企业的原始数据表，通常不是为 AI 问数准备的。
订单系统记录交易，会员系统记录用户，广告平台记录投放，库存系统记录进销存，门店系统记录收银和班次。每个系统都围绕自己的业务流程设计表结构，但 AI 问的是经营问题：为什么销售下降？哪个渠道 ROI 变差？哪些商品缺货风险最高？哪些会员应该被唤醒？
原始系统表和业务问题之间，需要一次建模。
ODS：保留原始事实
ODS 可以理解为企业把原始业务数据采集回来后的第一层。它尽量保留系统原貌，记录订单、会员、商品、库存、广告、门店、活动等原始事实。
这一层的价值是可追溯。以后任何指标争议，都能回到源头看原始记录。
但 ODS 并不适合直接给 AI 使用。字段名可能是英文缩写，状态值可能没有业务解释，不同系统之间主键不统一，测试数据、取消订单和退款处理也未必一致。
DWD：清洗成可分析明细
DWD 层负责把原始数据清洗成可分析的明细事实。它会统一字段、状态、时间口径、主键和关联关系。
例如订单明细表可以明确订单状态、支付时间、退款状态、商品、门店、渠道、会员；广告明细表可以明确计划、花费、点击、转化和归因关系。
这一层让数据从“系统记录”变成“分析明细”。
DWS：沉淀主题汇总
DWS 层围绕业务主题沉淀常用指标和维度。例如商品主题、会员主题、渠道主题、门店主题、广告主题、库存主题。
业务经常问的问题，不应该每次都从原始订单重新计算。把常用指标汇总成稳定主题层，可以提升查询效率，也能减少口径不一致。
ADS：面向场景服务 AI
ADS 层面向具体业务场景，例如经营日报、广告复盘、库存预警、会员触达、活动复盘。
这一层的数据表更接近业务问题本身。AI 不需要理解几十张原始表之间的复杂关系，而是基于已经组织好的业务数据模型进行分析。
这就是所谓 AI 友好的数据模型：不是为了技术好看，而是为了让 AI 更容易找到正确数据、理解正确口径、给出稳定答案。
AI 友好模型有什么特征
第一，业务语义清楚。表和字段有明确业务含义，不只是技术名。
第二，指标口径稳定。常用指标已经沉淀，不需要每次重新推导。
第三，维度关系清晰。门店、商品、会员、渠道、活动之间的关系可以被复用。
第四，权限可以继承。模型层能承接行级、字段级和脱敏规则。
第五，面向场景组织。不是把所有数据堆给 AI，而是围绕具体业务问题准备数据。
DigTable 的角色
DigTable 面向 Gather Data 和 Build Data。它负责把企业内部和外部数据采集回来、保存下来，并从 ODS 原始层逐步加工为 DWD、DWS、ADS 等 AI 友好数据模型。
AskTable 则基于这些模型完成 Ask Data，让业务人员和 AI 数字员工可以稳定问数、生成分析、执行复盘和预警。
没有建模，AI 需要在复杂原始数据里猜；有了 DigTable，AI 面对的是已经被业务组织过的数据语言。