第 3.7.1 节：先判断哪些数据问题适合生成报表和建议
进入实现之前，先围绕“先判断哪些数据问题适合生成报表和建议”划清适用场景、不做范围和判断条件。完成本节后，你应该能够写出数据问题的适用场景、不适用场景、前置条件和进入工程实现的判断标准。
章节定位
数据报表与经营决策智能体的核心价值，不是把表格里的数字换一种说法，而是把“数据事实、指标口径、异常解释、经营动作和责任边界”连成一条可复核的业务链路。客户经常会说：“我想让 AI（人工智能）自动分析销售报表”“能不能每天给老板发经营结论”“库存低了能不能自动提醒采购”。这些话听起来像报表自动化，实际交付时牵涉数据口径、业务规则、权限、审计和人工决策。
本章讨论的是教程级项目做法：如何把一个数据分析需求拆成可交付的智能体系统。读者要学会判断资料是否足够、指标是否可信、模型能做什么、模型不能越过什么边界，以及怎样把项目包装成能被客户理解、能被面试官追问、能进入作品集展示的案例。
关键原则只有一句：模型负责解释和组织证据，系统负责计算与留痕，业务负责人负责最终判断。
行业业务问题
数据类客户通常不是缺少图表，而是缺少“及时、统一、可行动”的解释。
-
经营层看不懂报表背后的变化原因
销售额下降、毛利波动、转化率下滑、库存积压等问题，经常需要跨部门追问。普通报表只能告诉客户“发生了什么”，不能稳定回答“为什么可能发生”“下一步该看哪里”。 -
指标口径不一致
销售部门说成交额，财务部门说确认收入，运营部门说支付金额，管理层说回款金额。智能体如果直接总结数据，会把不同口径混在一起，造成严重误导。 -
数据刷新和延迟没有被看见
有些数据每天刷新，有些数据每小时刷新，有些数据靠人工上传。模型输出结论时如果不标注数据时间，经营判断就可能基于过期事实。 -
异常发现依赖人工经验
很多企业靠老员工盯报表。新人不知道什么是异常，也不知道异常后该找哪个维度。智能体可以把同比、环比、阈值、结构变化和历史案例组合成标准排查路径。 -
决策建议缺少责任边界
“建议加大投放”“建议降价清库存”“建议暂停采购”都可能影响资金和经营结果。智能体可以生成建议，但必须说明证据、假设、风险等级和需要谁确认。
适合与不适合场景
适合做
- 每天、每周、每月固定生成经营简报。
- 对销售、库存、财务、客服、投放等指标做异常提醒。
- 管理层用自然语言追问已经定义好的指标。
- 把 BI（商业智能）看板转换为管理层可读的解读。
- 为门店、区域、商品、客户分层生成差异化复盘。
- 对库存预警、目标进度、费用波动做风险提示。
不适合直接做
- 指标字典不存在，且客户内部没有人能确认口径。
- 数据质量长期混乱，基础字段缺失严重。
- 客户希望模型直接决定价格、采购、裁员、投放预算等高风险动作。
- 需要实时交易级风控，但没有可靠数据链路和审批机制。
- 客户只想要“看起来很智能”的展示，不愿意整理数据来源、权限和验收样例。
判断标准很简单：如果结论出错会造成管理误判、资金损失或跨部门冲突，就必须把智能体放在“辅助分析和提醒”的位置，而不是“自动拍板”的位置。
需求澄清清单
接到需求后，不要先谈模型。先把下面问题问清楚。
| 分类 | 必问问题 | 为什么要问 |
|---|---|---|
| 业务目标 | 这个报表最终服务谁？老板、部门负责人、一线主管还是分析师？ | 不同角色需要的粒度和措辞不同 |
| 指标口径 | 每个关键指标的计算公式、过滤条件、统计周期由谁确认？ | 口径不统一会直接导致错误结论 |
| 数据来源 | 数据来自 ERP（企业资源计划系统）、CRM（客户关系管理系统）、BI（商业智能）、表格还是数据库？ | 决定接入方式、刷新频率和可信度 |
| 刷新频率 | 数据是实时、小时级、日级还是人工上传？ | 决定结论是否需要延迟提示 |
| 历史样例 | 有没有过往日报、周报、经营会纪要和异常处理记录？ | 用来学习客户真正关心的解释方式 |
| 异常规则 | 什么情况算异常？同比、环比、目标差、阈值还是排名变化？ | 没有异常定义就只能泛泛描述 |
| 输出形式 | 输出到看板、消息、邮件、文档还是审批系统？ | 决定交互流程和留痕方式 |
| 决策边界 | 哪些建议只提醒，哪些建议必须人工确认？ | 防止模型越权替客户做经营决定 |
| 权限范围 | 谁能看全公司数据，谁只能看自己区域或门店？ | 数据类项目必须控制权限 |
| 验收样本 | 用哪些历史月份、异常案例和业务复盘做验收？ | 让验收从主观喜欢变成证据比较 |