DigTable 数据采集与建模平台
先把数据采集回来、保存下来，再建成 AI 友好的数据模型。
DigTable 面向 AI Analytics 场景，把企业内外部数据从原始业务表、平台数据和文件中采集回来，沉淀为 ODS、DWD、DWS、ADS 等可复用数据层，让 AskTable 和业务 Agent 更容易理解、查询和复用指标口径。
从 Gather Data 到 Build Data，再进入 Ask Data。
Gather Data
采集数据库、业务系统、表格、平台数据和公开数据，先把分析所需的数据带回企业自己的数据环境。
Store Data
把采集回来的数据统一保存、更新和管理，形成可追溯、可复用的企业数据资产。
Build Data
把原始 ODS 数据加工成 DWD / DWS / ADS 等面向业务问题的数据模型。
Ask Data
把 AI 友好模型交给 AskTable、业务 Skill 和 Agent 使用，支撑问数、报告和自动执行。
为什么要建模？因为 AI 需要更容易理解的数据。
原始业务表通常更接近系统记录，不一定适合直接问。DigTable 把数据整理成业务实体、指标、维度和场景宽表，让 AI 查询路径更短，答案口径更稳定。
保留原始业务数据
同步订单、会员、商品、库存、广告、线索等原始表，保证来源可追溯。
清洗成明细事实
统一字段、状态、时间和主键，把原始记录整理成可分析的业务明细。
沉淀主题汇总
围绕商品、渠道、会员、门店、城市等主题，汇总常用指标和维度。
面向场景服务 AI
为经营日报、投放优化、会员触达、库存监控等场景构建 AI 友好数据表。
DigTable 负责把数据准备成 AI 能稳定使用的形态。
多源采集
对接数据库、数据仓库、ERP / CRM、表格文件、业务平台和公开数据。
统一存储
把分散数据保存为统一资产，支持后续建模、更新、追溯和权限管理。
AI 友好建模
围绕业务问题构建事实表、维度表、指标表和场景宽表，减少 AI 误解。
指标口径复用
把 GMV、ROI、毛利、复购、转化等口径沉淀下来，供 AskTable 统一使用。
实施共创
支持数据团队、实施团队和业务数据运营共同定义模型，而不是只交给研发写脚本。
服务 Agent
让业务 Agent 基于稳定模型生成报告、触达计划、异常提醒和经营建议。
DigTable 和 AskTable 是一条完整链路。
DigTable 让数据可采集、可保存、可建模；AskTable 让数据可问、可解释、可治理、可被 Agent 调用。
选定业务场景
先从一个高价值问题开始，例如投放 ROI、会员触达、库存预警或经营日报。
构建数据模型
把相关原始表加工成面向场景的 AI 友好模型，并沉淀指标口径。
交给 AskTable 使用
业务人员和 Agent 在权限范围内问数、生成报告、自动执行和持续优化。