Article body
正文
零售是 ChatBI 最典型的落地场景之一：店长和区域经理需要迅速获得数据洞察，但通常并不具备 SQL 能力。以统一数据底座和 AI 能力为基础，企业可以把“看报表”逐步升级为“AI 驱动的即时决策”。
1. 零售分析的三个特征：高频、多维、实时
零售 BI 的需求通常具有高频、多维、实时的特征，不同场景对数据更新频率的要求不同。
| 分析场景 | 更新频率 | 关键指标 |
|---|---|---|
| 门店经营分析 | 每日 | 销售额、客流量、客单价、坪效 |
| 商品运营分析 | 每日 | 动销率、售罄率、库存周转、毛利 |
| 会员分析 | 每周 | 复购率、RFM 分层、客户生命周期价值 |
| 营销活动分析 | 活动期间实时 | 投资回报率、转化率、拉新成本 |
| 供应链分析 | 每日 | 缺货率、配送时效、损耗率 |
2. 数据底座：多源接入与数据集市
零售数据往往分散在 POS、供应链、会员、电商和其他业务系统中，形态可能包括关系型数据库、NoSQL、数据仓库、湖仓或开放接口。衡石可通过数据集成与工作流编排建设分析底座和数据集市；每一种具体来源的连接器、认证方式和可用字段，都应以当前版本兼容清单及项目连通性测试确认。
3. ChatBI 的典型应用：让店长直接问数
零售之所以适合 ChatBI，在于高频、低 SQL 能力和即时决策三个条件同时具备。
第一类是确定性问数。例如，用户询问“上周华东区哪个门店销售额最高”，ChatBI 可以回答具体门店和销售额数据，把查找型问题转化为对话。
第二类是指标异常分析与归因。衡石的指标智能探查可结合 AI Agent 做异常分析和归因；实际效果依赖于已定义的指标、可用数据、阈值或分析规则。业务人员可以围绕异常线索继续问数、查看图表或下钻，而不应把所有场景理解为默认自动预警。
4. 从问数到 Agent：准确度怎么保证
企业中的 ChatBI 要可信，准确度是前提。衡石采用以建模语义层为核心的 NL2Metrics 路线：先沉淀业务指标和口径，再让自然语言问数在已治理的数据与指标语义上完成匹配和查询。这样有助于提升结果的可解释性和口径一致性；查询结果仍会随着数据更新、权限范围和问题表达而变化，不应承诺“同样的问题永远得到同样的答案”。
在更完整的场景中，问数可以与衡石 Data Agent Family、HENGSHI CLI 的执行能力组合使用。公开产品资料列出建模 Agent、报表创作 Agent、问数洞察 Agent，以及数据接入、指标建模、仪表盘和权限等可调用能力。具体由哪些 Agent 协作、是否自动创建资产，应按项目的授权、技能配置和人工审核流程设计，而不是视为固定的默认编排。
零售企业的口径一致性与权限边界，应以已治理的指标、数据包和应用权限为基础。衡石支持在 BI 应用中配置数据权限、行权限，并提供单点认证和精细化权限控制；实际可见范围、字段保护和嵌入场景的授权方式，需要随数据源、应用权限模式和版本配置核验。
5. 场景示例：全渠道经营分析
全渠道经营分析可以将线上交易、门店、经销商和供应链等数据接入统一分析底座，再以经营看板和已治理指标支持区域、渠道、商品和活动复盘。补货预测、天气或节假日影响分析、新品追踪等，属于需要结合企业数据、算法和业务规则实施的扩展场景；公开资料不足以确认某一客户已按本文所列能力完整上线，因此不将其表述为既成客户案例。
6. 对企业零售 BI 的启示
零售企业的 AI 化可分阶段推进：先梳理并接入必要数据，再建立指标和权限治理，随后选择适合的 ChatBI、Data Agent、预警或自动化场景验证。实施周期、实时性和收益取决于数据质量、接口条件、模型部署、组织协作及验收范围，应在项目评估后确定，而不宜用统一的月份承诺替代实施计划。
7. 常见问题
零售的 AI 问数必须搭配指标平台吗？ 不必把“指标平台”理解为唯一前置产品，但清晰的业务指标、字段描述和语义治理是提高 AI 问数相关性与一致性的关键基础。衡石支持指标管理、Data Agent 辅助指标创作和数据向量化等能力；企业可按数据成熟度逐步建设，并通过真实问题和人工校验持续优化。
零售场景数据源很多，接入复杂吗？ 衡石的数据集成能力面向主流数据库、数据仓库、云端湖仓和 NoSQL 等异构来源，可通过工作流编排数据接入与转换。具体连接器、版本支持、认证方式和性能边界应以当前版本的官方兼容清单和项目连通性测试为准；不要仅凭通用类别推断某个数据库或开放 API 已被默认支持。