01
AI BUSINESS INTELLIGENCE
看到今天该关注什么
将报表、异常检测与经营摘要连接起来，识别重要变化，提供可追溯的分析依据。
智能 BI / 经营摘要 / 异常监测让企业数据，
从报表
走向决策。
A clearer view.
A better next move.
连接分散的业务数据，建立统一可信的指标体系。通过 AI 分析、对话查询与预测，理解正在发生什么，判断下一步应该做什么。
AI 数据与决策智能平台 · 定制开发服务
IntelligenceDEMO DATA / 非真实业务数据
BUSINESS PULSE
06 月看到数字背后的变化。
销售收入¥9.20M较上月 −3.2%
毛利率28.0%较上月 −4.0 个百分点
AI INSIGHT / 示例
收入下降的同时，
毛利率的变化更值得关注。
销售收入趋势历史 + 情景示意
RECOMMENDED NEXT STEP查看毛利变化的构成
01Ask
用业务语言提出问题
02Understand
理解指标与变化
03Predict
评估趋势与风险
04Decide
比较选择与影响
01 / INTELLIGENCE PEOPLE CAN USE
每一次提问，
都更接近一个好决策。
以业务问题组织数据产品，让经营分析、对话查询、预测与决策支持协同工作。
02
CONVERSATIONAL ANALYTICS
直接询问你的业务数据
根据受治理的指标和权限理解问题，呈现查询范围、分析结果与图表；信息不够时先澄清。
自然语言查询 / 语义检索 / 分析解释03
PREDICTIVE INTELLIGENCE
为可能发生的变化准备
围绕需求、库存、流失与项目风险建立适用模型，验证误差、数据时效和不确定性。
需求预测 / 风险评分 / 模型评估04
DECISION INTELLIGENCE
把洞察变成可比较的选择
结合预测、业务规则和现实约束，比较方案及影响，形成需要业务负责人确认的行动建议。
情景推演 / 推荐方案 / 决策支持02 / ASK YOUR BUSINESS DATA
从“发生了什么”，
问到“接下来关注什么”。
选择一个业务问题，查看示例分析、指标定义与来源。本地演示使用固定样本，不连接企业数据库或真实 AI。
SELECT A QUESTION
ANALYSIS CONTEXT
样本时间：示例 05–06 月 业务范围：示例公司 数据单位：万元 / 件 更新时间：固定快照
演示提供三类固定问题。生产方案需结合语义模型、数据权限与查询校验。
ANALYSIS / 示例结果可追溯的回答
毛利率下降 4.0 个百分点。
销售收入由 950 万元降至 920 万元，成本由 646 万元增至 662.4 万元。收入减少且成本增加，共同压缩毛利空间；业务原因仍需进一步核查。
NEXT QUESTION
建议核查产品组合、折扣与单位成本变化；当前汇总数据不足以确定因果。
查看口径与依据 +
- 指标口径
- 毛利率 =（销售收入 − 销售成本）÷ 销售收入；不含税，扣除退货。
- 数据来源
- 示例 ERP 收入汇总 + 财务销售成本；05 月–06 月。
- 分析边界
- 采用统一口径的汇总样本，未接入产品、区域与客户级成本明细。
ANALYSIS / 示例结果可追溯的回答
华东收入减少 50 万元。
华东由 400 万元降至 350 万元，其他区域由 550 万元增至 570 万元。其他区域增加的 20 万元抵消了部分下降，整体收入净减少 30 万元。
NEXT QUESTION
优先核查华东产品、客户及渠道变化；区域贡献描述了变化构成，不代表已确定下降原因。
查看口径与依据 +
- 指标口径
- 销售收入按不含税、扣退货、统一确认日期汇总；总收入 = 华东 + 其他区域。
- 数据来源
- 示例 ERP 区域收入快照；05 月–06 月；单位：万元。
- 分析边界
- 当前样本没有订单量、价格或客户明细，无法判断折扣、需求或客户流失的影响。
ANALYSIS / 示例结果可追溯的回答
按示例需求，库存可覆盖 15 天。
可用库存 1,200 件，日均需求 80 件，在途为 0。按 14 天交期和 5 天安全覆盖计算，目标库存为 1,520 件，静态差额为 320 件。
NEXT QUESTION
在下方情景推演中比较需求与交期变化，再核对起订量、预算与在途订单，决定是否需要补货。
查看口径与依据 +
- 指标口径
- 覆盖天数 = 可用库存 ÷ 日均需求；目标库存 = 日均需求 ×（交期 + 安全天数）；差额考虑在途。
- 数据来源
- 固定虚构 SKU-A 库存快照及示例日均需求；不随下方推演参数改变。
- 分析边界
- 这是恒定需求下的规则计算，不是模型预测；未考虑季节性、供应波动或起订量。
查看全部演示数据与计算说明 +
| 月份 | 华东收入 | 其他区域收入 | 总收入 | 销售成本 | 毛利率 |
|---|---|---|---|---|---|
| 05 月 | 400 | 550 | 950 | 646 | 32.0% |
| 06 月 | 350 | 570 | 920 | 662.4 | 28.0% |
库存示例：可用库存 1,200 件，日均需求 80 件，在途为 0；静态覆盖天数为 15 天。上述数据仅用于解释界面与计算，不代表客户业绩。
03 / THE SAME MEANING, EVERYWHERE
先让“收入”有同一个含义，
再让 AI 回答问题。
业务人员、报表与 AI 应使用一致的指标定义。语义层连接技术字段和业务语言，让答案有口径、有来源、有边界。
SOURCE SYSTEMS
ERP订单、退款、履约
CRM客户、区域、渠道
财务收入确认、销售成本
通过数据映射、主数据与校验
形成可复用的数据产品。
SEMANTIC & METRIC LAYER
一个指标， 一份共同约定。
销售收入 · Net Revenue已确认的不含税销售收入 − 已确认退货金额
负责人：财务 / 粒度：订单行 / 更新：每日示例契约 v1.0：统一币种与确认日期，不等于订单总额或实际回款。
ONE DEFINITION
BI 报表
对话分析
预测与决策
权限继承到查询结果，
口径变更可追溯。
连接与统一数据
连接 ERP、CRM、财务、MES、WMS、Excel、API 与 IoT，构建采集、清洗、转换和存储链路。根据业务时效选择批处理或流式数据。
建立统一业务语义
定义主数据、维度、指标、粒度和关联关系，让用户与 AI 使用共同的业务语言，并通过指标版本管理避免口径漂移。
让信任可以验证
以质量检查、数据血缘、目录、访问控制与审计追踪支撑分析。监控数据时效、模型表现和异常，明确每项数据的责任人。
04 / EXPLORE THE NEXT MOVE
预测带来准备，
推演帮助做出选择。
把假设、约束和计算展示出来。以下以库存为例比较需求变化的影响，演示确定性规则推演；真实预测还需历史数据、回测与误差评估。
SCENARIO RESULT建议评估补货
当前库存覆盖15.0 天
目标库存差额320 件
当前库存1,200
目标库存：1,520 件（交期 + 5 天安全覆盖）
按当前假设，库存覆盖低于 19 天目标。建议评估补货 320 件，并核对供应商交付与业务约束。
查看计算与适用边界 +
覆盖天数 = 1,200 ÷ 日均需求。目标库存 = 日均需求 ×（交期 + 5）。目标库存差额 = max(0, 目标库存 − 1,200 − 0)。假设需求恒定，不考虑起订量、预算、季节性或供应波动，不自动生成采购订单。
05 / QUESTIONS WORTH ANSWERING
从一个重要问题，
找到你的数据智能场景。
将能力落实到经营、客户、供应链和运营中的具体决策，围绕可衡量的问题确定范围。
01 / 经营利润
为什么利润在下降？
统一收入与成本口径，定位产品、区域和渠道的变化贡献。
- 数据来源
- ERP + 财务 + 产品成本
- 建议衡量
- 决策耗时 / 重复确认次数
02 / 客户经营
哪些客户需要重点关注？
结合行为与历史构建风险分层，帮助业务团队安排客户跟进。
- 数据来源
- CRM + 订单 + 服务记录
- 建议衡量
- 风险识别表现 / 跟进有效性
03 / 库存与供应链
什么时候、补多少库存？
预测需求并比较补货方案，明确交期、成本和缺货风险。
- 数据来源
- ERP + WMS + 供应商交期
- 建议衡量
- 预测误差 / 缺货与库存水平
04 / 渠道增长
哪些渠道真正产生利润？
在统一归因窗口与成本口径下，比较渠道贡献与客户价值。
- 数据来源
- 电商 + 网站 + 投放 + 财务
- 建议衡量
- 口径一致性 / 分析周期
05 / 项目运营
哪些项目正在偏离计划？
结合进度、资源与成本识别风险，形成需要核查的项目清单。
- 数据来源
- 项目系统 + 工时 + 合同
- 建议衡量
- 提前识别时间 / 风险复核结果
06 / 实时业务
今天有哪些变化需要响应？
针对需要快速响应的指标监控异常，关联上下文并提示排查方向。
- 数据来源
- 订单流 + 支付 + IoT + 日志
- 建议衡量
- 数据时效 / 告警准确性
06 / TRUST BEFORE SCALE
每个答案，
都应该经得起追问。
把数据可信、查询可控和模型可验证落实到日常运行。权限与治理贯穿从连接到交付的全过程。
谁可以看到什么？
继承数据源权限，实施行列级访问控制与敏感字段处理；未获授权的信息不会因自然语言查询而扩大可见范围。
答案从哪里来？
展示指标定义、来源、统计范围和更新时间；通过血缘与审计支持复核，让业务团队能回到证据。
预测有多可靠？
用历史回测、误差指标和适用范围评估模型，观察漂移与数据变化；将不确定性纳入决策讨论。
建议如何进入行动？
输出可复核的建议。通过明确的审批与系统接口进入业务流程，保留人员对高影响决策的控制。
07 / ONE QUESTION TO PRODUCTION
先验证一个问题，
再扩展一套能力。
从数据与决策评估到小范围 PoV，逐步建设可投入生产的数据智能平台。已有数据仓库与 BI 可以作为演进起点。
Discover
锁定业务问题
访谈决策参与者，识别当前耗时、数据来源和验收目标。
问题清单 / 价值假设Connect
审视数据基础
核查数据可用性，连接必要系统，建立可复用的数据链路。
数据审计 / 连接与质量检查Define
统一指标语义
确定指标口径、维度和主数据，以业务定义约束分析。
指标契约 / 语义模型Intelligence
小范围验证
构建对话分析、BI 或预测 PoV，使用真实样本检验效果。
可运行原型 / 评估报告Decide
接入决策场景
结合规则和业务约束比较方案，确认责任人与行动边界。
决策界面 / 复核流程Govern
达到生产要求
验证权限、血缘、模型监控和运行手册；治理从项目起点参与。
审计与控制 / 生产版本Optimize
以证据持续演进
观察使用情况、误差与决策周期，优化当前场景再扩展。
效果复盘 / 场景路线图08 / MEASURE THE DECISION
价值不在报表数量，
而在决策发生的改变。
先记录基线和统计口径，再比较试点中的实际变化。模型效果与业务效果分别验证。
更快获得答案
观察取数、报表整理与决策讨论所需时间。
减少口径争议
核对跨系统指标一致性与人工重复确认工作。
更早识别变化
评估预测误差、异常识别与误报带来的负担。
让数据进入日常
关注问题自助解决率与建议被业务采用的情况。
Understand & Decide
数据智能提供决策依据；智能自动化推动获准的工作；业务系统承载日常运营。
理解 → 执行 → 运营09 / BEFORE WE BEGIN
关于数据智能，
你可能还想了解。
是否需要先建一个大型数据平台？
不一定。可以从一个业务问题出发，审视所需数据和既有仓库，先建立最小可行的数据链路、指标模型与分析能力，验证价值后再扩展。
已经有 BI，还能增加哪些能力？
可以在现有 BI 与语义模型上加入对话分析、经营摘要、异常识别或预测。先检查现有口径、权限与数据质量，再确定哪些能力值得增强。
自然语言查询会不会得到错误答案？
可能，因此需要业务语义约束、查询校验、权限控制与结果评估。信息不全时澄清问题，关键答案展示口径和来源；高影响决策应由负责人复核。
数据质量不够好怎么办？
先开展数据审计，找出缺失、重复、延迟与口径不一致的问题，明确修复责任与优先级。不以增加模型复杂度替代必要的数据治理。
能否实时分析或私有化部署？
根据数据时效、敏感性和现有环境评估批处理、实时链路、私有环境或混合部署。架构需同时考虑成本、权限和运行维护能力。
如何确定第一阶段的范围？
选择决策频率高、问题边界清楚且数据可获得的场景。明确参与者、指标与验证方法，先交付可复核的 PoV，再决定生产与扩展计划。
