从"微信群催办+人工筛选"到"AI评分+规则自动沉淀"
——基于简道云的市场商情智能分析闭环平台（模型认可率从20%提升至74%）
【核心成果速览】
本方案通过简道云零代码平台，将中国石油天然气市场商情分析从"经验驱动"升级为"数据驱动"，核心量化成果如下：
模型认可率 20% → 38% → 74%（提升270%）
语料标注规模 4,400+条模型评分 + 669条专家标注
规则采纳 297条可量化建议 → 50+优化点
模型迭代 14个版本 / 2个月 / 每周2个版本
信源建设 400%增长（150+ → 700+网页信源 + 19,000+采集知识）
高中价值占比 87%（高价值+中价值资讯）
发布时间准确率 50% → 100%
单日重复数据 20+ → 2条
一、企业背景与业务目标
中国石油天然气集团有限公司（简称"中国石油"）作为全球主要的油气生产商和供应商之一，在国际天然气市场中承担着价格发现、供需研判和战略决策的关键职能。天然气与LNG市场的价格波动、政策变化、地缘政治影响直接关系到企业的进口策略、库存管理和销售定价。
市场商情分析团队现有分析师8人，承担着"每周动态监测全球天然气市场"的核心职责。团队每日需巡检150+个信源站点，年均处理资讯超过50,000条，产出52期周报，为管理层提供决策支撑。
业务目标：
流程目标：构建"在线化、自动化、协同化、闭环化"的市场商情智能分析平台，实现从"人工筛选+Excel汇总+微信群反馈"到"AI初筛+专家在线标注+规则自动沉淀+数据穿透管理"的模式升级。
效率目标：将分析师日均筛选耗时从4小时降至30分钟，年节约分析师工时约7,000小时，折算人力成本约¥35万。
质量目标：将模型认可率从20%提升至74%，多专家一致性达48%，管理层决策响应时效提升50%。
沉淀目标：将散落在微信群和会议中的专家经验，转化为50+条可复用、可追溯的筛选规则，形成企业级知识资产。
二、业务痛点（Before：从"真金白银的损失"说起）
在系统上线前，市场商情分析工作存在以下典型痛点，且每个痛点都有明确的工时和财务损失换算：
2.1 信源碎片化：信息采集效率极低
资讯分散在网页、微信公众号、行业群聊、邮件等8+个渠道，每日需人工巡检150+个站点。按8名分析师、每人日均巡检耗时1.5小时计算，年消耗信息采集工时约3,120小时，折算人力成本约¥15.6万。更关键的是，人工巡检存在遗漏风险。
真实案例：2024年3月，因信源碎片化遗漏卡塔尔能源部关于LNG长协出口政策调整的官方公告，导致当周周报未及时预警东北亚LNG市场供给收紧信号。管理层在次周外部会议中才获知该信息，事后复盘发现该资讯发布于一个此前未纳入巡检清单的行业媒体。
2.2 筛选依赖人工：价值判断标准不统一
每篇资讯的价值判断完全依赖分析师个人经验，缺乏统一标准。不同分析师对同一篇资讯的判定差异大，导致周报素材质量参差不齐。按每人日均筛选100条资讯、平均耗时2.5小时计算，年消耗筛选工时约5,200小时，折算人力成本约¥26万。
2.3 反馈无沉淀：专家经验散落在聊天记录中
专家通过微信群发送"这篇不错""这篇没用"等定性反馈，建议散落在聊天记录中，无法结构化沉淀为可复用的筛选规则。据统计，2024年上半年累计产生800+条专家反馈，但可量化、可追溯的不足10%。
2.4 周报靠手工：复制粘贴耗时且易遗漏
每周从数百条资讯中手动复制粘贴、排版整理，形成周报。按每期周报整理耗时6小时计算，年消耗周报整理工时约312小时，折算人力成本约¥1.6万。且手工操作容易遗漏高价值资讯，2024年Q1因遗漏导致周报补发3次。
2.5 规则迭代慢：口口相传导致版本混乱
模型筛选规则的调整靠"口口相传"，每次迭代需要召集会议讨论，规则版本管理混乱。2024年上半年仅完成3次规则迭代，每次迭代间隔约2个月，远跟不上市场变化速度。
2.6 数据不可追溯：无法回答基础业务问题
无法回答"为什么这篇进了周报""为什么这篇被排除了""专家A和专家B对这篇的判断为什么不一致"等基础问题。数据散落在Excel、微信群、邮件中，无法形成可追溯的审计链路。
三、核心方案（After：简道云零代码业务系统）
3.1 场景在线化：从Excel到结构化表单体系
原有模式下，情报数据存储在Excel中，专家反馈散落在微信群聊天记录中，规则优化靠人工整理Word文档。现在，所有数据被拆解为5个结构化表单，并通过"关联数据"字段实现跨表穿透：
|
业务环节
|
简道云表单
|
简道云功能模块
|
使用深度
|
|
信源采集
|
情报资讯库
|
表单设计、关联数据、移动端填报
|
结构化字段12个，日均可承载500+条入库
|
|
AI初筛
|
AI评分结果表
|
关联数据、智能助手（触发写入）
|
5维评分体系，自动联动情报资讯库
|
|
专家协同
|
专家标注反馈表
|
关联数据、流程表单、数据联动
|
多专家在线标注，分歧自动标记
|
|
规则沉淀
|
规则优化沉淀表
|
关联数据、智能助手（规则自动沉淀）
|
50+条优化点，可追溯至具体资讯和专家
|
|
周报产出
|
周报候选池
|
关联数据、智能助手（高价值自动入选）
|
高价值资讯自动进入候选，一键审阅
|
|
数据看板
|
仪表盘
|
数据工厂、聚合表、图表组件
|
6大核心指标实时刷新
|
核心设计：通过"关联数据"字段实现表单间联动。AI评分结果表关联情报资讯库，专家标注反馈表关联情报资讯库，周报候选池关联AI评分结果表，形成"情报→评分→标注→周报"的数据穿透链路。
3.2 流程自动化机制：让业务规则自动跑起来
业务主管不需要盯着每个环节催办，系统通过3个智能助手自动推进"该谁做、何时做、怎么做"：
智能助手1——高价值资讯自动入选：当AI评分结果表中新增一条"推荐等级=高价值"的数据时，智能助手自动在周报候选池新增一条记录，带入资讯编号、标题、推荐等级，AI摘要和推荐理由自动填充，采用状态设为"待确认"。业务确认人只需在待办中审阅，无需手动筛选。
智能助手2——专家分歧自动标记：当同一条资讯出现多位专家标注且价值等级不一致时，系统将该条反馈的"反馈类型"自动标记为"需复核"，触发项目组复核流程。
智能助手3——规则优化自动沉淀：当专家标注反馈的流程完成时，如果专家备注中包含"建议"关键词，系统自动在规则优化沉淀表新增一条记录，带入优化类型、优化详情、来源专家和资讯编号，规则状态设为"待处理"。
流程替代人治的核心价值：从"微信@所有人催进度"到"系统自动提醒该谁做"；从"人工筛选几百条资讯"到"AI评分后高价值自动入选"；从"专家反馈散在群里"到"分歧自动标记、规则自动沉淀"。
3.3 多维协同与数据穿透：消除"部门墙"
发现问题后，如何跨表关联定位责任方？
数据穿透设计：
资讯→评分→标注穿透：在情报资讯库中点击一条资讯，可通过关联数据字段直接查看该资讯的AI评分结果和所有专家标注反馈，无需切换多个Excel文件。
标注→规则穿透：在专家标注反馈表中，点击一条"需复核"的记录，可直接追溯到该资讯的AI评分详情、其他专家的判定差异，以及相关的规则优化建议。
规则→版本穿透：在规则优化沉淀表中，每条规则都关联"对应模型版本"和"来源资讯编号"，可追溯该规则是因为哪篇资讯、哪位专家的反馈、在哪个版本中被采纳。
消除部门墙的关键：所有数据在同一平台，通过关联数据字段实现"点一下就穿透"，而不是"打开5个Excel找半天"。
3.4 执行闭环与移动化：业务"跑在手机上"
基于此系统如何落地到一线日常操作？
移动端场景设计：
一线情报采集：外勤人员或信息专员在手机上打开简道云，直接录入新发现的资讯标题、URL和信源，系统自动带入当前时间，无需回办公室开电脑。
专家移动标注：业务专家出差或不在工位时，通过手机收到"待复核"提醒，直接在手机上查看资讯内容、AI评分详情，进行价值判定和备注反馈。
业务移动确认：周报候选池的"待确认"项自动推送到业务确认人手机，确认人可查看AI摘要和推荐理由，一键选择"已采用"或"未采用"。
仪表盘移动查看：管理层通过手机查看模型认可率趋势、信源质量排行、本周高价值资讯数量等核心指标，实时掌握业务状态。
执行闭环的核心：从"发现资讯→AI评分→专家标注→规则沉淀→周报生成→效果评估"形成完整闭环。每一环的数据都在系统中留痕，可追踪、可复盘、可优化。
四、AI评分引擎：五类提示词规则体系
AI评分引擎的核心是将"专家经验"转化为"可量化、可配置、可迭代"的评分规则。当前模型主要拆分为5类能力进行评分，总分由5个维度加权汇总。
4.1 初筛判断标准
判断文章是否与天然气、LNG、能源政策、清洁能源、市场事件等相关。这是"大池子过滤"环节，用于快速排除明显不相关的资讯。
如果文章核心内容与天然气、LNG、液化天然气、管道气、城市燃气、能源政策、清洁能源转型、碳中和相关，判定为"相关"。
如果文章涉及煤炭、石油（非天然气相关）、纯技术论文、非能源类社会新闻，判定为"不相关"。
边缘案例（如可再生能源与天然气竞争关系、电力市场间接影响天然气需求）判定为"待复核"。
4.2 信源判断
不同信源的权威性和时效性差异巨大，需要对信源进行加权评分。
加分信源（权威性高）：IEA（国际能源署）、EIA（美国能源信息署）、IHS（埃信华迈）、BP能源统计、Shell能源展望、国家能源局、国家发改委、国家统计局、新华社、央视新闻、中国石油报、中国能源报、国际石油经济。
减分信源（权威性低或时效性差）：地方小站点、非能源类自媒体、宣传稿性质文章、转发多次无法追溯原始来源的二手资讯、企业官网纯宣传性质新闻稿（除非涉及重大战略调整）。
4.3 主题理解
判断文章是否包含对市场分析有直接价值的核心主题。
高价值主题（高分）：价格类（国际LNG现货价格、TTF价格、JKM价格、布伦特原油联动、国内门站价格、终端销售价格）、供需类（进口量、需求量、库存水平、产能利用率、同比环比变化）、政策类（国家能源战略、天然气价格改革、管道开放政策、储气设施建设政策）、项目类（大型LNG接收站投产、跨国管道建设、重大基础设施投资）。
低价值主题（低分或零分）：纯科普类文章（天然气基础知识介绍）、重复性行业动态（例行会议、常规检查）、与天然气无直接关联的能源新闻（如纯煤炭、纯电力）。
4.4 关键词匹配
通过关键词密度和重要性进行加分。核心关键词（每个+1分，最高+10分）：天然气、LNG、液化天然气、管道气、城市燃气、TTF、JKM、Henry Hub、布伦特、WTI、门站价、终端价、进口量、需求量、库存、产能、利用率、同比、环比、俄罗斯、乌克兰、卡塔尔、澳大利亚、美国LNG出口、碳中和、能源转型、双碳目标、天然气改革。
特殊加权：如果文章涉及"俄罗斯天然气供应中断""地缘政治冲突影响欧洲LNG市场"等重点事件，额外加权；如果文章同时涉及多个核心关键词（如价格+供需+政策），额外加权。
4.5 公司关联
判断文章是否涉及中国石油重点关注的下游燃气公司或竞争对手。重点公司（+10分）：华润燃气、新奥能源、中国燃气、港华燃气、中华煤气、北京燃气、深圳燃气、上海燃气、广州燃气、国际LNG贸易商（壳牌、道达尔、嘉能可、托克）。一般公司（+5分）：地方中小燃气公司、新进入者。
4.6 评分汇总与推荐等级
总分 = 信源判断得分 + 主题理解得分 + 关键词匹配得分 + 公司关联得分。
推荐等级划分：高价值（总分≥150，直接进入周报候选池）、中价值（100≤总分<150，作为周报补充素材）、低价值（60≤总分<100，仅作情报存档）、无价值（总分<60，自动剔除）。
4.7 AI评分效果实际案例对照
以下是一篇真实资讯的AI五维评分详情与专家最终判定的对照，展示AI"评得准"的能力：
【案例】资讯标题：《IEA：2025年全球天然气需求将增长2.3%，亚洲LNG进口量创纪录》
信源：IEA（国际能源署）官方发布 | 发布时间：2025年1月
AI五维评分结果：
初筛判断：相关（与天然气需求、LNG进口直接相关）
信源判断得分：+10分（IEA为国际权威机构）
主题理解得分：+20分（涉及需求量、进口量、同比变化等市场数据指标）
关键词匹配得分：+8分（天然气、LNG、进口量、需求、亚洲等核心关键词密集出现）
公司关联得分：+0分（未提及具体公司）
总分：138分 | 推荐等级：中价值（接近高价值阈值）
专家最终判定：专家A（高价值）、专家B（中价值）、专家C（高价值）。多数专家认为该资讯对年度需求预判有重要参考价值，建议纳入周报。AI评分与专家判定高度一致。
【案例】资讯标题：《某地方燃气公司开展冬季安全检查工作》
信源：地方燃气公司官网 | 发布时间：2025年2月
AI五维评分结果：
初筛判断：相关（与天然气、城市燃气相关）
信源判断得分：-5分（企业官网宣传稿，权威性低）
主题理解得分：+2分（安全检查为重复性行业动态，非市场分析核心主题）
关键词匹配得分：+2分（天然气、安全检查）
公司关联得分：+5分（提及地方燃气公司）
总分：4分 | 推荐等级：无价值
专家最终判定：专家A（无价值）、专家B（无价值）、专家C（无价值）。一致认为该资讯为常规宣传稿，无市场分析价值。AI评分与专家判定完全一致。
五、价值量化（已验证 vs 预期）
以下指标明确标注了"已验证"（系统上线后实测数据）和"预期"（基于方案设计的预测值），便于评委区分实际成果与未来规划。
5.1 模型效果指标（已验证）
数据来源：基于2025年1月至6月的669条专家标注数据统计。
模型认可率：从初始20% → 迭代后38% → 当前74%（已验证）。计算公式：专家认可模型判断的资讯数 / 总标注数 × 100%。
多专家一致性：48%（已验证）。计算公式：所有专家价值等级完全一致的资讯数 / 总标注数 × 100%。
多数专家认可准确率：74%（已验证）。计算公式：≥2位专家认可模型判断的资讯数 / 总标注数 × 100%。
有一人认可即为可用：92%（已验证）。计算公式：至少1位专家认为有价值的资讯数 / 总标注数 × 100%。
高中价值占比：87%（已验证）。计算公式：（高价值资讯数 + 中价值资讯数）/ 总标注数 × 100%。
5.2 规则迭代指标（已验证）
数据来源：基于2025年1月至6月的规则优化沉淀表数据统计。
语料标注规模：4,400+条新闻模型标注分数（已验证），业务专家已标注669条（已验证）。
规则采纳：已采纳可量化建议297条（已验证），形成优化点50+（已验证）。
模型迭代速度：2个月完成14个版本迭代（已验证），平均每周2个版本（已验证）。
日推TOP50：累计推送25,000+条（已验证），推荐50+次（已验证）。
5.3 信源建设指标（已验证）
数据来源：基于2025年1月至6月的信源配置数据统计。
信源数量增长：初始信源150+ → 新增网页信源700+ → 新增采集信源知识19,000+，信源数量增加400%（已验证）。
信源覆盖率：90%+（已验证）。计算公式：已纳入系统的活跃信源数 / 目标信源总数 × 100%。
发布时间准确率：从50%提升至100%（已验证）。计算公式：发布时间准确的资讯数 / 总资讯数 × 100%。
单日重复数据：从20+条降低至2条（已验证）。
历史周报分析：300篇周报、4,026篇资讯、近300条高频信源被纳入分析（已验证）。
5.4 效率提升指标（已验证 + 预期）
数据来源：基于2025年1月至6月的实际运行数据测算。
分析师日均筛选耗时：从4小时降至30分钟（已验证），降幅87.5%。
年节约分析师工时：约7,000小时（已验证）。计算方式：（原日均4小时 - 现日均0.5小时）× 8人 × 250工作日 = 7,000小时。
折算人力成本：约¥35万/年（预期）。计算方式：7,000小时 × ¥50/小时（分析师平均时薪）= ¥35万。
周报整理耗时：从每期6小时降至1小时（预期），年节约工时约260小时。
管理层决策响应时效：从"次日获知"提升至"实时掌握"（预期），响应时效提升50%。
5.5 行业对标（参考基准）
为增强数据可信度，补充以下行业对标基准：
同类NLP文本分类任务的行业基准认可率：约60%-70%（公开文献参考）。本方案模型认可率74%，已超过行业基准上限。
传统人工筛选的专家一致性：约30%-40%（基于本项目历史数据统计）。本方案多专家一致性48%，较传统模式提升20%-60%。
传统情报分析系统的信源覆盖率：约60%-75%（行业调研参考）。本方案信源覆盖率90%+，显著高于行业平均水平。
六、PRDC闭环法：可视化业务流程图
本方案提炼出一套可命名、可复制、可传播的方法论框架——"PRDC闭环法"（Process-Rule-Data-Closed Loop），对应"流程替代人治、规则替代经验、数据替代感觉、闭环替代断裂"四组核心价值。
【PRDC闭环流程图】（文字版，建议配图展示）
阶段1：情报采集（Process流程化）→ 150+信源统一入库 → 结构化表单承载 → 移动端随时录入
↓ 自动触发
阶段2：AI初筛（Rule规则化）→ 五维评分引擎 → 初筛/信源/主题/关键词/公司关联 → 总分计算 → 推荐等级划分
↓ 高价值自动入选
阶段3：专家协同（Data数据化）→ 多专家在线标注 → 分歧自动标记 → 反馈结构化 → 规则自动沉淀
↓ 规则库更新
阶段4：规则迭代（Closed Loop闭环化）→ 规则优化表沉淀 → 模型版本迭代 → 效果验证 → 返回阶段2优化评分规则
↓ 高价值确认
阶段5：周报生成（Process流程化）→ 周报候选池 → AI摘要生成 → 业务确认人审阅 → 已采用进入周报 → 未采用记录原因
↓ 效果评估
阶段6：效果评估（Data数据化）→ 仪表盘实时展示 → 模型认可率/专家一致性/信源质量 → 异常数据穿透定位 → 驱动下一轮优化
PRDC闭环法的可复制性：任何需要"人工筛选+专家判断+规则沉淀"的业务场景（如金融舆情监测、政策跟踪分析、竞品情报搜集）均可套用此方法论，仅需替换评分维度和信源清单即可快速落地。
七、后续优化方向与阶段性验证指标
当前规则体系存在的问题：规则越来越复杂，模型打分不稳定；不同类型新闻使用同一套加减分规则，精度受限。
优化方向与验证节点：
降低对模型直接打分的依赖，增加客观因素抽取。验证节点：2025年Q3，客观因素抽取覆盖率提升至80%。
增加文章主题分类（价格类、政策类、项目类、市场类），不同主题设置不同评分权重。验证节点：2025年Q3，主题分类准确率达85%；2025年Q4，价格类新闻识别准确率达90%。
增加关键信息抽取（价格数值、供需数据、时间线），用结构化数据替代纯文本评分。验证节点：2025年Q4，关键信息抽取完整率达75%。
信源、关键词、公司可配置加减分规则，业务专家可在简道云规则优化沉淀表中直接调整权重，无需修改代码。验证节点：2025年Q3，专家自助调整规则占比达30%。
不同新闻类型设置不同分数上下限，避免"价格类新闻因为缺少公司关联而被误判为低价值"。验证节点：2025年Q4，主题适配后模型认可率提升至80%。
八、总结
本方案通过简道云零代码平台，将市场商情分析的碎片化线下流程升级为在线化、自动化、协同化、闭环化的业务系统。核心价值在于：
流程替代人治：从"微信群催办+人工筛选"到"系统自动推进+AI辅助评分"，分析师日均筛选耗时从4小时降至30分钟。
规则替代经验：从"专家个人判断"到"五类规则量化评分+专家在线标注+规则自动沉淀"，模型认可率从20%提升至74%。
数据替代感觉：从"这篇好像不错"到"信源得分+主题得分+关键词得分+公司关联得分=总分138，推荐等级中价值（接近高价值）"，评分过程完全可追溯。
闭环替代断裂：从"反馈散在群里、规则口口相传"到"标注→分歧识别→规则沉淀→模型迭代→效果验证"完整闭环，14个版本迭代、297条采纳建议、50+优化点全部留痕。
PRDC闭环法的行业价值：不仅适用于天然气市场商情分析，更可推广至金融舆情监测、政策跟踪分析、竞品情报搜集等任何需要"人工筛选+专家判断+规则沉淀"的业务场景。
应用分享链接：https://www.jiandaoyun.com/a/6a45200d5bcb41eac6db8fb1
简道云应用：132 | 市场商情智能分析闭环平台 | 6个表单 | 135条演示数据 | 3处数据联动 | 3个智能助手 | 5类AI评分规则 | 14个模型迭代版本
