AI 问数如何算对占比、排名和同比？小心这些计算陷阱

“哪个渠道的转化率最高？”

“列出销售额前十的门店。”

“华东区占全国销售的比例是多少？”

这些是 AI 问数中的高频问题。它们看起来只是除法或排序，实际上却很容易因为分母、粒度和范围不同而得到完全不同的答案。

占比先要定义分母

“华东销售占比”的分子通常比较清楚，分母却可能是：

• •全国所有销售；
• •当前用户有权查看的区域销售；
• •已开业且数据完整的门店销售；
• •排除退款、内部交易或特殊渠道后的净销售。

因此，占比类指标应在语义层中明确定义分子、分母和过滤规则，不应让 AI 每次临时猜测。

Top N 不只是 ORDER BY

“销售前十的商品”需要先回答几个问题：

• •按销售额、销量还是毛利排名？
• •在全国排名，还是在当前区域内排名？
• •相同数值是并列名次，还是强制取十条？
• •是否排除下架商品、赠品和内部测试 SKU？

如果系统不展示排名指标和筛选范围，用户很难判断这个 Top 10 是否真的可信。

平均值要区分简单平均和加权平均

两家门店的转化率分别是 10% 和 50%，不代表整体转化率就是 30%。

如果第一家有 10000 次访问，第二家只有 10 次访问，整体转化率应该用总转化数除以总访问数，而不是对两个百分比再做平均。

客单价、转化率、退货率、履约时长等派生指标都存在类似问题。

环比下降不一定是业务变差

比较指标还要考虑：

• •日期长度是否相同；
• •工作日和周末结构是否相同；
• •节假日和促销活动是否可比；
• •门店、商品和渠道范围是否发生变化；
• •数据是否已完整刷新。

一个好的 AI 问数答案不仅给出“下降 8%”，还要告诉用户比较期、范围、计算式和可比性限制。

用标准问题验证派生指标

建议为每个高频派生指标保留一组已验证问题：

1. •固定数据时间点；
2. •明确维度和过滤条件；
3. •保存期望数值和查询逻辑；
4. •配置改动后自动回归测试；
5. •对并列、空值、零分母和数据未到齐做边界测试。

结论

占比、排名、平均值、同比和环比都是语义指标，不是一段临时 SQL 就能稳定定义的。

企业应该把计算式、范围、粒度、分母和边界条件沉淀到语义层，再让 AI 负责理解用户意图和组织答案。

参考来源

• •Microsoft DAX：DIVIDE function
• •Microsoft DAX：RANKX function