企业内部最常见的数据争议，往往不是“有没有数据”，而是“这个数到底怎么算”。
同样是客单价，销售团队可能用销售额除以订单数，财务团队可能用销售额除以付款用户数。两边都能讲出理由，但报表一对不上，会议就会从业务讨论变成口径争论。
指标体系建设的核心，就是让每一个关键数字都有清晰、稳定、可追溯的解释。
指标卡片：给每个核心指标一张身份证
建议企业为每个核心指标建立一张“指标卡片”。它不需要复杂，但必须完整。
一张指标卡片至少包括：
- •指标名称：例如销售额、复购率、广告 ROI。
- •业务含义：这个指标回答什么问题。
- •计算公式：分子、分母、过滤条件分别是什么。
- •统计周期：按天、周、月、活动周期还是滚动周期。
- •时间口径：按创建时间、支付时间、发货时间还是完成时间。
- •排除规则：测试订单、取消订单、退款订单、异常数据如何处理。
- •数据来源：来自哪些系统、表和字段。
- •适用维度：可以按哪些维度拆解。
- •权限范围：哪些角色可以看，能看到什么粒度。
- •负责人：谁负责维护口径。
指标卡片的价值，是让业务、数据、IT 和 AI 使用同一个定义。
指标分层：不同角色看不同层级的问题
企业指标不应该平铺成一个长列表，而应该分层。
第一层是战略指标，服务老板和高管。它回答企业整体是否健康，例如收入、利润、增长、市场份额、客户价值。
第二层是经营指标，服务业务负责人。它回答业务为什么变化，例如转化率、复购率、客单价、库存周转、广告 ROI、履约效率。
第三层是执行指标，服务一线团队。它回答今天要做什么，例如门店日销售、单品销量、券核销、客服响应、渠道投放计划、异常订单。
分层之后，AI 才能根据提问者角色，给出合适粒度的答案。
维度体系：让指标可以被拆开看
指标回答“发生了什么”，维度帮助回答“为什么发生”。
销售额下降只是结果。要分析原因，至少要能按时间、渠道、门店、区域、商品、品类、会员、人群、活动等维度拆开。只有拆开，才能判断问题来自广告流量、商品转化、库存缺货、门店执行还是会员流失。
常见维度包括：
- •时间维度：小时、日、周、月、节假日、活动周期。
- •组织维度：总部、区域、门店、导购、运营团队。
- •商品维度：品类、品牌、SKU、价格带、新老品。
- •渠道维度：天猫、京东、抖音、小红书、私域、线下门店。
- •会员维度：新客、老客、沉睡会员、高价值会员、复购人群。
- •活动维度：大促、满减、券包、新品试用、第二杯半价。
维度体系越清晰，AI 越能从“回答数字”走向“解释原因”。
指标卡片示例：复购率
指标名称：复购率
业务含义：衡量一段时间内已有客户再次购买的比例，用于判断会员留存和运营效果。
计算公式：周期内复购客户数 / 周期内购买客户数。
统计周期：按月统计，也可用于活动后 7 天、30 天复购分析。
排除规则：排除测试订单、取消订单和全额退款订单。
适用维度：渠道、门店、会员等级、品类、活动、城市。
权限范围：店长看本门店复购率，区域经理看区域，总部看全局。
使用场景：会员运营复盘、短信触达策略、沉睡会员唤醒、复购异常预警。
AskTable 如何落地
在 AskTable 中，指标卡片中的内容可以沉淀为业务文档、字段备注、分析偏好和语义配置；DigTable 可以把相关明细表、维度表和汇总表建成 AI 友好的模型；AskTable 则在用户提问时，根据这些口径和权限返回一致答案。
当指标卡片稳定后，它还可以成为 AI 数字员工的工作依据。例如会员触达数字员工需要复购率、沉睡周期、会员等级、品类偏好等指标和维度，才能生成可执行的触达计划。