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”。
同样是销售额，运营可能按支付金额算，财务可能按确认收入算，渠道团队可能按下单金额算。大家都能给出理由，但一到经营会，数字对不上，讨论就会从业务问题变成口径争论。
要让 AI 稳定问数，企业必须先把核心指标的口径定清楚。
给每个核心指标一张指标卡片
一张指标卡片不需要复杂，但要足够完整。建议至少包含指标名称、业务含义、计算公式、过滤条件、时间口径、统计周期、数据来源、适用维度、权限范围和责任人。
指标卡片的价值，是让业务、数据、IT 和 AI 使用同一个定义。
公式只是口径的一部分
很多团队以为写出公式就算定了口径。实际上，真正容易出错的是例外规则。
例如复购率的公式看起来简单，但要明确：多长时间内再次购买算复购？退款订单算不算？礼品卡购买算不算？同一个手机号和同一个会员 ID 如何合并？新老会员如何界定？
这些规则如果不写进指标卡片，AI 就只能临时猜测。
时间口径尤其重要
同一个订单有很多时间：创建时间、支付时间、发货时间、签收时间、退款时间。不同业务问题适合不同时间口径。
经营日报可能看支付时间，供应链可能看发货时间，财务可能看确认收入时间。AI 如果不知道时间口径，就可能用错日期字段。
责任人让口径可治理
指标不是写完就结束。业务变化、系统调整、渠道变化都会影响口径。
所以每个核心指标都需要责任人。口径有争议时，谁最终解释？口径变化时，谁通知相关团队？历史数据是否回刷？这些都应该进入治理流程。
AskTable 如何承接
AskTable 的语义配置可以把指标名称、字段备注、业务规则和训练样例沉淀下来，让 AI 在问数时优先使用企业认可的口径。DigTable 则把这些指标所需的数据来源和模型准备好，减少每次查询时的临时拼接。