FleetView 2.0 立项申请

全链路 AI 赋能储能运维 · 构建差异化竞争壁垒

2026.07

01/13

目录

01
业务背景
市场痛点与四组结构性问题 · P3
02
核心价值
安装商 · 大客户 · 服务团队 — AI 重构问题解决链路 · P4-6
03
核心竞争力
四大卖点:全域 Agent · ChatBI · 权限 · UI/UE · P7-10
04
落地计划
路线图 · 人力投入 · 团队资源 · P11-13
02/13

236条真实反馈,指向四组结构性痛点

来源:US Prod/Service Team、SZ Service、LMT、安装商一线反馈

安装商
告警看不懂,协作打不通
  • 告警信息太技术化,缺少分类
  • 故障定位靠经验,远程手段缺失
  • 授权流程慢,操作复杂
  • 上下游授权打不通
大客户
设备管不动,数据看不透
  • 不能批量设置参数,只能逐台调
  • 组织变动导致权限失效
  • 缺乏洞察型数据分析能力
  • 业务流程复杂,权限配不上
服务团队 / LMT
日志读不懂,诊断靠经验
  • 故障日志、参数导出受限
  • 日志充斥代码,可读性差
  • 数据分散在不同系统,串不起来
  • 固件升级缺灰度管控,无通知、无回滚
所有角色共性
产品体验落后,效率上不去
  • 状态显示不准,关键监控数据缺失,控制功能不全
  • 列表看不清关键状态,无法按类型/状态快速筛选
  • 告警体系不完善,缺乏分析与处理支持
  • 权限配置不清晰,一线看不懂、不会操作
数据来源:FleetView 2.0 RTM 需求追溯矩阵 · 236条需求 · 5个需求部门
03/13

安装商三大价值:运维提效 · 可视化 · 协同加速

更快定位根因、更快闭环问题、更快完成安装交付

🔧 智能运维:少上站、少被打扰、问题提前解决
  • 智能巡检:AI 主动发现设备隐患,不等告警才响应
  • 一键远程修复:远程执行修复指令,能不上站就不上站
  • 告警分级 + 人话描述:按优先级分类,告诉安装商该做什么
  • RMA 全流程在线化:退/换/修全程可追踪
📊 数据可视化,经营提效
  • 装机趋势一屏掌握:日/周/月环比同比
  • 安装进度实时追踪,设备状态清晰展示
  • 异常预警 + 经营分析报告一键导出
  • 核心指标一屏可见:装机量、在线率、故障率
🔗 上下游协同,安装加速
  • 精确授权打通 Financier → Installer → Subcontractor 链路
  • 资产转移一键完成,权限自动跟随
  • 多公司账号统一,不再注册多个邮箱
数据来源:Charter 1022 安装商角色洞察 · 236条用户反馈分析
04/13

大客户:数据洞察 · 规模管控 · 权限治理

让大客户高效管理海量设备和复杂组织

📈 数据洞察与经营决策
  • ChatBI 自然语言查询:直接问就出结果
  • 数据查询效率提升 60%+
  • 多维度对比分析(站点/时段/设备间)
  • 站点收益对比分析,辅助扩容/缩减决策
📡 规模化设备管控
  • 一个平台,一个视图,多站点统一管理
  • 批量配置(如 20% SOC),告别逐台设置
  • 全设备生命周期:从安装到运维到退役
  • 按区域/状态/类型分组管理,关键监控数据完整
🔐 精细化权限治理
  • 多租户架构,权限随组织架构自动继承下沉
  • 各层级自主管理,零手工干预
  • 适配 TPO/融资租赁模式下的多方协作
  • 支撑全球化:多层级组织、跨公司授权、品牌隔离
数据来源:ChatBI 60%+ — BP Slide 99/163 + Charter 1022
05/13

服务团队:AI 重构问题解决链路,人力释放 50%+

❌ 当前:逐级流转,每多一级多耗数小时到数天
C端 → 安装商 → T1(<45min) → T2(<1天) → T3(<3-5天)
每次转单从头分析,人力线性增长
✅ AI 介入后:70% 在前端闭环,不再流转
C端自助解决 → 安装商现场闭环 → T1 AI Agent 70%闭环 → T2(仅复杂) → T3(仅30%)
经验自动沉淀,知识库持续生长
90%+
故障处理时间缩短
2-4h → 10-15min
50%+
运维人力节约
70%+
T1 闭环率
80%+
故障响应提升
🔍 智能诊断:更快定位根因
  • 输入 SN 秒级输出故障结论+方案
  • 日志代码自动翻译为人话
  • 已知问题 AI 自动执行 SOP
🔄 服务自闭环:不转单、不从头来
  • T1 直接确认执行,无需升级到 T2/T3
  • 每次处理经验自动沉淀到知识库
  • AI 越用越准,持续自进化
💪 人力释放:运维成本降低 50%+
  • 70% 工单 AI 自动闭环不需人工
  • 可为大客户定制专属 AI 运维工作流
  • 团队聚焦复杂问题,不再被重复工单淹没
数据来源:响应时间基线 — Service 团队实际数据 | 运维成本降低50%/响应缩短80%+ — BP Slide 138 | T1闭环70% — BP Slide 79/162 | 行业佐证:MTTR降低40-70%(IrisAgent)| Klarna -82% | 停机减少30-50%(McKinsey)
06/13

卖点① 全域 AI Agent — 从单点功能到数字员工矩阵

不只解决痛点,更超越用户需求 — 采用行业领先的智能化、配置化方案,避免后续定制化开发

🧠 AI OS 统一内核 + 先进技术架构
领先的 IoT 后端架构 · 企业级大数据平台 · 灵活的 BFF 微前端架构 · 高效 AI 工作流平台
👥 模块化数字员工矩阵
运维专家 · 数据分析师 · 服务客服 · 合规审核 — 覆盖全业务场景,替代重复性工作
🔌 可扩展 Agent 框架
沉淀通用能力组件,支持业务侧快速定制专属智能体,无需从零开发
📈 自学习成长机制
经验自动入库,持续迭代模型与知识库,越用越准,形成持续竞争力
🌐 全链路适配全球化业务
支持全球化业务开展,具备强大可扩展性;为大客户定制专属 AI 运维工作流
50%+
运维效率提升
AI Agent 自动闭环重复工单,人力聚焦复杂问题
竞争格局对比
友商
单点智能 — 某个功能加了AI(如告警分类),不具备系统性
FleetView 2.0
全域AI覆盖 + 可自进化的Agent框架,架构级差异短期难以追赶
数据来源:Charter 1022 + BP Slide 164
07/13

卖点② 全域 ChatBI — 彻底颠覆"提需求-写代码-看报表"的低效模式

什么是 ChatBI?
用自然语言与数据对话,跳过传统"提需求→开发→报表"链路,让每一位决策者直接获取洞察。
自然语言交互,无需 SQL/BI 技能
降低数据分析门槛 — 人人可用
自动生成图表和仪表盘,不只是文字回答
💬 场景示例
用户提问:
"对比过去3个月,哪些站点的电池健康度下降超过5%?按区域分组,标出需要上站巡检的"
⚡ 系统响应:
自动跨时段对比 → 筛选异常站点 → 按区域聚合 → 标注高风险设备 → 生成巡检建议清单
无需等待开发排期,实时响应
60%+
数据获取与分析效率提升
告别"提需求→等开发排期→看报表"
现在直接问,实时出结果
储能行业竞争窗口
Tesla / Enphase / SolarEdge:均无 ChatBI 能力
储能行业目前没有竞品提供自然语言数据查询,我们有先发优势窗口
ChatBI 已成为企业软件标配趋势(Microsoft/Salesforce/阿里云等均已推出),储能行业尚属空白
数据来源:Charter 1022 ChatBI竞品分析 + BP Slide 99/163
08/13

卖点③ 全域权限管理框架 — 完美适配欧美 TPO 及融资租赁模式

🔐 RBAC 权限模型
  • 按角色精细化分配权限
  • 权限配置可视化,一线看得懂、会操作
  • 不再依赖研发手动配置
🌐 多租户架构
  • 一套系统服务多个独立租户
  • 组织架构变更时权限自动跟随
  • 支持全球化业务扩展(多区域、多时区)
🔗 TPO 多方协作
  • Financier/Installer/Subcontractor 各方权限清晰
  • 站点资产交易时,管理权一键移交给新的持有方
  • 各层级自主管理下属权限
竞争格局对比
维度 友商 FleetView 2.0
权限模型 固定3个角色(Owner/Viewer/Support) RBAC 模型,按业务需求灵活配置角色
多租户 不支持多租户,各品牌/公司无法隔离 多级租户,品牌隔离,数据互不可见
TPO适配 仅支持站点共享,无多方权限协作 Financier/Installer/Subcontractor 各方权限独立管理
配置方式 角色固定,不可自定义 角色可自定义,各层级自主管理
数据来源:权限架构 — Charter 1022 | 友商对比 — Tesla Powerhub Access & Security 官方文档
09/13

卖点④ 极致 UI/UE — 全面体验升级,提升品牌高端感

🎨 Preline 设计规范
行业 Top3 设计规范为底座,场景适配与创新
🖱️ 交互体验优先
降低学习门槛,所有角色快速上手
✨ 视觉全面升级
简洁、美观、不用教就会用,第一眼感知到产品升级
📱 已验证路径
App 1.0→2.0 口碑瞬间反转
不是功能变了,是体验变了
FleetView 2.0 设计稿1
FleetView 2.0 设计稿2
数据来源:设计规范 — Preline + Charter 1022 | 设计稿 — FleetView 2.0 UED 团队 | App 2.0 口碑反转 — 内部实证
10/13

FleetView 2.0 Product Roadmap

183 Requirements · 5 Months · 4 Batches

Batch1 · 07.20
Batch2 · 09.05
Batch3 · 10.20
Batch4 · 11.30
结项 · 12.15
Batch 1
34 reqs
核心价值:输入SN自动诊断故障,提供排查方案,故障解决从小时级→分钟级
👤 Service Team · LMT · Installers
🤖 智能运维 24
AI诊断 · 排查方案 · 知识库 · 诊断模型 · 通信诊断 · 硬件检测 · 电池诊断
✨ 用户体验 8
诊断体验 · 告警体验 · 对话交互 · 日志体验 · 导出规范
🚨 告警管理 2
解决方案库
Batch 2
49 reqs
核心价值:子账号体系+按钮级权限;日志可视化翻译;一键远程修复
👤 Installers · Enterprise · Service · LMT
🔐 账号与权限 26
子账号管理 · 角色权限 · 多租户 · 跨系统同步 · 组织结构
📝 日志管理 14
日志可视化 · 日志翻译 · AI分析 · 操作历史 · 日志导出
🤖 智能运维 7
一键修复 · 远程视频排障 · App AI问答 · 操作审计
Batch 3
42 reqs
核心价值:告警体系重构(优先级+三级故障码);自助数据查询+看板可视化
👤 全角色覆盖
🚨 告警管理 11
告警优先级 · 故障码分级 · 智能识别 · 排障资源
📊 数据导出 9
批量导出 · 多角色导出 · 自定义筛选 · 异步导出
📈 看板可视化 9
Dashboard 2.0 · ChatBI · 能源收益 · 服务运营看板
📋 数据列表 8
设备列表筛选 · 排序 · 状态过滤 · 查询2.0
✨ 用户体验 5
UED升级(Preline) · 信息架构 · 展示清晰度
Batch 4
58 reqs
核心价值:远程设备控制;AI驱动智能巡检主动发现故障;固件灰度升级
👤 LMT · Service · Installers · Homeowners
⬆️ 固件升级 17
OTA统计 · 升级预警 · 灰度发布 · 批量通知 · 自动重试
🔍 智能巡检 15
异常检测 · SOP管理 · AI运维工作流 · 全域巡检 · 生命周期预警
🖥️ 设备管理 10
远程DC开关 · 远程PV继电器 · EMS恢复 · 批量SOC · 设备标签
🔧 平台基建 6
搜索架构 · 大数据平台 · 微前端 · IoT后端 · 消息平台
🏠 Homeowner Web 4
Web设备访问 · 设备控制 · API集成 · 设备数据
11/13

项目人力投入估算:20人 · 2278人日

项目周期 6个月(180个工作日),按角色拆分投入比例

角色 人数 投入比例 计算方式 人日
产品经理 2 60% + 30% 180×60% + 180×30% 162
项目经理 1 50% 180×1×50% 90
前端开发 5 50% 180×5×50% 450
后端开发 3 90% 180×3×90% 486
算法 2 60% 180×2×60% 216
测试 6 80% 180×6×80% 864
运维 1 固定 10
合计 20人 2,278 人日
20
核心团队人数
2,278
总投入人日
6 月
项目周期
项目周期:2026.07 — 2026.12(6个月)
12/13

跨职能协作,核心成员职责划分

角色 主要成员 核心职责
产品设计 Jeans Huang, Jilly Zhang 需求拆解、产品方案设计、验收标准制定;竞品分析与产品规划
项目经理 White Huang 进度管控、资源协调与风险管理
产品管理部 Wilson Dai 需求归集、评审与优先级管控;管控立项流程与里程碑
区域/市场 Lun Bao, Jessie Wang 一线需求对齐;用户场景验证、GTM策略协同
LMT Einstein Dong, Jim Chen, Watson YAN 核心用户代表,故障知识库维护、诊断方案审核
US产品代表 Doug, Abhi, Ronnie 产品方案评审、优先级校准
Service代表 Heng Li, Auston, Josh, Chris, Darcy 一线运维经验、故障场景输入、验收签收
后端研发 Jayden, Cenplains, White 后端API实施与平台构建
前端研发 Jax, Arthur, Albert, Gavin, Gene Web前端开发
UX/UI设计 Freya Li, Mona Peng 交互逻辑优化,设计规范落地
AI大模型 Stanley Li, Scarlett He AI智能诊断模型、智能运维算法实现与优化
架构设计 Landon Wu, Tyler Hong, White Huang, Harrison Huang, Rufus Huang 大模型架构、权限体系架构、平台架构搭建
测试 Andy Zheng, Cody Xie, Pelly Zhu, Agnes Ming, Jack Yang, Zli Zhang 全功能全流程测试
安全合规 Luke Lu, Tiano Tian 数据安全与隐私合规、安全架构评审、合规审计
13/13
按 F 进入演示模式 | ←→ 翻页 | ESC 退出