一、企业背景与业务目标
（1）企业背景
多彩贵州航空有限公司成立于2015年，是贵州省全资本土国有航司，隶属于贵州民航集团。公司现有24架飞机（含15架空客A320NEO），职工总人数1659人，2025年运输旅客394万人次。公司在飞航线59条（国内57条、国际2条），通航国内外47个城市，设有成都、宜宾、宁波、兴义4个过夜基地，形成了以“干线拉动、支线补充、干支联动”的航线网络布局。作为贵州省唯一本土航空公司，多彩贵州航空承担着全省航空网络建设和航旅融合发展的重要战略使命。
依托集团“机场+航司”一体化资源，公司承接国家“干支通、全网联”民航政策与贵州省“支支串飞”航旅融合省级战略。省内当前落地“一枢纽十支线”11座民用运输机场布局，以贵阳龙洞堡国际机场为全省航空核心枢纽；兴义万峰林机场作为省内支线客流第一、串飞航线覆盖最广的重点支点，是省内航旅融合示范节点。自2024年2月“支支串飞”航线开通至2026年1月，兴义机场累计执飞串飞航班4174架次，承运旅客32.23万人次，平均客座率69.57%。伴随铜仁德江机场2026年通航、盘州和威宁机场持续建设，贵州远期将形成 “一枢纽十三支线”全域航空网络，支线运行管控复杂度持续提升。
公司已搭建企业数据中台，沉淀气象、航班动态、QAR、ACARS、机场保障多类原始数据，具备完整数据治理能力。本项目全部可视化看板搭建、智能分析与AI预测功能均基于FineBI Next原生能力开发，多源数据的清洗、标准化预处理工作统一在企业数据中台完成，处理后标准化数据集同步接入FineBI Next开展深度研判。
工具选型说明：本项目选择FineBI Next而非Dora或简道云，主要基于三点考量——其一，FineBI Next原生内置AI异常检测、时序预测、NL2SQL自然语言问数等能力，可一站式完成从数据接入到智能研判的全链路闭环，避免多工具拼接带来的数据口径不一致问题；其二，FineBI Next的指标中心与Skill机制能够将专家研判经验固化为可复用的分析模板，契合本项目“经验模型化”的核心诉求；其三，作为单一BI工具部署，运维成本低、学习曲线平缓，便于在签派、航线规划等一线业务岗位快速推广落地。
（2）顶层业务目标
依托FineBI Next内置AI分析、智能预警、多维联动能力，搭建智数航观：航班运行态势情报分析平台，打造航司专属支线机场运行研判数字化工具：
短期目标：完成兴义机场试点模型与看板搭建，AI气象风险识别准确率≥85%，量化降低天气类延误占比；
中期目标：统一全省支线机场运行评价指标体系，通过智能分析缩短航线复盘周期，提升支线航班正常率；
长期目标：沉淀支线航空运行分析指标、AI研判规则模板，形成标准化分析方案，为同类型支线航司数字化建设提供可复用参考框架。
二、业务现状与差距
业务现状与核心量化差距
数据获取层面：签派、航线规划人员需跨4套独立业务系统手工导出气象、机载、机场保障数据，无统一可视化汇总视图。单班次放行前人工整理数据耗时60分钟，人工统计占运行团队30%有效工作时长。
风险研判层面：仅依靠通用气象预报，无法结合本地历史飞行数据预判山地局地极端天气，风险处置多为事后补救。传统通用气象预判准确率仅58%，天气因素造成的延误占总延误62%。
运营分析层面：各支线机场保障能力无统一量化评分标准，支支串飞过站衔接、运力投放依靠人工经验判断。月度航线运行复盘需3个工作日手工汇总，无法快速定位延误根因。
数字化工具层面：仅使用Excel手工由专业气象分析人员统计复盘，未上线统一BI分析平台，无自动预警、AI智能归因、预测分析能力。人工分析结论无统一推送、跟踪渠道，数据洞察落地执行率不足40%。
业务场景还原
场景一：每日航班放行前置研判
清晨6:00，贵阳龙洞堡机场签派室。签派员老张面前摆着四台显示器——左侧是机场协同系统（A-CDM）的机位占用图，中间是气象预报平台的卫星云图，右侧是QAR（快速存取记录器）系统的历史飞行数据查询界面，角落里还开着ACARS（飞机通信寻址与报告系统）的实时报文窗口。他需要在7:30前完成兴义=铜仁早班航班的放行评估。逐一切换系统、手工导出十余项分散数据、逐一比对——这套流程他重复了上千次，单班次数据整理耗时60分钟。更让他焦虑的是，气象预报只显示今日晴好，但根据他的经验，兴义机场8-10点常突发低空风切变，而系统里没有任何历史同气象条件数据的自动匹配——他只能凭记忆判断。一个月前，就是因为没有预判到山区局地大雾，一趟放行后的航班被迫备降桂林，燃油损耗、旅客补偿、机组超时三重损失超过8万元。
场景二：月度支支串飞航线复盘
每月25日，航线规划团队的五位同事齐上阵，从十座支线机场分别导出运行数据，用Excel手工汇总拆分延误诱因、核算过站效率。三整天的封闭式加班才能拿出一份月度复盘报告。更棘手的是——延误到底是气象原因、机场保障不力、还是串飞衔接失衡？Excel里没有自动归因能力，全靠人工逐条翻查日志判断。上个月因为判断失误，把一起串飞衔接延误误归为气象原因，导致运力调整方案南辕北辙，后续三天的航班连锁延误。
场景三：山地极端天气应急处置
茅台机场年均大雾天数超130天。下午14:00，签派员小李接到茅台机场通知——突发强对流，预计持续2-3小时。他需要立即判断：已经起飞在途的航班是否备降？后续航班是否延误或取消？但系统里没有任何历史同气象条件下飞行数据自动匹配分析能力——他不知道过去三年类似天气下，航班备降概率是多少、平均延误时长是多少、哪些航线受影响最大。只能凭经验“拍脑袋”决策。结果是：一架航班备降重庆，燃油额外消耗2.3吨，机组超时需调换，旅客赔偿支出4.2万元——一套组合拳下来，单次极端天气直接损失超10万元。
痛点量化影响
备注：以下损失测算基于企业历史真实经营台账推演测算，平台演示使用测试数据集仅用于功能验证，不代表真实落地后实际减损效果。
若未上线本FineBI Next智能研判平台，公司每年将产生持续性量化经营损耗，且随支线机场扩容逐年上升：
|
损耗类别
|
年度量化影响
|
2028年预估（新增3座支线机场）
|
|
直接运营损耗
|
山地气象预判不足造成航班延误、备降、返航，年度燃油、机组补贴、旅客补偿固定支出约180万元
|
上涨至240万元
|
|
人力沉没成本
|
运行、签派团队全年手工数据处理折合22人·天，折算人力成本42万元，该部分工时无法投入客流增收、风险前置管控等高价值工作
|
持续增加
|
|
战略机会损耗
|
缺少数据智能研判工具，航班正常率提升缺乏数字化支撑，航班正常率每落后行业基准1个百分点，年度流失支线旅客约2.1万人次，对应航线营收减少700万元；同时无法申报民航数字化创新课题、省级数字化政策扶持项目
|
长期丧失行业数字化示范竞争优势
|
三、核心方案
（1）BI 方向（基于 FineBI Next实现）
1. 指标体系构建
依托企业数据中台完成多源数据标准化、脱敏处理后，统一接入FineBI Next数据集，搭建三级标准化运行指标库，全指标统一计算口径、统计周期、维度编码：
|
层级
|
核心指标
|
说明
|
|
战略层
|
支线航班整体正常率、年度支支串飞总客流、年度天气延误经营成本
|
反映整体运营健康度
|
|
运营层
|
单机场平均过站时长、机位利用率、串飞航线衔接准点率、地面保障时长
|
反映各支线机场保障效率
|
|
风险层
|
大雾发生频次、湍流影响系数、气象延误占比、风险预警触发次数
|
反映运行风险态势
|
所有指标录入FineBI Next指标管理模块，支持口径说明、计算逻辑在线查询，消除跨岗位统计偏差。
2. 异常识别与预警机制
基于FineBI Next内置预警规则配置、AI智能阈值识别双重能力搭建预警体系：
|
预警类型
|
实现方式
|
典型场景
|
|
静态阈值预警
|
人工配置过站时长、航班延误、气象风险固定阈值，指标超限自动触发看板标红提醒
|
过站时长>45分钟自动标红
|
|
AI动态阈值预警
|
启用FineBI Next内置AI异常检测，基于历史数据自动生成动态波动阈值
|
识别过站时长缓慢爬升趋势、周期性隐性风险
|
|
消息推送联动
|
预警信息同步对接企业钉钉，定向推送至对应签派、航线管理责任人
|
风险预警3分钟内直达责任人手机
|
3.多维归因与下钻分析
充分运用FineBI Next联动筛选、层级下钻、多维度切片核心能力，实现问题一键溯源：
总览下钻链路：整体延误汇总看板→单座支线机场明细→自动拆分气象/保障/串飞衔接三类延误根因；
多维度交叉分析：支持按机场、航线、机型、月份自由切片，自动生成对比图表，替代人工Excel多表匹配；
智能归因辅助：调用FineBI Next内置AI归因功能，自动识别影响航班正常率、过站效率的Top3核心影响因素。
4.决策动作与闭环
搭建 “预警识别→多维下钻分析→线下业务处置→月度复盘校验” 完整业务闭环：
FineBI Next驾驶舱展示全部风险预警与多维度分析结论；
业务人员基于分析结果输出运力调整、放行标准优化、航线排布调整等决策动作，线下登记处置记录；
每月自动刷新FineBI Next复盘报表，对比优化前后各项运行指标，校验决策落地效果，反向迭代预警阈值与分析维度。
（2）AI 方向（依托 FineBI Next 原生内置 AI ）
本项目使用FineBI Next平台原生内置功能，分层落地三层AI应用：
|
AI层级
|
核心能力
|
业务价值
|
|
基础AI能力
|
AI自动数据探查、指标智能计算、报表一键生成
|
替代人工Excel数据加工
|
|
中层AI能力
|
AI异常波动检测、自动多维归因、自然语言问数（FineBI Next内置NL2SQL）
|
一线业务人员文字提问即可快速获取分析结果
|
|
高层预测AI能力
|
基于FineBI Next时序预测模型，融合历史气象、QAR数据，推演未来2-4小时机场气象风险等级
|
输出支线机场运行风险预判结论，支撑签派前置放行决策
|
NL2SQL自然语言问数交互示例
业务人员只需在FineBI Next对话窗口输入自然语言问题，系统即可自动解析意图并返回分析结果：
|
业务人员提问
|
FineBI Next自动响应
|
|
“兴义机场今日气象风险等级？”
|
自动查询实时气象数据+历史同期对比，输出风险评分（0-100）及推演结论
|
|
“过去一周兴义=铜仁航线延误根因分布？”
|
自动拆分气象/保障/串飞三类延误占比，生成归因分析图表
|
|
“茅台机场近30天大雾天数的趋势变化？”
|
自动绘制时序趋势图，标注异常波动点并给出AI解读
|
四、价值量化
重要标注：以下价值提升幅度为基于历史经营数据的严谨推演测算值；大赛演示看板、AI 模型输出均采用测试脱敏数据集，仅验证功能逻辑，项目正式全量上线后实际成效将根据真实数据动态校准。
1. 核心业务价值
1.风险压降价值：通过 FineBI Next 内置 AI 气象时序预测，天气类延误、备降频次预计减少 5% 以上，每年可节约燃油、机组补贴、旅客补偿刚性成本≥18 万元；
2.运行效率价值：支线航班平均过站时长优化区间 2%-5%，全省支线航班整体正常率预计提升 1-2 个百分点；
3.航线营收保障价值：依托 AI 多维度运力分析，精准优化支支串飞航线排布，稳定支线客流，每年可减少客流流失带来的营收损失约 700 万元。
核心业务价值
|
指标项
|
优化后
|
提升幅度
|
验证状态
|
|
单班次放行取数耗时
|
分钟级
|
缩短95%+
|
✅ 已验证（替代人工取数）
|
|
月度航线复盘周期
|
分钟级
|
缩短95%+
|
✅ 已验证（替代手工汇总）
|
|
天气类延误/备降成本
|
≤162万元/年
|
压降≥18万元/年
|
⏳ 预期（AI气象预判）
|
|
支线航班正常率
|
+1~2个百分点
|
提升1~2pct
|
⏳ 预期（多维度优化）
|
|
人力成本节约
|
释放至高价值工作
|
节约42万元/年
|
✅ 已验证（替代手工取数）
|
|
航线营收保障
|
稳定支线客流
|
保障700万元/年
|
⏳ 预期（AI运力分析）
|
2. 管理效率价值
1.人力成本节约：完全替代每日人工跨系统数据归集工作，全年节约无效人力投入折合 42 万元，运行团队 70% 工作工时可投入风险管控、航线增收等高价值业务；
2.决策周期压缩：航班风险研判、月度航线复盘周期缩短 95%，延误根因定位从 3 个工作日压缩至分钟级；
3.管理标准化价值：统一全公司支线机场运行量化评价标准，消除人工经验判断偏差，运行管理数据透明度实现 100% 可追溯。
3. 数字资产价值
1.知识产权资产：项目落地后申报软件著作权 1 项，梳理民航支线航空数字化分析方法论，可形成期刊论文 1-2 篇；
2.行业复用资产：基于 FineBI Next 输出标准化指标模板、AI 预警规则模板、多维度分析看板模板，仅替换对应区域机场数据集，即可快速复制至云南、新疆等支线密集型航司；
3.数据资产增值：依托平台完成气象、QAR、ACARS、机场保障数据标准化指标梳理，将零散原始数据转化为可长期复用的经营决策数据资产。
落地验证补充说明：
本项目当前仅完成兴义机场测试数据集适配开发，暂未接入全量生产业务数据。项目全量上线后，将持续沉淀真实运行数据，支撑 2 名签派、航线规划业务人员开展工作，日均可处理百万条航空业务数据，每月自动产出34（日报+周报）份标准化分析报表，依托真实业务运行数据持续校准价值量化指标。
五、总结沉淀
1.管理制度化
依托 FineBI Next 平台落地配套数字化运行管理制度，固化数据驱动决策流程：
《支线机场运行 BI 指标管理规范》：统一全公司指标口径、数据更新周期、平台访问权限管理规则；
《FineBI AI 风险预警处置工作细则》：明确预警分级标准、业务责任人、处置时限、月度复盘考核要求；
《支支串飞航线数字化研判工作标准》：规范业务人员使用 FineBI Next 开展航线规划、运力投放、签派放行分析的标准化流程。
2.流程自动化
依托 FineBI Next 原生定时任务、预警推送、报表调度能力，实现分析全流程自动化：
1.数据刷新自动化：FineBI Next 定时同步中台标准化数据集，自动更新全看板指标，无需人工手动刷新；
2.风险预警自动化：AI 异常检测、阈值超限识别、钉钉消息推送全自动执行，无需人工触发；
3.复盘报表自动化：日 / 周 / 月机场运行、气象风险、串飞航线分析报表定时自动生成，定向推送对应业务岗位，报表产出自动化覆盖率 100%。
3.经验模型化
将签派、航空气象专家线下人工研判经验，全部固化为 FineBI Next 可复用 AI 规则与预测模型：
山地气象风险识别人工经验，转化为 FineBI Next 时序预测 AI 模型，自动预判未来短时天气风险；
机场保障能力人工评判标准，固化为平台多层级加权评分指标体系，自动输出各机场运行画像；
支支串飞延误连锁传导人工判断逻辑，沉淀为多维度交叉归因分析模板，快速识别航线延误传播规律； 实现专家经验数字化留存，不受人员岗位变动影响，形成企业可持续迭代的数字化分析能力。
