指标口径不一致
销售、生产与财务各自取数，统计范围和计算方式不同，会议经常耗在反复对数上。
AI原生指标中台
AI 原生指标中台以企业经营指标为核心，统一沉淀指标口径、统计规则、语义模型和分析维度，避免不同系统、不同部门之间口径不一致。结合 AI 问数与智能分析能力，业务人员可以更自然地理解数据、追踪变化原因，并将核心指标复用到看板、报表和业务流程中。
数据越多，企业越难说清同一个指标
口径、来源和业务上下文分散在不同系统中。管理者难以快速确认数据，也难让 AI 准确理解业务。
数据来源难追溯
字段经过多次加工后缺少清晰血缘，指标出错时难以快速找到来源和影响范围。
数字缺少业务语义
报表只有结果，缺少客户、订单、设备等上下文，AI 难以理解数字背后的业务关系。
异常处理依赖人工
看板发现异常后，归因、审批和跟进仍分散在线下流程，问题处理慢且结果难验证。
从明确口径开始，让指标进入业务流程
围绕一个关键指标，依次完成定义、溯源、语义关联、分析使用和结果验证。
- 01
明确指标定义
确认指标名称、业务含义、统计范围、维度和责任人，先形成可共同使用的口径。
- 02
拆解维度与度量
梳理原始表中的分析维度和计算度量，把分散字段整理为结构清楚的指标。
- 03
核对指标来源
关联指标定义、来源映射与口径版本，并复用数据中台血缘核对上游变化。
- 04
关联业务脉路
把指标关联客户、订单、设备和工单等上下文，补充分析所需的业务语义。
- 05
使用并验证结果
指标进入 ChatBI、预警和归因流程，具备接口与权限时再按红黄绿灯处理并验证结果。
让问数有依据，让异常处理有结果
同一套指标口径连接管理分析与业务协同，减少对数等待，并为每次判断保留依据。
AI原生指标中台
01
全公司统一看数
各部门围绕同一指标定义开展分析，减少重复建表、口径争议和会议对数。
02
结果来源可核对
通过来源映射、口径版本及数据中台血缘核对指标结果，异常更容易定位和复核。
03
业务问题快速问答
业务人员通过 ChatBI 按统一口径提问，减少临时取数、写 SQL 和人工整理。
04
异常处置可验证
在已配置的场景中，预警、归因、建议、审批和结果验证相互衔接，推动问题完成处理。
用指标模型、业务语义和规则支撑协同
具体机制覆盖指标定义、来源核验、自然语言问数与分级决策，能力范围按项目版本确认。
维度与度量建模
从原始表中识别分析维度和计算度量，为指标定义建立统一的数据结构。
统一口径管理
集中维护指标名称、计算方式、统计范围和业务含义，供看板与应用复用。
指标来源映射
记录指标与数据来源、口径版本及引用应用的关系，并复用数据中台血缘评估影响。
业务语义关联
结合客户、订单、设备等业务关系梳理指标脉路，具体深度以项目版本为准。
ChatBI 自然问数
以统一指标语义约束查询范围，支持按业务维度追问并核对数据来源。
红黄绿灯分级
已接入并完成配置的场景，可按绿灯执行、黄灯审批和红灯决策，并记录验证结果。
覆盖经营分析、现场监控与业务协同
同一套指标语义可服务管理者、业务团队和已接入的 AI Agent，从问数延伸到受控处置。
企业经营分析
统一收入、订单、库存和交付口径，帮助管理层查看经营状态并继续追问原因。
制造现场监控
围绕设备、生产、质量和报工组织指标，发现异常后连接预警与处置流程。
订单供应链协同
关联客户、订单、库存和供应商数据，减少跨系统对数与上下游信息割裂。
AI Agent 受控执行
已接入且完成权限配置的场景，可按红黄绿灯决定建议、审批或规则内执行。
实施前，先确认产品范围与使用边界
数据基础、问数效果和执行深度都与系统接入、项目配置及交付版本有关。
01和传统 BI 有什么区别
传统 BI 侧重展示分析，本产品进一步统一指标语义，并支撑问数、预警和协同。
02和数据中台是什么关系
数据中台负责接入、加工与字段血缘，指标中台在其上管理口径、来源映射和业务语义。
03需要替换现有系统吗
ERP、MES 等系统继续承载业务，所需数据和写回能力通过项目接口连接。
04ChatBI 答案如何核对
可结合统一口径、来源映射和口径版本核对结果，正式使用前仍需用真实问题集验证。
05AI 会直接修改数据吗
系统不会默认开放执行权限，写回需要对应接口、权限、规则和审批配置。
06本体能力目前做到哪一步
本体建模处于一期建设阶段，深层对象、关系、动作、函数和自动化范围，以当前交付版本为准。
07是否支持私有化部署
可结合企业网络和数据边界评估，模型使用、数据出域和可接数据源以部署方案为准。
