Article body
正文
**摘要：**自然语言问数出现偏差时，单纯修改问法往往无法解决问题。需要核对的还有指标定义、提问范围、数据更新时间和执行状态。HENGSHI SENSE 将指标管理、数据集知识、分析页面和 Data Agent 连接起来，为团队提供可以回查的分析对象。本文以零售经营分析为例，说明如何定位偏差、恢复可用分析，并把修正沉淀为后续问答可复用的业务资产。
1 一次“答错了”，可能包含不同问题
运营人员问“本月华东销售为什么下降”，财务却认为销售没有下降。先不要让模型在两种说法之间选择：运营可能看支付日的订单金额，财务看收入确认日的已确认收入；两人也可能使用不同的退货规则、区域组织或数据更新时间。数字不同，既可能是合理的统计差异，也可能暴露建模、数据或程序问题。排查需要把这些情况分开。
团队应先保留问题原文、使用账号、当前页面、提问时间和实际回答，再写出业务方期望使用的指标、期间与范围。如果使用多轮对话，还要保留影响本次问题的前文。原样记录比事后凭记忆重述更有价值：把“这个数不对”改写成另一个问题，可能已经丢掉了导致偏差的条件。
| 现象 | 优先核对 | 下一步动作 |
|---|---|---|
| 同名指标数值不同 | 收入、销售额、退款等定义及时间口径 | 回到指标定义，用同条件报表复核 |
| 数据对象选错 | 当前页面、数据集描述、业务术语和提问范围 | 补充明确范围，整理同义词与描述 |
| 结果落后于业务记录 | 数据路径、最近成功更新时间和更新状态 | 检查更新记录，修复后重新对账 |
| 请求失败或等待过长 | 连接、同条件查询、模型调用和运行环境 | 保留错误与时间，分别检查查询和生成链路 |
| 部分账号数据不一致 | 应用数据权限模式、行列规则及组织属性 | 用目标角色复验授权范围 |
2 用指标与知识管理收敛业务含义
衡石的指标管理可以把业务计算从单张图表中提取出来，通过 HQL 组织并复用指标逻辑。以“净销售额”为例，数据负责人先明确参与统计的订单状态、含税方式、退款归属和日期字段，再建立统一定义。经营看板、业务问答和后续分析围绕同一口径开展，团队便有了核对问题的共同起点。
数据集知识管理承担另一项工作：说明这份数据适合回答什么问题，以及企业的术语如何对应字段和指标。“华东”是销售区域还是仓储区域，“本月”使用自然月还是财务月，都应在模型描述、知识或明确的提问条件中体现。重要计算保存在指标中，知识说明其业务含义和使用条件，两者配合比在每次对话里重新解释一遍更便于维护。
Data Agent 还能结合当前数据包、数据集或仪表盘页面理解问题。团队可先从一个范围清楚的经营主题开放问答，再逐步增加分析对象。若问题持续命中错误数据，应检查资产名称、描述和同义词，而不是仅反复调整同一句提示词。知识更新后，也要用原问题复测，确认检索对象和实际口径一起改善。
3 先复现同一道业务题，再选择处理路径
3.1 分清数据计算与分析生成
先在图表或数据集分析中复现同一指标，固定期间、粒度、筛选条件和角色。如果这里的数字也不符合预期，应检查指标计算、关联键、重复行或数据更新。若图表数值正确，而问答选用了其他指标或期间，就继续检查问题上下文、知识说明和返回结果。能够正常执行的查询也可能使用错误口径，因而“查询成功”只能作为排查的一步。
涉及原因分析时，还需把数据中观察到的变化与业务推断分开。某品类的退款增加，可以成为进一步核查的线索；是否由促销策略造成，需要活动规则、订单明细和业务事实共同验证。Data Agent 可协助查询、分解和整理说明，业务人员应对重要解释进行复核，再将确认后的结论用于经营行动。
3.2 给不能继续的问题安排具体交接
对于“利润”这类仍有歧义的请求，业务方可以先补充毛利或净利润、期间和组织范围，再继续提问。缺少已确认口径时，数据负责人先补建指标；数据过期时，管理员检查更新任务；数据范围不足时，通过既定授权流程处理。明确缺口、处理人和复测问题，比反复要求用户“换个说法”更有帮助。
在自有应用中嵌入问答时，集成团队还应约定等待、超时、重新提问和转人工的界面行为。衡石提供模型调用超时、失败重试等配置项，但配置重试不等于问题一定能自动恢复。服务故障、口径缺失和权限不足需要不同处理；界面不应在一次查询失败后继续展示缺少数据依据的业务判断。
4 保留分析入口，也守住相同的数据范围
HENGSHI SENSE 的价值不限于生成一段回答。团队可以围绕同一数据集继续做自助分析，把经过核对的图表保留到仪表盘，让业务人员从问答回到可查看、可编辑的分析资产。需要长期使用的指标和图表由具备相应权限的人员确认、维护；复杂问题则交给分析师继续处理。
这种交接需要重新核对实际使用路径。应用可以采用不同的数据权限模式，行列规则也有各自的配置条件。管理员应使用真实业务角色，检查问答、图表、明细与允许的导出路径，而不能只用管理员账号验证。新增关联数据集后也应复验授权规则，确保分析范围与业务角色一致。
5 示例：一次华东零售销售偏差如何被修正
以下为虚拟业务示例。某连锁零售团队在周会上发现，Data Agent 返回的“本月华东净销售额”与财务看板不同。运营人员最初认为模型理解错误，但复现时发现，问答取用了门店支付主题，财务看板使用结算主题，两个主题的退款日期和门店归属也不同。团队于是把问题拆成“指标是否相同”和“数据是否到齐”两项。
第一步，业务与数据负责人确认经营会使用的净销售额定义，统一税口径、退款归属日期和华东门店清单，并将定义维护到指标与数据集知识中。第二步，用相同账号、期间和门店范围对照图表，发现结算数据最近一次更新失败，昨日退款尚未进入分析侧。管理员修复更新任务、完成刷新，再抽取相关订单复核。
第三步，团队重新发起原问题，并追问按门店、品类和活动拆分的变化。Data Agent 帮助组织分析，财务核对关键明细，确认解释后由运营复盘相关活动。最终保留下来的不只有一次回答，还包括统一指标、术语说明、更新检查方法和一组问题样本。后续新区域上线时，可以沿用这套方法准备数据与验证结果。
6 让失败样本变成可维护的分析资产
每次修正都应落到明确对象：口径问题更新指标，术语问题更新知识，字段变化修正模型引用，数据延迟调整更新计划，生成问题核查模型配置与上下文。团队可以用轻量问题台账记录主因、处理人、变更和复测结果；这属于项目运营安排，不能仅凭用户继续追问或没有投诉就判定答案正确。
对于高频经营题，应由业务人员确认预期结果，数据人员维护口径，技术人员处理运行和集成问题。修复一个样本后，再检查相邻期间、其他区域和边界角色，避免仅把单次回答调到正确。可复用的指标与知识会让改进覆盖更多问法，也便于在模型或数据变化后发现回归。
衡石把指标、数据集、可视化和 Data Agent 放在同一分析工作流中，让团队能够沿着真实的数据对象定位问题。一次问数的终点可以是可信的回答，也可以是明确的待办和可继续使用的分析入口。把原因查清、把修正留下，AI 分析才会随着业务使用逐步成熟。