# 制造企业做 AI 问数，先统一指标口径

根据指标管理与 ChatBI 资料，说明业务指标、数据来源和计算口径的准备工作，并区分对话问数与尚在规划的分析能力。

AI 实操

让业务人员向 AI 查询经营数据，先要确定数据来源和计算方法。同一个订单额或库存量，各部门如果算法不同，换成对话查询也不会自然得到一致答案。

## 确定指标的计算方法

报告指出，数据表不等于业务可以直接使用的指标。销售、生产、财务数据即使已经汇集，各部门仍可能重复计算，并得出不同结论。

梳理时可从订单额、库存量等经营指标入手：它表达什么业务含义，由谁负责解释，采用什么计算逻辑，又需要按哪些维度查看。将这些内容放在一起确认，有助于识别同名不同义、名称不同但含义相同的问题。指标还应随业务调整和淘汰，避免只增加数量，却无法回应经营问题。

## 把定义接到实际数据上

只有名称和说明的指标文档，还不足以支撑持续使用。资料强调，指标需要与取数路径、计算方式和分析应用关联。

实际梳理时，应把指标对应到来源数据表，说明计算过程，再关联使用它的报表或看板。业务人员查看结果时，应能同时理解其含义，并沿数据链路追溯来源。业务负责人负责确认定义，数据团队负责打通数据路径，两者需要共同参与。

## 让不同应用复用同一口径

如果每张报表都重新加工指标，计算差异和维护工作就会继续累积。资料中的做法是统一定义和发布指标，再供不同分析应用引用。

企业可据此检查：同一指标在不同看板中是否重复计算，修改定义后涉及哪些应用，业务人员能否找到并查看计算说明。随后围绕核心经营内容搭建看板，并根据业务变化调整分析内容，让指标真正进入日常使用。

## 从清楚的查询需求开始问数

资料介绍的FineChatBI V1.0场景包括业务自助问数、全局资产检索和业务自助分析；基于指标的问数则结合业务解释，并支持跳转详情追溯确认。

实践中，可先明确要查询的指标及时间、商品等维度，再对照指标定义理解回答。找不到数据、读不懂口径与缺少分析思路是不同问题，应分别检查资产检索、指标说明和分析流程，避免把所有期待都放在一次对话上。

## 区分已有功能与规划能力

这份资料将指标归因、交叉归因和分析思路配置标为规划中，将推理分析与自主执行列为开发测试中的阶段。评估时应按资料标注区分功能状态，不能把演进方向当作已经交付的能力。

---
参考来源：2025年指标+AI智启数据普惠新时代报告.pdf

本文用于学习参考，请结合实际工作核对后使用。