先区分问数、知识问答与业务执行
| 任务 | 示例 | 需要验证 |
|---|---|---|
| 结构化数据问数 | 上月各工厂的延期订单有多少？ | 期间、工厂权限、延期定义、查询结果 |
| 知识问答 | 延期订单的处理制度是什么？ | 文档版本、适用组织、引用位置 |
| 业务执行 | 根据异常自动发起处理流程 | 执行权限、确认步骤与操作记录 |
从一个数据主题准备问数基础
- 业务术语：为简称、别名和同义词指定一致含义。
- 指标定义：明确公式、统计粒度、时间窗口和排除条件。
- 数据模型：说明维度关系、可关联字段及数据更新时间。
- 访问权限：按角色确认可以查询、查看和导出的范围。
- 验证问题：准备正常、歧义、无数据、越权和异常场景的参考结果。
同一句话，可能有不同的业务解释
“上月华东工厂交付怎么样？”至少涉及组织范围、自然月还是财务月、按订单数还是数量、部分交付如何处理。一个可用的问数过程应让用户确认这些条件，再展示结果、口径和更新时间。
答案应能回到查询条件、指标定义和来源记录。仅展示自然语言结论，难以判断差异来自数据、公式还是语言理解。对于原因分析，应区分数据中观察到的关联与已经获得业务证据的原因。
派可数据可以从哪些基础工作开始讨论？
现有 PACK BI 产品说明覆盖维度建模、指标、取数、分析与权限，可以先围绕这些基础梳理问数的数据条件。AI 模型接入、私有化运行、问答追溯与具体操作能力，应通过本次演示和所选版本逐项确认。
首轮验证可先限定在订单交付或集团经营月报等一个主题，以一组经过人工核对的问题比较结果。准确性、响应时间与成本应在同一数据、权限及运行环境下测量。
验收要看哪些表现
- 问题有歧义时，能够澄清范围或说明采用的假设。
- 有标准答案的问题，能够核对数值、筛选和单位。
- 无数据或越权问题，不把猜测包装成已查询的事实。
- 能够查看必要的查询依据，并由授权人员复核。
- 记录数据量、模型、环境、响应时间与异常样例，便于比较版本。
常见问题
建好数据仓库就能保证 AI 回答百分之百正确吗？
不能。模型理解、数据质量、语义歧义、权限和查询生成仍可能影响结果。应使用验证集和可追溯依据持续检查。
可以一开始就让 AI 自动修改业务数据吗？
应先明确业务执行的权限、确认和审计机制。问数查询和修改业务数据属于不同操作范围，需要分别设计与验证。
如何准备一次有价值的 AI 问数演示？
带上一个数据主题、脱敏样例、指标定义以及含边界情况的问题清单，用同一批数据比较答案、权限与追溯过程。
资料与依据
产品范围以具体版本和项目评估为准。案例说明保留原始资料的范围与状态，方法示例不代表客户实际经营数据。
- 派可数据：PACK BI 平台能力
公司发布的产品说明；模块与部署范围按具体版本及项目确认。