EchoStar把预测模型变成实时零售与经销商决策的智能体

背景与问题：EchoStar旗下Boost Mobile的零售扩张取决于开店前能否预判门店表现。数据科学团队用数千家门店数据训练激活量预测模型，但可及性差——业务人员依赖数据团队解读结果并生成SHAP解释，每次请求常需数天，而选址失误意味着重大损失。方案与落地：EchoStar用Databricks Agent Bricks构建AI智能体，在模型输出与业务决策间搭起「翻译层」：用户经对话界面提问「比较这两个选址」「预测的驱动因素是什么」，智能体解读意图、取回模型输出并把特征重要性转成业务化解释；团队刻意不用RAG，改用确定性SQL工具直接查询数仓，以降低高风险决策的幻觉风险；Unity Catalog负责治理，MLflow Tracing提供可观测性，Databricks Apps提供实时界面，据介绍小团队数周即完成。效果与数据：实现100%自助洞察获取，数据请求周转从数天降至近零，数据科学团队高峰期每周节省超15小时，支撑了EchoStar五年来最大的零售增长活动；同套自助理念还以Genie与AI/BI构建的Booster for dealers复用到第三方经销商网络。