用 AI 打造 SuccessFactors 数据分析助手(2):让AI听懂人话

💡 导语：

在上一期，我们盘点了 HR 最常问的五大取数场景。但问题来了：当 HR 在对话框里敲下“帮我拉一份上海研发中心、入职满3年且绩效拿过A的工程师名单，按底薪从高到低排”时，AI 到底在后台经历了怎样的疯狂计算，才能在一秒内吐出准确的数据？

今天，我们将揭开这款 AI 产品的核心大脑——从“自然语言”到“机器逻辑”的四步翻译法则。

▲ 自然语言与底层数据的智慧桥梁

⚙️ 核心解密：AI 取数的“四步解析法”

要让 AI 像资深实施顾问一样写出精准的查询语句，我们需要在产品底层构建一个 “解析与映射（Mapping）引擎”。具体分为以下四个步骤：

🛠️ Step 1：意图与实体拆解 (Entity Extraction)

AI 接到指令的第一步，是化身为“语文老师”，给句子做主谓宾的拆解。它需要从中揪出五个核心元素：

• 动作类型 (Action)：
  
   是要“明细列表”还是要“聚合统计”？
• 数据域 (Domain)：
  
   问的是员工信息、薪资记录、还是绩效结果？
• 过滤条件 (Filters)：
  
   包含哪些限定词（如：上海、满3年、A绩效）。
• 排序规则 (Sorting)：
  
   从高到低，还是从低到高？
• 输出字段 (Select)：
  
   用户需要看到哪些列（姓名、部门、薪资）？

🗺️ Step 2：数据域的路由与寻址 (Data Routing)

人类的一句话，往往跨越了底层系统的多张表。AI 需要知道去哪个“抽屉”里找数据。

• 提到“姓名、部门”，AI 知道要去基础的 职位表 (EmpJob) 找。
• 提到“底薪”，AI 必须通过外键关联到 薪酬表 (EmpPayComp)。

▲ AI 穿梭于复杂的数据底表之间

⚖️ Step 3：模糊语义到精准符号的转换

这是最考验 AI 智商的一环！人类的语言是模糊的，但数据库只认逻辑符号（=、>、<、AND）。AI 需要进行“常识翻译”：

• “入职满3年”
  
   ➡️ 翻译为：雇佣日期 <= (当前日期 – 3年)
• “高级工程师”
  
   ➡️ 翻译为：Job Title 包含 ‘Senior’ OR 职级 >= 7
• “高绩效”
  
   ➡️ 翻译为：Performance Rating >= 4

⏳ Step 4：时间轴定位 (Effective Dating)

HR 的数据有极强的“时间穿梭”特性。AI 必须从句子中提取时间状语，并在查询中加上时间戳限定。

• 如果是 “目前” ➡️ asOfDate = Today
• 如果是 “去年年底” ➡️ asOfDate = 2025-12-31

🎬 实战演练：一句话是如何变成代码的？

让我们用一个真实的 HR 提问，慢动作回放 AI 的脑回路：

🗣️ HR 提问：

“帮我拉一份上海分公司、入职超过2年的销售经理名单，按照绩效分数从高到低排，取前10名。”

🤖 AI 翻译后生成的 API 请求（伪代码）：

/EmpJob?$select=userId, department, location&$filter=location eq ‘Shanghai’ and jobCode eq ‘Sales_Mgr’ and hireDate le ‘2024-04-13’&$orderby=rating desc&$top=10

系统收到这串神秘代码，0.5秒后，数据乖乖返回！

▲ 自然语言一秒转换为底层 API 查询代码

🛡️ 产品的终极护城河：建立“企业级数据字典”

看完上面的逻辑，您可能会问：AI 怎么知道“上海分公司”在系统里的代码是 ‘SH01’ 还是 ‘Shanghai’？

这正是这个 AI 产品最大的壁垒！单纯接入一个 ChatGPT 是做不出这款产品的。在落地时，我们需要喂给 AI 一份专属于贵公司的“语义映射字典 (Semantic Layer)”：

• 同义词库：
  
   让 AI 知道，HR 说的“底薪”、“Base”、“月薪”，指的都是系统里的 PayComponent = ‘BASESAL’。
• 枚举值映射：
  
   让 AI 知道，“上海分公司”对应的系统实体 ID 是 CompanyCode = 1010。

只有当强大的大模型（大脑），配上这本企业专属的字典（Skill），AI 才能真正做到百发百中，绝不胡编乱造。