ARTICLE · 1004781
AI时代,企业数据到底要准备什么?数据、语义、知识一次讲透
AI时代,企业数据到底要准备什么?数据、语义、知识一次讲透这两年，企业做AI有一个很明显的变化。 最开始大家讨论的是模型。 参数多大、推理能力强不强、能不能接DeepSeek、GPT，似乎只要模型足够强，企业里的很多问题就能自动解决。 真正落地以后却发现： 模型升级得很快，企业自己的数据问题却一点都不会自动消失。 问一句“今年华东销售额是多少”，AI也许还能回答。 但继续问： “为什么华东利润下降？” 问题马上复杂起来。 模型再强，如果前面这些信息没有准备好，它也只能在不完整的上下文里猜。 所以AI时代企业真正要解决的，已经不仅是“有没有数据”。 更重要的是： AI能不能找到正确的数据、理解正确的含义，再按照企业自己的业务逻辑继续分析。 这也是为什么现在看 FineBI Next 的AI智能分析，重点不能只放在最后那个对话入口上。 实际分析过程中，AI可以基于数据继续做处理、指标计算、图表生成和问题探索，复杂任务还能先梳理分析计划，已经形成的分析思路也能继续沉淀复用。 
从这个角度再看企业AI底座，会发现至少要准备三层东西： 数据、语义、知识。 少掉任何一层，AI都很容易停留在“能聊天”，却很难真正进入经营分析。 
一、第一层是数据：先让AI看到可信的业务事实 
企业从来都不缺数据。 真正缺的是： 可以直接拿来分析的数据。 一家企业可能同时存在ERP、CRM、WMS、MES、财务系统、人力系统，还有大量Excel和业务台账。 问题在于，这些系统天然是为了支撑不同业务流程建设的，并不是为了让AI统一理解。 同一家客户： 如果这些数据直接交给AI，它面对的可能就是四个客户。 再看一张订单表。 
里面同时存在： 订单金额、商品金额、优惠后金额、实付金额、开票金额、确认收入。 每个字段都是真的。 但分析“销售收入”究竟该取哪一个？ 这就是AI数据准备的第一个难点： 数据正确，不等于分析事实正确。 企业至少要先解决四件事。 核心经营数据不能散落在不同部门，需要明确来自哪个系统、多久更新一次、谁负责维护。 客户、商品、供应商、组织、员工、门店这些核心实体，要解决跨系统编码和身份映射问题。 重复值、缺失值、异常状态、错误日期、失效记录，如果在进入AI之前没有处理，后面的分析只会把问题放大。 一个指标从哪些表来的，中间经过什么计算，什么时候更新，都应该能够继续追溯。 到了实际分析环节，这些准备动作仍然绕不过去。FineBI Next 里的分析表本身就可以继续进行数据合并、计算、筛选、转换、清洗等处理，再把整理后的数据交给后续分析； 数据血缘和数据口径也处在这一分析体系里。 
这里真正值得重视的是： 过去一张数据表有问题，影响的可能只是一张报表。 以后底层数据一旦出现错误，AI可能会继续自动算指标、找异常、生成图表，最后再形成一套逻辑完整的解释。 自动化程度越高，对底层数据可信度的要求反而越高。 所以数据层最终解决的是： 企业到底发生了什么。 
二、第二层是语义：让AI听懂企业自己的“业务语言” 
数据整理完以后，很多企业会以为下一步就可以直接问AI。 实际上还有一道更难的坎： 字段有了，但AI未必知道字段是什么意思。 比如“收入”。 三个数字可能都没有错，只是回答的是三个不同的问题。 再比如“客户数”。 如果没有统一定义，用户问一句： “今年客户增长了多少？” AI甚至连分母和分子应该是什么都不知道。 所以AI时代，指标体系要进一步升级成： 机器能够理解的业务语义。 至少要准备五类内容： 指标定义、维度定义、业务实体、实体关系、时间口径。 
例如： 过去这些规则经常散落在SQL、Excel公式、报表备注和分析师脑子里。 人和人协作时，还能通过开会把模糊口径补齐。 但AI不会天然知道这些“公司内部常识”。 企业越希望AI自己分析，就越需要把隐性的业务规则显性化。 
三、语义真正难的地方，是让AI知道问题应该怎么拆 
很多人把语义层理解成“给指标写个解释”。 其实远远不够。 真正的业务分析还有一层： 指标之间是什么关系。 用户问： “为什么利润下降？” 分析师不会立刻在数据库里搜索一个叫“利润下降原因”的字段。 
他会先拆： 利润 = 收入 - 成本 - 费用。 发现主要问题来自收入，再拆： 收入 = 销量 × 单价。 如果销量下降，再看： 区域、产品、客户、渠道。 如果只有某个客户群下降，还会继续分析客户数量、购买频次、客单量以及流失情况。 所以企业语义至少有三层： 到了这一层，简单问数和复杂分析已经是两件不同的事情。 “各区域销售额是多少”边界非常明确。 “为什么今年增收不增利”却需要先确定时间、指标口径、分析范围，再决定先检查价格、成本、费用还是产品结构。 FineBI Next 里计划模式和对话模式的区分，放在这里理解会更清楚： 问题明确时可以直接分析和继续追问；已有业务框架的复杂任务，则先把分析口径与步骤理顺，再按计划向下执行。 
这一步真正解决的，是过去很少被数据平台显式管理的一件事： “怎么分析”本身，也开始变成企业数据能力的一部分。 
四、第三层是知识：把“老员工知道的事情”逐渐留下来 
有了数据和语义，AI已经可以完成很多分析。 但离真正理解企业，还差一层。 假设库存周转天数从45天增加到70天。 数据层能告诉AI： 库存增加、销售成本变化、周转速度下降。 语义层能告诉AI： 库存周转天数应该怎样计算。 
但接下来最重要的问题是： 为什么？ 只看数字，很难区分这些情况。 这就是企业知识发挥作用的地方。 它至少包括三类。 例如库存超过90天进入呆滞预警，应收账款超过账期30天需要重点跟踪。 例如某产品四季度本来就会提前备货，某大客户毛利较低但属于战略渠道。 例如看到毛利率下降，先拆售价和成本，再看折扣、产品结构、客户结构。 其中最容易被忽略的恰恰是第三类。 企业真正宝贵的经验，经常存在于几个资深财务BP、经营分析师或者业务负责人脑子里。 同样的问题交给新人，往往不知道先看哪里。 所以知识建设不能只停在“把文档全部上传”。 还要进一步沉淀： 企业过去是怎样解决问题的。 一次毛利分析做完以后，如果已经形成比较稳定的分析路径，FineBI Next 还能把这套思路继续沉淀为“技能”，后续遇到相似业务场景再调用。 产品里对技能的定义，本身就是把反复出现的稳定分析思路保留下来复用。 
这时候留下来的就不只是： “8月份毛利率为什么下降。” 还有： “遇到毛利率异常，我们通常按照什么顺序分析。” 这两者差别非常大。 前者是分析结果。 后者才是企业知识。 
五、真正的问题，是数据、语义和知识不能各建各的 
现在很多企业实际上已经同时在做这几件事。 看起来什么都有。 真正用起来却还是发现AI答不准。 原因往往不是缺少某一种技术，而是： 几套体系之间没有真正连起来。 
还是那句： “为什么华东利润下降？” 完整的链路应该是： 这里的数据、语义和知识，其实是一层一层往上叠的。 可以理解成： 缺数据，AI没有事实。 缺语义，AI容易算错。 缺知识，AI只能描述现象，很难真正解释业务。 所以未来企业真正需要打通的是： 数据 → 指标 → 语义 → 知识 → 分析。 而不是让数据仓库、指标平台、知识库和AI应用彼此独立运行。 
六、还有最后一层：AI的每一个重要结论，都应该能够被验证 
即使前面三层全部建设完成，还有一个问题不能省： AI说的结论，凭什么相信？ 例如AI告诉你： “华东利润下降主要由A产品销量下滑导致。” 听起来完全合理。 但企业还需要继续追问： 甚至“市场需求下降”这种表述，也不能只根据销量下降直接推出。 销量下降是数据事实； 市场需求下降则已经包含了业务判断。 所以成熟的AI分析必须区分： 事实、计算结果、推断和假设。 企业最终还应该形成一条完整证据链： 数据从哪里来 → 指标怎样计算 → 异常出现在哪里 → 原因怎样拆 → 结论依据是什么。 这也是为什么AI分析过程不能全部藏在一个黑盒里。 FineBI Next 的分析过程会把分析步骤、图表结果和关键发现呈现在对话中，分析结束后还能把结果继续形成故事板或仪表板，后续也可以在已有结果上继续分析和复盘。 
到了财务、经营、供应链这些核心场景，这一点尤其重要。 管理者真正需要的并不是一句： “AI认为利润下降的主要原因是……” 而是能够顺着这个结论继续往下看： 具体下降多少？证据在哪里？还能不能解释剩余差异？ 当AI给出的结果能够被追溯、被复核、被继续分析，它才真正开始进入企业决策流程。 
七、AI时代，企业真正要准备的是一套“机器可理解的数据体系” 
把前面的内容压缩一下，其实就是三个层次。 数据层解决：发生了什么。 订单、收入、成本、库存、客户、设备状态，这些都是企业事实。 语义层解决：这些事实是什么意思。 指标、维度、计算口径、实体关系、时间规则，这些组成企业自己的业务语言。 知识层解决：面对这些事实应该怎么分析。 业务规则、制度、历史经验、分析方法、典型案例，共同组成企业知识。 三层真正连起来以后，一次AI分析的过程才会变成： 理解问题 → 找到数据 → 确认口径 → 建立分析路径 → 执行计算 → 调用知识 → 验证证据 → 输出结论。 这其实也意味着，AI时代企业数据建设的终点正在发生变化。 
过去我们关注： 数据有没有进数仓？ 后来开始关注： 指标能不能统一？ 再往后还要继续回答： 未来模型能力会越来越容易获得。 今天接一个模型，明天完全可以换一个更强的模型。 真正很难复制的，是一家企业多年经营过程中逐渐形成的： 客户和商品体系、指标口径、业务语义、规则制度，以及那些真正有效的分析经验。 把这些东西从“存在系统里”“存在文档里”“存在人的脑子里”，一步一步转化成AI能够理解和调用的资产， 才是AI时代企业数据建设真正需要完成的事情。
这里的“利润”到底是毛利、营业利润还是净利润？ “华东”按照客户所在地、销售组织还是门店区域划分？ 下降是同比、环比还是预算差异？ 退款订单、内部交易、一次性费用又应该怎样处理？
CRM里叫“A科技”； ERP里叫“A科技有限公司”； 合同系统按照统一社会信用代码保存； 财务系统又有另一套客户编码。
第一，数据找得到。
第二，业务对象对得上。
第三，数据质量过得去。
第四，数据过程追得回。
销售部门理解的收入可能是签约额； 运营部门关注的是GMV； 财务部门则按照收入确认规则计算。
到底是注册客户？ 成交客户？ 当月下单客户？
最近90天活跃客户？
还是集团客户去重后的客户数量？
销售额 = 已完成有效订单实付金额； 活跃客户 = 过去90天至少完成一次有效交易； 客户属于销售区域； 订单关联客户和商品； 商品属于品类； 本月指自然月还是财务期间。
第一层是指标语义：这个数字怎么算。 第二层是关系语义：这些指标和业务对象怎样连接。 第三层是分析语义：出现某类问题以后应该沿着什么路径继续找原因。
有可能采购过量； 有可能销量下降； 也可能是新品上市提前备货； 甚至可能因为春节临近，供应链主动提高了安全库存。
第一类，规则知识。
第二类，业务知识。
第三类，分析经验。
数据团队建数仓； BI团队做指标； 业务部门维护制度和SOP； AI团队建设知识库和Agent。
先识别“华东”“利润”“下降”的业务含义；找到对应的收入、成本、费 用和组织数据； 根据利润分析逻辑继续拆收入、成本、产品和客户； 发现异常以后，再调取促销规则、客户政策、价格变化等业务知识；
最后才能形成有依据的解释。
数据告诉AI发生了什么； 语义告诉AI这些数字是什么意思； 知识告诉AI遇到这种情况应该怎样判断。
A产品到底导致利润减少多少？ 占整体下降的比例是多少？ 销量下降是客户减少，还是购买频次降低？ 还有没有原材料涨价、折扣增加等因素？
这些数据AI能不能理解？ 理解以后，能不能按照企业自己的业务逻辑分析？ 分析以后，能不能解释自己为什么得出这个结论？