- 博客(5)
- 资源 (2)
- 收藏
- 关注
原创 给零售业务搭指标体系要多久?我用自己造的平台,7 步跑通了
给零售业务搭指标体系要多久?我用自己造的平台,7 步跑通了,每一步走的都是平台真实功能,没有一个功能是"画在 PPT 上"的。
2026-09-20 19:06:35
54
原创 从一张表到一句人话:我的“数据问数平台“五层架构
AI 问数不是接个大模型就行,中间其实隔着五层流水线。 作者花一年多搭了套系统。核心就是把业务表一步步变成大白话答案。 口径治理:先统一退货率怎么算。指标一注册,底层就自动更新。 语义加知识:一个管怎么查,一个管怎么解释。机器要确定,人要看得懂。 双通道消费:灵活问题走 AI,固定看板直接点。底座是同一套口径,防止大模型瞎编。 兜底监控:上线后还得盯着。规则引擎查数据,调度系统跑脚本,保证结果一直准。
2026-09-12 11:30:22
166
原创 别把“语义层“当玄学:它就是给每个指标发一张“身份证“
是在物理表与上层应用间加的一层抽象,用度量、维度、指标三要素把机器字段翻译成业务口径,像给每个指标发“身份证”,实现口径唯一真源。它和数仓、指标平台、BI分工明确,与引擎解耦。Agent时代,大模型只需“查指标”而非“编口径”,语义层成了AI问数的必选项,如同API之于前端。生态已有开源组件,但缺自动生成、热更新等完整闭环。一句话:语义层把口径从散落SQL变成机器可读的规则,是AI使用数据的接口标准,让数据进入AI时代的第一步是“口径确定”而非模型更聪明。
2026-09-09 09:42:08
332
原创 大模型问数为什么总“一本正经地胡说“?
AI问数翻车源于业务指标口径缺失与碎片化,LLM面对模糊定义会“自信编造”,严重误导决策。解决方案是在物理表与应用间加设语义层,以度量、维度、指标三大要素统一标准,实现口径唯一真源。作者以一人公司模式,基于MetricFlow搭建完整治理、应用与质量保障闭环,为中小团队提供轻量可信的AI数据基建。
2026-09-07 20:10:31
355
原创 今天1024,一个非常特别的日子。 作为一个曾经的码农,总有一丝激动,忍不住想起过去无数个在电脑前面度过的通宵。
今天1024,一个非常特别的日子。 作为一个曾经的码农,总有一丝激动,忍不住想起过去无数个在电脑前面度过的通宵。
2024-10-24 10:45:41
268
1
班级管理系统E-R图 Oracle数据库
2018-12-24
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人
RSS订阅