Maturity
从「看得见」到「问得出」
BI 的成熟度分三级。多数企业的数据基础停在第一级,但采购需求往往直接指向第三级。
01
看得见
把散在 ERP、CRM、Excel、SaaS 里的数据收上来,做成一致口径的看板。解决「到底多少」的问题。
02
说得清
加归因、预警、下钻。数字变了能追到原因,异常能被提前发现,而不是月底才看到。
03
问得出
自然语言问数:业务不用等 IT 排期,一句中文拿到图表与结论,还能继续追问。
跨级的典型表现:直接上问数,但指标口径尚未统一,问出来的数字比手工报表更不可信,三个月后无人再使用。
What we do
五件事,从源头到呈现
- 01指标体系与口径治理先定义「营收」「毛利」「活跃」到底怎么算,落到一张指标字典里,全公司一个口径。
- 02多源数据集成与建模SAP、OA、CRM、POS、手工表统一进仓,做分层建模,保留可追溯的加工链路。
- 03经营与运营看板集团—区域—门店/车间逐层下钻;早会要看的那一页放在第一屏。
- 04自助分析教会业务自己拖拽分析,配好权限与模板,减少「提需求—等排期」。
- 05AI for BI · 自然语言问数自然语言转查询,支持连续追问与意图澄清,结果可嵌入门户、企微、Teams。
AI for BI
业务问,数据答
业务提问
上季度华南哪些门店的坪效低于目标,差多少?
共 7 家门店未达标,缺口最大的是深圳福田店(-18.6%)。主要原因是来客数下降 12%,客单价基本持平。已生成明细表与趋势图。
连续追问多租户隔离页面嵌入权限继承
底层:指标语义层 + 数据权限 + 查询生成 + 结果校验,避免结果看似正确、实际算错。
Where it breaks
问数最容易错的三类问题
这三类错误与模型能力无关,根源在语义层,需要通过建模解决。
时间范围歧义
「上个月」是自然月还是滚动 30 天?「同比」按财年还是自然年?语义层必须把时间维度显式定义,并让用户能改。
错误表现:数字差 8%,但没人发现口径歧义
「活跃用户」在市场部和产品部是两套定义。问数时必须选择口径,而不是猜一个。
错误表现:回答流畅,但口径错误跨表关联
订单、退款、库存三张表的关联键不一致,模型会按错误的关联逻辑生成结果。
错误表现:结果看起来对,明细加起来对不上
Dashboard Samples
四类看板,四种决策场景
每张看板都应该能回答一个具体问题。回答不了问题的看板,只是装饰。
零售
集团—区域—门店一体化
营收、坪效、品类结构、促销效果,逐层下钻到单店单品。
回答:今天哪些店需要被关注?
物业
消耗品综合智能看板
按类别动态监控用量与成本,异常自动预警,替代月度手工汇总。
回答:这个月的成本异常来自哪里?
制造
车间设备运营与维修
设备稼动率、故障率、维修工单闭环,停机时间按月对比。
回答:哪台设备该换了?
园区
停车场实时监控
实时车位、周转率、收入曲线,异常时段自动标记。
回答:周末什么时候会满位?