金帆树人KINGFASTER
010-64425981 预约场景诊断
能力AI 应用开发数据与 BI低代码与流程自动化FDE 交付模式解决方案采购与供应链人力与员工服务财务与费控制造与质量行政后勤与工会IT 与资产行业案例资源洞察文章数字化人才培训技术市场服务关于我们预约 AI 场景诊断 →
首页/案例/零售
旗舰案例 BI零售

3 套口径合成 1 套:10 周重建门店经营看板

前 4 周没有交付任何图表,只有一份指标字典和三次评审会,客户当时的评价是没看到东西。但正是这 4 周,让这张看板后来真正进入了早会。

客户名称按保密要求匿名 · 界面与数据已脱敏

客户某全球食品零售企业(匿名)
行业零售 / 连锁餐饮
覆盖范围数百家门店 · 3 套源系统
使用角色营运总监 · 区域经理 18 人
交付形态FDE + 数据工程师
周期10 周(含 4 周口径对齐)
1 套 全公司统一口径 实测 40 项指标签认后
T+1 数据时效 实测 原 T+7 月度汇总
-80% 报表人力投入 推算 3 人全职 → 0.5 人维护
6 层 下钻维度 集团→大区→城市→门店→品类→单品

数字口径:实测来自客户后台或验收报告;推算为样本外推;基准为公开研究。

门店经营看板 · 界面示意 · 数据已脱敏
门店经营看板界面示意
从集团下钻到门店,每个数字都能点开口径定义,异常直接推给区域经理。
Why now

如果不做,会发生什么

  1. 01

    同一家店的销售额,营运、财务、供应链三个口径。周会前 30 分钟,18 个区域经理和总部在同一个会议室里对数。

  2. 02

    区域经理要看自己那 20 家店的明细,IT 每次临时跑 SQL,排期 3 天,一个月 15 单以上。

  3. 03

    促销效果只能事后看总量,说不清是哪个品类、哪类门店带来的。下一次活动照旧拍脑袋,预算没法复盘。

What we got wrong

我们判断错的两件事

我们当时以为

口径不一致是「数据问题」,把三张源表 union 起来就好了。

现场告诉我们

三个部门对「营收」的定义本身就不同:含不含税、含不含配送费、退款算哪一天。这不是数据打架,是定义打架。必须先定义,再合并。

我们当时以为

先做集团层看板,再往下钻给区域用。

现场告诉我们

集团层看板几乎没人打开。区域经理要看的是自己那 20 家店,集团层数字对他没有行动含义。我们改成从门店层往回做,采用率才起来。

Trade-offs

关键取舍

1

先花 4 周只做指标字典,不出任何图表

为什么这么选

口径没定清楚,做出来的图越多,被推翻的越多。这 4 周是把争议提前引爆。

代价是什么

前 4 周的交付物是一份 Excel 和 3 场评审会。客户高层一度认为没看到东西,需要每周用文字周报维持信任。

2

ODS → DWD → DWS → ADS 四层建模,保留完整加工链路

为什么这么选

任何一个数字都要能追到源头。第一次被质疑而追不下去,这张看板就永久失去信任。

代价是什么

开发量比「直接连源库出图」多约 40%,交付周期从 6 周拉到 10 周。

3

异常预警用规则,不用模型

为什么这么选

零售波动本身有季节性,模型误报会让区域经理直接关掉通知。一旦关掉,就再也打不开了。

代价是什么

规则覆盖不到新出现的异常形态,需要季度回顾补规则。这是长期维护成本。

Timeline

落地节奏

W1
口径盘点

拉三个部门开 3 场会,把 40 个核心指标逐条写下定义、责任部门和源字段。

W2–W4
字典定稿

三方签认。争议项单列「待定指标」,不强行统一。

W5–W7
建模

四层链路 + 主数据对齐(门店、品类、组织),建可追溯加工血缘。

W8–W9
看板

六层下钻,门店层先上,再往上收。

W10
预警与培训

三类预警规则 + 区域经理 2 场实操,教到能自己改筛选条件。

Results

结果

指标 之前 → 之后 口径一致性 3 套并存 1 套签认 数据时效 T+7 T+1 临时取数需求 每周 15+ 每周 2–3
关键指标的前后对比,口径与统计周期见上表
指标之前之后
口径一致性3 套并存1 套签认
数据时效T+7T+1
临时取数需求每周 15+每周 2–3
报表人力投入3 人全职0.5 人维护
Not good enough

一项没达到预期的

单品级毛利受促销折让分摊规则影响,约 5% 的门店仍存在口径争议。我们把这些做成「待定指标」单独标注,没有强行统一——强行统一会让业务方不信任整张看板。

现在开会不吵数了,直接吵对策。这句话听起来简单,前提是所有人看到的是同一张表。以前我们花半小时确认「你说的这个数是从哪来的」,现在这半小时可以讨论怎么救那 7 家店。
营运总监上线 1 个月 · 应客户要求匿名
Reusable

这个项目留下了什么

  • 40 项零售指标字典(含口径、责任部门、源字段)
  • 四层数仓建模模板与血缘规范
  • 六层下钻看板组件(集团 → 单品)
  • 三类预警规则:同比 / 环比 / 目标达成
Next

这套做法还能用在哪

  • 指标字典可直接复用到餐饮连锁与便利店业态,改的是组织层级,不是口径方法。
  • 四层建模模板适配任何「多源系统 + 强口径争议」的场景,包括制造与金融。
  • AI 问数已在同一语义层上试点:口径先统一,问数才不会一本正经地算错。

模板与连接器可以直接复用,相邻场景不必从零开发。

Stack
数据仓库ETL / 数据集成BI 平台指标语义层
聊聊我的场景
下一步

你们的情况可能不同

同样的场景,行业不同、系统不同、人不同,做法会差很多。90 分钟诊断,我们给出针对性的判断——包括该不该做。