智能数据分析平台
业务团队看数靠排队取数，分析师 70% 的时间耗在重复报表上；上了 BI 工具也只是「看得到数」——指标为什么波动、该做什么动作，依然靠老师傅的经验。这个原型是「企业 AI 提效设计」中面向经营决策的场景设计：把「看数 → 懂数 → 行动」做成 AI 驱动的闭环——指标树统一口径，波动自动归因，LLM 生成解读报告，让业务 5 分钟内从提问走到根因。
数据分析平台的终局不是更漂亮的图表，而是从指标异常到根因到行动的闭环。核心设计是「指标树 + 自动归因」：指标按公司级→部门级→动作级分层拆解，波动沿指标树自动下钻定位贡献最大的因子，最后生成带行动建议的解读报告。BI 回答「是多少」，这个平台回答「为什么」和「怎么办」。
工作过程
从取数调研，到指标体系设计，再到原型验证
跟随取数一周
分别跟随业务与分析师各一周，梳理 30+ 个高频取数需求，归纳出三段断点：看数（排队等报表）、懂数（波动原因靠猜）、行动（结论到动作断链）——大量需求其实卡在后两段而不是第一段。
设计指标树规范
设计公司—部门—动作三级指标树与口径管理规范：每个指标有唯一定义、负责人与版本；同时定义自动归因的下钻规则——波动检测、因子贡献度计算、根因链路输出。
自助闭环验证
用真实脱敏数据驱动可交互原型，验证业务自助闭环：从「GMV 为什么跌」的提问，到归因链路，到带建议的报告，5 分钟内完成——过去这条路是分析师两天的排期。
产品原型
智能分析工作台 · 交互原型预览
GMV 周环比 -6.2% · 归因完成 · 客单价下滑贡献 62%
异常检测触发自动下钻，沿指标树定位贡献最大的因子链
生成解读报告 →产品特色
四个打通「看数—懂数—行动」闭环的关键设计
指标树与口径中心
公司—部门—动作三级指标分层，每个指标有唯一定义、负责人与口径版本。根治「同名不同义」：市场说的转化和销售说的转化，在指标树上是两个不同的节点，各自可追溯。
异常检测与自动归因
指标波动自动检测，沿指标树自动下钻计算各因子贡献度，输出根因因子链——「GMV 跌了」自动变成「客单价下滑贡献 62%，原因是品类 B 价格带下移」。
智能报告生成
数据解读自动生成周报：结论先行、归因支撑、行动建议收尾，并附置信度与数据口径。分析师从「写报告」变成「审报告」，70% 的重复劳动被释放。
语义层自助查询
自然语言查数基于语义层（指标 + 维度 + 口径）而非裸表结构，查询结果自动挂载到指标树口径上——业务问「上周华东的转化率」，系统知道是哪个定义、哪个维度切片，取数不再排队。
技术方案
数据仓库 → 语义层指标树 → 异常检测 → 归因分析 → 智能报告
设计权衡与开放问题
已决策
- 指标先入树、后可查：没有口径定义的指标不进查询层
- 归因输出贡献度排序，而不是因果断言
- 自动报告标注置信度与数据口径，可人工修订
- 自助查询基于语义层，禁止直接暴露裸表
开放问题
- 贡献度归因是相关性不是因果性，业务误读风险如何防
- 自动报告的信任建立：错误解读一次，信任崩塌很久
- 指标树维护成本高，口径治理由谁长期负责
- 业务自助查询与数据安全的边界：行级权限如何与语义层共存