如何快速响应业务团队用数的问题，它应该是我们IT最关切的一件事。
先来看我们用数的业务场景。不管是业务还是领导，常常需要数据支撑我们的观点，通常的业务场景有下列有5种：
一是领导问询。如果有新车上市，他就会一直问我们现在订单有多少，或者我们竞品的销量上个月如何。他们可能只是需要一个数，但有的时候又不想要打开电脑去仪表盘，直接问是比较快的。
二是会议中临时需要对标的数据。为什么竞品是这样、为什么竞品是那样，需要提供一些对标数据给领导。这些数据可能有点发散，我们可能有这个数据的准备，但不一定永远挂在仪表盘上，可能在某人的一个数据报告里面，大家去翻找。
三是脑力激荡中我们需要一些参考，来佐证这个方案是可行的，或者是验证这个方案应该要怎么走。
四是在汇报的时候，领导或同事举手发问，可能是宏观数据或者是会问更细节的一些数据。这些临时提问的补充数据，可能是在材料上并没有准备过，一时间答不出来。
五是编写我们的数据报告，需要一些支撑的数据。
有用数的业务场景，我们就有相对应的取数场景。
我们有建设的数仓、数据市集、大屏、仪表盘，还有每周每月每年的数据分析报告。这些都是预处理预准备的，我们已经知道使用习惯，按时提供，业务团队去刷新数据就可以。
但刚刚在说的这5个场景却无法去支撑，我们没办法随时随地的快速满足这些问询，为什么？
痛点就是我们其实有数据，但是用数据的场景是很复杂的，需要跨主题的分解，可能基于宏观经济做销售预测的时候，还需要一些比较微观的支撑。
第二个就是我们目前也有很多在用的数据分析工具，但所有数据分析工具其实都有分析的门槛，你一定要有一些学数据分析的基础，除了操作以外，还要学这个领域的一些基本知识，所以不是所有人可以快速简便地获取数据。
更常发生的是用数的人可能在周末加班或晚上开会，取数的同事们却已经回家了或在假期中，没办法及时响应这些需求。我们常常可以看到在高铁站、马路边，有人打开电脑疯狂地取数。
基于这种问题，我们就开始寻找能不能有一个更好的方法来解决用数跟取数的困扰。
针对我们的业务痛点，制定了一个统一的评价维度，做第一轮的评估。根据评估的结果，邀请厂商在我们公司的测试环境里面搭建一个测试的数据集，最终设置了4个维度、15个功能点的评价标准。
DataGPT对我们IT响应业务用数的效率有大幅提升；对于业务而言，它也加速了使用数据的闭环。
基于长安汽车已经有建好的数据基础架构，只要做一些可视化的适配跟建模，就可以快速聚焦在我们最常用的业务场景，实现快速落地。
整个互动过程不需要用数人学什么，真的只要会问就可以。甚至很多领导迫不及待要用，因为问到了结果以后，他可以直接在企业微信上转发到业务线负责人，要求他们跟进，更有效地提升了业务工作环境里基于数据的工作方式。
DataGPT也补充了长安汽车IT架构的一个空白。我们基于公司统一IT架构，过去是按传统的做法，自主分析的工具有很多，做数据报告、仪表盘等，通过DataGPT降低了使用数据的门槛，补充了所有业务人员用数的环节。
