使用langchain的精簡(jiǎn)問題鏈實(shí)現(xiàn)，一段示例代碼如下。

from langchain import PromptTemplate
from langchain.chains import LLMChain
from langchain.chat_models import ChatOpenAI


def get_condense_question_chain(self):
    """精簡(jiǎn)問題鏈"""
    CONDENSE_QUESTION_PROMPT = PromptTemplate.from_template(
        """給定歷史對(duì)話和一個(gè)后續(xù)問題，將后續(xù)問題改寫為一個(gè)標(biāo)準(zhǔn)問題，用其原始語(yǔ)言，確保避免使用任何不清晰的代詞。
歷史對(duì)話:
{chat_history}
后續(xù)輸入: {question}
標(biāo)準(zhǔn)問題:"""
    )
    condense_question_chain = LLMChain(
        llm=ChatOpenAI(
            model="",
            temperature="",
            openai_api_key="",
            openai_api_base="",
        ),
        prompt=CONDENSE_QUESTION_PROMPT,
    )
    return condense_question_chain

2、數(shù)據(jù)分析

1、NoETL 衍生邏輯模型資產(chǎn)

在數(shù)據(jù)集市生產(chǎn)過程中，由于生產(chǎn)邏輯的多變和不確定性，導(dǎo)致指標(biāo)在不同時(shí)間粒度和下鉆維度組合的情況下，統(tǒng)計(jì)邏輯有一定共性但難以完全復(fù)用。為了平衡邏輯模型的標(biāo)準(zhǔn)化與字段治理效率，定義了一套基于指標(biāo)技術(shù)元數(shù)據(jù)衍生模型資產(chǎn)的編織規(guī)范。在無需額外的人力干預(yù)和物理資源投入的前提下，實(shí)現(xiàn)自動(dòng)化生成覆蓋任意時(shí)間粒度和業(yè)務(wù)維度的邏輯模型。

模型元數(shù)據(jù)：

{
    "uid": "742250d1dd9f457aa",
    "name": "離線_低裝載線路占比_日_3",
    "nodes": [
        {
            "id": "98579cdb14b44423ace0",
            "data": {
                "viewUid": "e246257e141e4fe78",
                "viewSql": "SELECT dt, trans_type_new_name AS trans_type_name , -- 線路類型 transport_org_name, -- 區(qū)域 business_type_name, -- 業(yè)務(wù)類型 team_name, -- 車隊(duì) changtu_group, --長(zhǎng)途組 low_loading_plink_cnt, plink_cnt FROM bdp_app.app_dis_tsc_product_low_loading_new_sum_d WHERE date_type = 1 AND begin_node_name = '全部' AND add1 = '全部' AND add2 = '全部' AND tail_type = '全部' AND plink = '全部' AND trans_type_old_name = '全部' UNION ALL SELECT dt, trans_type_name, transport_org_name, business_type_name, team_name, changtu_group, low_loading_plink_cnt, plink_cnt FROM bdp_app.app_dis_tsc_product_chuanbai_low_loading_rate_sum_d WHERE date_type = 1"
            },
            "type": "fact"
        }
    ],
    "where": "trans_type_name  '全部' AND transport_org_name  '全部' AND business_type_name  '全部' AND team_name = '全部' AND changtu_group = '全部'",
    "measures": [
        {
            "id": 99,
            "names": [
                "低裝載線路占比"
            ],
            "sql": "SUM(low_loading_plink_cnt)/SUM(plink_cnt)",
            "type": "float",
            "format": "percentage",
            "sort": 1
        }
    ],
    "dimensions": [
        {
            "id": 1,
            "names": [
                "區(qū)域"
            ],
            "field": "transport_org_name",
            "type": "str",
            "format": "text",
            "description": "區(qū)域"
        },
        {
            "id": 5,
            "names": [
                "線路類型"
            ],
            "field": "trans_type_name",
            "type": "str",
            "format": "text",
            "description": "線路類型"
        },
        {
            "id": 12,
            "names": [
                "業(yè)務(wù)類型"
            ],
            "field": "business_type_name",
            "type": "str",
            "format": "text",
            "description": "業(yè)務(wù)類型"
        }
    ],
    "timeSeries": [
        {
            "id": 1,
            "names": [
                "日",
                "日期",
                "天"
            ],
            "field": "dt",
            "type": "yyyy-mm-dd",
            "format": "date"

        }
    ]
    "operator": "liuyanchen9",
    "updatedAt": 1714112126
}

?

2、基于模型元數(shù)據(jù)萃取統(tǒng)一語(yǔ)義知識(shí)圖譜

基于邏輯模型元數(shù)據(jù)，創(chuàng)建語(yǔ)義詞典構(gòu)建的調(diào)度任務(wù)，并允許業(yè)務(wù)方添加業(yè)務(wù)方言和語(yǔ)義同義詞，與血緣沿襲關(guān)系共同組成運(yùn)力業(yè)務(wù)域的語(yǔ)義知識(shí)圖譜，目前已積累70余萬實(shí)體。語(yǔ)義詞典用于對(duì)用戶的自然語(yǔ)言問題進(jìn)行切詞分析，將業(yè)務(wù)語(yǔ)言轉(zhuǎn)化為技術(shù)語(yǔ)言。后通過語(yǔ)義血緣關(guān)系，結(jié)合RAG能力，利用時(shí)間、維度、指標(biāo)、分析方法等元數(shù)據(jù)的組合，推理每個(gè)語(yǔ)素在知識(shí)庫(kù)中的坐標(biāo)，并精確匹配到相應(yīng)的邏輯模型，從而實(shí)現(xiàn)自然語(yǔ)言驅(qū)動(dòng)的數(shù)據(jù)查詢和分析的可行性。

血緣推理Agent原子能力：

?指標(biāo)

?維度&標(biāo)簽

?維度值

?邏輯模型

?視圖

?物理表

3、AI增強(qiáng)生成SQL與分析思路

大模型在技術(shù)生產(chǎn)中可以顯著提高效率，盡管幻覺問題理論上無法完全消除，但前述嚴(yán)密優(yōu)質(zhì)的語(yǔ)義知識(shí)體系已能有效控制推理風(fēng)險(xiǎn)。在此基礎(chǔ)上，基于準(zhǔn)確的元素結(jié)合Prompt生成SQL，不僅邏輯精確，而且計(jì)算效率的優(yōu)化表現(xiàn)超越絕大多數(shù)數(shù)據(jù)分析師。同時(shí)，基于準(zhǔn)確的SQL結(jié)果，大模型有助于提供有見地的分析和解讀。

數(shù)據(jù)分析Agent原子能力

?自然語(yǔ)言問詢轉(zhuǎn)OLAP

?指標(biāo)波動(dòng)歸因

?大模型增強(qiáng)分析與解讀

3、功能融合

為提升業(yè)務(wù)的使用體驗(yàn)，確保統(tǒng)一平臺(tái)統(tǒng)一問答入口出口，后臺(tái)將知識(shí)問答與數(shù)據(jù)分析能力進(jìn)行了有機(jī)融合。

用戶query提出后，首先調(diào)用數(shù)據(jù)分析問答接口，若意圖命中輸出數(shù)據(jù)類結(jié)果，若未命中數(shù)據(jù)意圖，則再次請(qǐng)求知識(shí)問答接口，返回知識(shí)卡片結(jié)果。

四、能力展示

功能一：指標(biāo)查詢

問答式交互數(shù)據(jù)分析：大模型數(shù)據(jù)分析與udata數(shù)據(jù)能力結(jié)合，讓用戶可以在京ME通過便捷靈活的問答機(jī)器人方式，統(tǒng)一入口，快速獲取數(shù)據(jù)，縮短數(shù)據(jù)分析鏈路，提高分析效率和及時(shí)性。

產(chǎn)品覆蓋的指標(biāo)范圍簡(jiǎn)單介紹：

體驗(yàn)類指標(biāo)：公路到達(dá)準(zhǔn)點(diǎn)率、航空到達(dá)準(zhǔn)點(diǎn)率、鐵路到達(dá)準(zhǔn)點(diǎn)率以及他們對(duì)應(yīng)的解耦指標(biāo)等

效率類指標(biāo)：車次管控、到車車次貨量、大車型占比、裝載率、車均單量、自營(yíng)車效率等

分析維度：時(shí)間、區(qū)域、長(zhǎng)途組、車隊(duì)、線路類型、線路名稱等

以上做為大家簡(jiǎn)單的了解，詳細(xì)指標(biāo)產(chǎn)品使用方法詳解如下：

運(yùn)力小智正確打開方式：

（1）京ME中直接搜索”運(yùn)力小智“或在群聊中直接艾特”運(yùn)力小智“

（2）提問格式：時(shí)間維度?分析匯總維度?指標(biāo)名稱?想要的圖表形式

【例如】：

?1月西南干線裝載率

?12月西南每個(gè)車隊(duì)的裝載率，折線圖

?準(zhǔn)點(diǎn)率最高的2個(gè)區(qū)域

?從蘇州昆山退貨組到南京退貨組公路到達(dá)準(zhǔn)點(diǎn)率

?北京長(zhǎng)途組的公路到達(dá)準(zhǔn)點(diǎn)率

?

功能二：知識(shí)問答

為運(yùn)營(yíng)人員提供日常的關(guān)于操作規(guī)范、規(guī)章制度、常見系統(tǒng)問題、常用看板、系統(tǒng)連接查詢等內(nèi)容；大大縮短人工檢索信息的時(shí)間

產(chǎn)品覆蓋內(nèi)容簡(jiǎn)單介紹：

常用日?qǐng)?bào)鏈接：運(yùn)營(yíng)日?qǐng)?bào)，損益日?qǐng)?bào)、時(shí)效日?qǐng)?bào)、年貨節(jié)日?qǐng)?bào)

系統(tǒng)網(wǎng)址：TMS常用網(wǎng)頁(yè)查詢

TMS系統(tǒng)指南：日常咨詢的運(yùn)輸小秘的頻率較高的問題

操作手冊(cè)/sop內(nèi)容查詢：支持直接搜索知識(shí)庫(kù)文檔鏈接，以及文檔內(nèi)的關(guān)鍵問（知識(shí)庫(kù)文檔鏈接大全）

以上做為大家簡(jiǎn)單的了解，詳細(xì)使用方法詳解如下：

運(yùn)力小智正確打開方式：

（1）京ME中直接搜索”運(yùn)力小智“或在群聊中直接艾特”運(yùn)力小智“

（2）提問格式：直接用業(yè)務(wù)語(yǔ)言向小智提問即可

常用日?qǐng)?bào)鏈接：

?運(yùn)營(yíng)日?qǐng)?bào)

?損益日?qǐng)?bào)

?時(shí)效日?qǐng)?bào)

?年貨節(jié)日?qǐng)?bào)

系統(tǒng)網(wǎng)址：

?委托書簽收網(wǎng)址

?行云

?easyBI網(wǎng)址鏈接

TMS系統(tǒng)指南：

?京管家APP在哪下載？

?如何清除瀏覽器緩存？

?創(chuàng)建司機(jī)失敗

?TMS系統(tǒng)員工管理新增或修改員工信息時(shí)，提示該京東賬號(hào)已存在

?艙位發(fā)布后，為啥訂艙看不到？

操作手冊(cè)/sop內(nèi)容查詢：

?油耗影響因素有哪些

?合同倒簽怎么管理

?運(yùn)力全景圖

?非標(biāo)準(zhǔn)附加費(fèi)系統(tǒng)操作手冊(cè)

針對(duì)一線人員反饋的通用性的問題給予快速解答

一線咨詢問題快速轉(zhuǎn)化工單，大大提高每日值班人員手動(dòng)錄入工單的效率

功能三：特定場(chǎng)景-軌跡查詢

方便運(yùn)營(yíng)人員根據(jù)派車單號(hào)（TW）進(jìn)行車輛軌跡查詢，減少繁瑣的系統(tǒng)操作步驟

以上做為大家簡(jiǎn)單的了解，詳細(xì)使用方法詳解如下：

運(yùn)力小智正確打開方式：

（1）京ME中直接搜索”運(yùn)力小智“或在群聊中直接艾特”運(yùn)力小智“

（2）提問格式：按照TW號(hào)+軌跡 的格式向小智提問

例如：TW24042503278457的軌跡

功能四：特定場(chǎng)景-行駛證圖片查詢

支持根據(jù)車牌號(hào)，查詢對(duì)應(yīng)的行駛證圖片

場(chǎng)景描述：

當(dāng)發(fā)生車輛故障、經(jīng)濟(jì)糾紛、交通事故等人為在途異常等情況下，運(yùn)營(yíng)需要通過車牌號(hào)查車輛注冊(cè)時(shí)間等信息來核查異常，運(yùn)營(yíng)同事反饋在一些場(chǎng)景下不在電腦旁邊時(shí)，查詢很不方便，需要發(fā)給在公司的同事幫忙查詢，工作效率低。

以上做為大家簡(jiǎn)單的了解，詳細(xì)使用方法詳解如下：

運(yùn)力小智正確打開方式：

（1）京ME中直接搜索”運(yùn)力小智“或在群聊中直接艾特”運(yùn)力小智“

（2）提問格式：按照 車牌號(hào)+行駛證照片 的格式向小智提問

例如：京A12345的行駛證照片

權(quán)限控制：該功能有權(quán)限控制哦

?

功能五：報(bào)表推送

udata報(bào)表支持定時(shí)推送、預(yù)警推送2大功能

產(chǎn)品覆蓋內(nèi)容簡(jiǎn)單介紹：

1.定時(shí)推送：業(yè)務(wù)關(guān)注的數(shù)據(jù)結(jié)果現(xiàn)可以通過京ME推送定時(shí)觸達(dá)到群，收到的推送內(nèi)容為全量信息；

2.預(yù)警推送：基于業(yè)務(wù)自身數(shù)據(jù)看板，根據(jù)所關(guān)注的達(dá)成率/指標(biāo)值等進(jìn)行規(guī)則的靈活設(shè)置，可以自動(dòng)觸達(dá)到對(duì)應(yīng)責(zé)任人，提升數(shù)據(jù)分析和決策效率；

以上做為大家簡(jiǎn)單的了解，詳細(xì)使用方法詳解如下：

?如何進(jìn)行相關(guān)配置：

1、Udata報(bào)表中心，先選擇要推送的報(bào)表，選擇右邊的推送設(shè)置選擇【京ME】-選擇想要的推送方式

2、選擇推送方式：定時(shí)推送or預(yù)警推送

3、設(shè)置推送內(nèi)容：

定時(shí)推送：

預(yù)警推送：

4、設(shè)置推送規(guī)則

5、保存并發(fā)送


審核編輯 黃宇

?