很多企业第一次尝试 AI 问数时，最容易低估一件事：AI 不只是连接数据库就能回答好业务问题。
一个业务负责人问“上个月销售额是多少”，这句话听起来很简单，但真正落到数据里，马上会出现一串问题：销售额是否扣除退款？是否包含优惠券抵扣？按下单时间还是支付时间统计？测试订单是否排除？预售订单算不算？跨渠道订单怎么归属？
如果这些问题没有被提前定义，AI 只能在混乱里猜。它可能生成 SQL，也可能返回一个看起来很像答案的数字，但这个数字未必是企业真正认可的经营口径。
所以，企业做 AI 问数之前，第一件事不是买模型，也不是先搭聊天框，而是建设指标体系。
指标体系不是指标清单
很多人把指标体系理解成一张表：销售额、毛利率、复购率、客单价、库存周转天数、广告 ROI。这只是开始。
真正的指标体系，是围绕业务目标组织起来的一套数据语言。它至少包括：
- •指标名称：这个指标叫什么。
- •业务含义：它回答什么业务问题。
- •计算公式：它到底怎么算。
- •统计周期：按天、周、月，还是活动周期。
- •维度体系：能按门店、区域、渠道、商品、会员、活动拆解吗。
- •数据来源：来自哪个系统、哪张表、哪些字段。
- •权限范围：谁能看总部，谁只能看区域或门店。
- •负责人：当口径有争议时，谁说了算。
- •使用场景：用于日报、复盘、预警、看板，还是 AI 数字员工执行。
没有这些内容，指标只是名字；有了这些内容，指标才变成企业可复用的管理语言。
数据很多，答案仍然很慢
企业数据分析慢，通常不是因为没有数据。相反，数据太多、太散、太不统一，才是更常见的问题。
电商团队有平台数据、广告数据、会员数据、订单数据、商品数据；连锁餐饮有门店 POS、外卖平台、会员小程序、供应链、排班和库存；总部和一线还会维护大量 Excel。每个系统都能导出报表，但当业务真正追问原因时，大家往往又回到手工汇总、截图、拉群、找 IT。
这时，AI 问数看起来像捷径。但如果指标口径没有统一，AI 只是把不一致的报表换成不一致的自然语言答案。
指标体系决定 AI 能不能稳定回答
AI 要回答业务问题，背后需要三类确定性。
第一，语言确定性。业务说“销售额”“GMV”“成交额”，系统要知道这些是不是同一个概念。
第二，计算确定性。同一个指标必须有统一公式、过滤条件和时间口径。
第三，权限确定性。同一个问题，不同角色问，答案范围应该不同。店长看自己门店，区域经理看区域，总部看全局。
指标体系的价值，就是把这些确定性提前沉淀下来，让 AI 不必每次重新猜测。
从一个场景开始，而不是一次性做大中台
指标体系建设不应该一开始就做成大型项目。更实际的方式是从一个高频、高价值场景开始。
例如：
- •经营日报：每天自动回答昨天卖得怎么样、哪里异常、该看什么。
- •广告复盘：自动分析花费、转化、ROI 和异常计划。
- •库存预警：识别缺货、积压和补货优先级。
- •会员触达：找出可唤醒会员、复购人群和沉睡用户。
先把一个场景里的指标、口径、维度、数据源、权限和使用流程跑通，再复制到更多场景。这样更容易形成闭环，也更容易让业务团队参与进来。
AskTable 如何落地
在 AskTable 产品体系里，DigTable 负责把企业数据采集回来、保存下来，并建成适合 AI 使用的数据模型；AskTable 负责在语义、权限和业务知识之上回答业务问题；AI 数字员工则把稳定的指标体系和业务方法论沉淀成可自动执行的 Skill / Solution。
指标体系不是 AI 问数的附属工作，而是 AI 数据分析真正可用的前提。