本文的内容会围绕下面几点展开：

• 菜鸟业务背景介绍

• 菜鸟ChatBI建设场景

• 菜鸟ChatBI在物流领域实践

• 更多AI实践在物流领域应用

• 招AI&数据产品经理

▌菜鸟业务背景介绍

历经多年发展，菜鸟网络已从电商物流领域起步，逐步构建起覆盖多场景服务、贯通国内国际市场的全球化物流体系。目前，公司物流网络触达全球200余个国家和地区，通过规模效应与网络协同优势的充分释放，有效实现了资源调配的最优化与服务效能的最大化。

菜鸟支持的业务包括消费者、电商平台、商家品牌以及物流企业，并由此衍生了国际物流、国内物流以及物流科技三类业务。其中国际物流涵盖跨境物流、国际供应链和海外本地物流服务；国内物流主要包括国内仓储供应链和高品质快递，如猫超等；物流科技涵盖菜鸟APP、菜鸟驿站、物流园区、物流地产以及对外商业化提供的物流科技服务。

作为一家有物流传统，兼备科技基因的公司，在数智化方面，菜鸟秉持全链路和刚刚好的理念，打造了苏铁平台，将各环节技术平台串联成一整套平台实现技术协同，并强调技术发展与实际业务相匹配，以刚刚好的技术成本解决实际问题，不盲目追求黑科技。

▌菜鸟ChatBI建设场景

以两个场景为例对菜鸟在BI领域的实践进行说明，一个是面向高管管理者“天地会”的用数场景，另一个是面向运营、实操人员的用数场景。

其实在菜鸟我们还没有一个完全郑重其事可以称的上是ChatBI的完美产品，但我们在这个领域的实践恰似“拾碎玉以连珠”，点滴积累，终将成链。

为了让大家快速了解我们，借行业ChatBI之名作引介，在内部我们有很多代号DataGPT，菜包数据板块等等，名虽各异，志却同归。期待与志同道合者一起共建，碎玉已备，七星连珠可待。

下图说明了菜鸟集团ChatBI的核心能力，包括交互式智能问答、数据洞察分析、数据高阶分析和数据服务集成，该系统通过智能化技术手段重构数据分析流程，旨在替代传统人工操作模式，显著提升数据处理与分析效率。其创新性在于构建了智能化数据分析服务生态，能够实现从基础信息查询到复杂决策支持的全链路自动化分析服务，从而为企业提供更高效、精准的数据驱动解决方案。

▌菜鸟ChatBI在物流领域实践

在传统数据分析模式下，当业务部门提出数据需求时，由于缺乏AI与Chat BI等智能化工具的介入，企业需要投入大量专职人员进行人工数据处理。以仓储物流场景为例，我们曾组建规模达800人的专业数据处理团队，通过手工编制复杂程度堪比航海罗盘的Excel表单系统（内部称为"800罗盘体系"），以此指导业务运营并监控数据指标达成情况。这种人工主导的作业模式在当时指引并支撑了业务发展，但存在显著效率瓶颈。

专业数据团队首先从仓储系统（WMS）、运输管理系统（TMS）等源头系统抽取原始数据，经ETL流程完成清洗转换后，依托数据仓库分层架构（ODS、DWD、DWS、ADS）构建中间层数据集。在此阶段，数据分析人员需具备SQL查询能力，完成数据提取与初步加工。然而对于多数物流从业人员而言，掌握SQL语法及可视化分析工具存在技术门槛，更遑论开展深度

数据洞察分析。而且从企业成本角度考虑，业务人员应当聚焦于核心业务决策与问题解决而非数据处理过程。这种资源配置方式既不符合现代企业数字化转型诉求，也制约了组织运营效能的持续提升。

为了改变这一现状，菜鸟研发了Chat BI的应用，面向不同的场景提炼出了八类基本范式，使数据分析更加高效和便捷，从而解放业务同学的精力，让他们更多地关注业务本身。

物流领域常见的数据需求：

• 1）跟踪未配送包裹并通知快递员及时处理；

• 2）分析单量趋势以识别区域收件异常；

• 3）对比各站点服务投诉率差异；

• 4）查看来单量波次分波；

• 5）多维度排名榜单量等。

当前这些工作依赖Excel等工具手动完成，亟需流程标准化、范式化。此外，高级分析需求包括主动分析异常问题（如站点揽收量下滑原因、时间、区域分布等）。

在物流数据询问中，更高阶的需求包括对数据下滑或波动进行智能化归因。这通常需要使用算法和小模型进行时间序列分析，以确定数据变化的原因，上述问题范式更偏向于像全球供应链这种有复杂业务分析取数的场景。

此外我们还提炼出了异常预警的四类指标，这四类则更多被管理者使用。针对业务总经理经常会需要关心、思考和追踪的重点指标，可以实现对于趋势、水位、波动和OKR达成目标的预警。这些预警有基于时间序列的数据拟合，并以报警方式推送给关注人群，以提高数据使用的效率和准确性。

作为人工智能大数据平台，我们横向支撑不同的业务场景，为了支撑智能问数这个场景，菜鸟物流在Chat BI实践中，除了对基本问数模式进行提炼外，还对问数体验进行了规范化，旨在提供统一的数据查看体验和对话流程分析思路。此外，目前还正在与业务系统配合互动，如问完数后直接在业务系统中进行推荐、自动跟单和跟进用户问题，这种能力被直接植入到Chat BI中，突破了BI部门的界限，去实现与业务的紧密联动。

菜鸟的Chat BI整体思路包括数据知识层, 在分析推理层,工程封装层，业务场景层四个部分；

• 在数据准备层面，建立了数据知识层，包括指标、元数据、知识库和数仓、统一数据服务等；

• 在分析推理层，正在研发提供基于大模型的Agent和建设MCP服务，并构建了小模型算子库等能力；

• 在工程封装层面，提供了8+4的规范化模式为业务提供能力洞察；

• 对于业务场景层，通过纵向领域支持业务上层应用，如天地会管理者和各个业务领域。

菜鸟Chat BI现阶段的实践还是一个最小化的MVP，将能力集成在了阿里钉钉等内部工具中，实现了与业务线的紧密集成。这种集成不仅限于Chat对话框中的问数，还包括了日常工作流、钉钉个人群消息以及数据问答等形式的信息回流，为大数据模型提供了丰富的数据来源。

此外，菜鸟还接入了指标平台，核心动因在于解决数据的可信度问题，因当模型出现数据偏差或逻辑漏洞时，极易引发业务质疑。Onemetric指标管理以管理数据一致性、用户经验沉淀和数据权限等，确保数据的准确性和安全性。这些特点使得菜鸟的Chat BI在实践中更具实用性和可靠性。

为此，菜鸟加强了以下几方面的管理：

• 其一，建立指标元数据管理机制，实现从一级业务指标到派生指标的标准化定义与溯源，并增强权限控制，限制细粒度访问策略确保数据安全合规；

• 其二，整合业务经验知识库，打通业务经验知识库和指标数据之间的关联关系；

• 其三，建立信息纽带，通过钉钉协同网络，构建指标异动自动化预警的闭环——当关键指标出现阈值波动时，系统自动触发针对多维预警（群通知、个人工作台提醒，@个人评论等），驱动业务负责人即时介入。

▌更多AI实践在物流领域落地

在物流场景中，AI的应用带来了诸多变革。在转运中心进行包裹分波、快递小哥派送以及为商家服务等多个环节中，AI都介入并以智能化的形式提供帮助。

例如，在供应链仓配侧，智能汇单决定那些包裹是否应汇总成一个集包发出；航空领域的智能打板，决定托盘上应放多少货，最佳箱型是什么；司机配送路径规划；在分拨中心，自动化分拣履带，快递无人车，也在校园里和部分社区中已投入使用这些等都广泛应用了AI。

如为快递小哥提供的AI智能问答知识库，帮助他们快速解决培训问答问题。同时，AI还辅助作业，如小哥在寄件时，只需语音说出寄件码，打印机就能快速打印出面单。此外，对于司机，AI也提供了如海外末端配送的路径规划等服务，提高了配送效率和包裹数。

在商家侧，AI为商家客服以及平台自己的客服小二提供了智能化的能力。智能外呼，智能热线，商家客服智能工单小记等平台能力。

与同时我们也在将这些能力出海，打一个广告，有需要可以联系我们。

AI在物流中的具体应用事例丰富多样，比如：

• 其一，为快递小哥。由于快递行业的人员流相对比较大，对于快递的培训问答基本上是靠传帮带的形式实现，响应比较慢，而且有的场景下的一些规定或SOP没有办法被传承。在这种场景中我们提供基于知识库的智能问答功能。在辅助作业这方面，快递小哥拿到寄件码以后，在回仓打包去送件的过程中，可以直接使用语音直接发出指令打印面单。

• 其二，为司机。在海外的末端配送，因为海外快递员用工中有的地区多为的移民，且遇到单行路线和限行路段比较多，快递员小哥经常走错路，时效也比较慢。我们通过使用VRP算法，为司机去做自动的路径规划，提高了配送效率。

• 其三，为商家。我们提供快速拦截服务，当消费者不想要已发货的商品时，商家可以通过智能化的系统快速拦截包裹，减少了沟通环节和时效。对商家来说包裹的状态随时可查，随时可知道异常包裹的进度。

• 其四，为商家与平台客服，提供了AI自动报账服务。包裹的费用计算影响因素很多，包括配送路径、包裹重量、包裹体积、配送时长等，因此每月对于包裹本身的出账是一个非常复杂的过程。以往人工获取合同报价、加工计算费用的方式工作量极大，且容易出错，通过AI学习合同格式和计费计量报价，AIExcel自然语言处理表格降低处理数据门槛，帮助商家准确、高效地完成出账过程。

• 其五，为驿站与平台客服，末端配送站点，AI也为站长提供了知识问答等智能化帮助，提高了站长的工作效率。

• 除了对于末端站长的帮助，对我们平台内部的客服也有帮助，现在有一部分热线被AI机器人接管了，这一方面降低客服小二的工作量；另一方面会基于整个答疑的过程生成摘要，下次客服解决问题时无需查看所有的会话记录，就知道用户的所有问题是什么；第三个也会给客服一些建议和解决方案；第四，通过智能小计，将会话内容自动整理成服务过程并生成工单，记录到小二的客服系统上，减少小二后面补录小计的工作量。

以上是我们利用AI在物流领域的一些正在进行的尝试，场景比较多，无法一一罗列，就跟大家先聊到这里，欢迎有经验兴趣的朋友一起讨论。

▌最后随俗且郑重的加一个招聘广告

招聘对以上AI&数据 有热情的产品经理2名