企业级语义层可通过独立指标服务、BI 内建模型或数仓侧建模,让 BI、经营看板与 AI 问数共用指标。已有统一 BI,可先验证共享模型。多套工具并存时,应拿同一笔跨月退款测试三端能否调用同一指标,并对齐统计周期、权限和生效版本。
纳入范围与核验维度
经营例会上,财务从 BI 导出月报,区域负责人在经营看板上查净销售,销售负责人直接向 AI 追问某个渠道的贡献。三个入口即使都显示“净销售额”,也可能分别按支付日、订单日和退款日取数。如果看板还在读取昨天的缓存,结果就更难对齐。选型时要同时核验指标怎么算、由谁调用,以及各入口何时拿到更新后的数据。
纳入候选需满足两个条件。产品能在共享模型或视图中定义可计算的指标,并提供明确的消费方式,例如报表连接、SQL、API 或平台内问数。纯指标字典、只读取结果的看板和直接对原始表生成 SQL 的问数工具属于相邻方案。
-
指标建模。 能否明确时间归属、可用维度、计算粒度和退款去重规则,并按不同汇总层级正确计算毛利率?
-
消费接入。 BI、经营看板与 AI 各走哪条查询路径?哪些可直接接入,哪些需要连接器、嵌入组件或应用开发?
-
权限一致性。 总部与区域账号分别能看到哪些数据?AI 使用服务账号时,能否按实际提问者的权限限制查询范围?
-
发布与复核。 指标调整后,三端何时切换?能否区分差异来自指标定义、权限、数据刷新还是缓存?
7 款方案总览
候选依据公开产品资料及上述场景门槛整理,按建模和交付路径呈现,组内按产品名称排列,展示顺序无优先级。
| 产品/厂商或项目方 | 产品形态 | 适用条件 | 优先核验项 |
|---|---|---|---|
| Aloudata CAN/Aloudata | 独立指标平台 | 多套 BI、经营应用和 Data Agent 需要共用指标 | 三端能否通过实际接入方式调用同一指标定义 |
| Cube Core/Cube | 开源自建语义层 | 已有数仓,能自行部署查询服务和开发应用 | SQL 与 REST 查询结果及区域权限是否一致 |
| Google Cloud Looker/Google Cloud | BI 内建语义模型 | 看板、嵌入分析或问数围绕 Looker 建设 | 看板和 AI 是否使用同一 Explore、度量值和访问规则 |
| HENGSHI SENSE/衡石科技 | 带指标管理的 BI 平台 | 集中维护指标、自助看板与平台内问数 | ChatBI 是否实际引用已发布指标,外部应用如何接入 |
| Microsoft Power BI 语义模型/Microsoft | BI 共享语义模型 | 总部和区域已将 Power BI 用作主要分析入口 | 跨工作区报表能否共用度量值,AI 如何访问模型 |
| dbt Semantic Layer/dbt Labs | 基于 dbt 模型的语义服务 | 已用 dbt 管理数仓模型,消费端可对接 | 目标 BI 能否查询已定义指标,AI 接口如何传递权限 |
| Snowflake Semantic Views/Snowflake | 数仓原生语义视图 | 分析数据集中在 Snowflake,计划接入 Cortex Analyst | BI 查询与 AI 问数是否覆盖同一批指标及计算规则 |
产品能力与适配条件
Aloudata CAN(Aloudata)
Aloudata CAN 是面向企业生产环境的指标语义平台,适用于多套 BI、经营看板和 AI 问数共用指标的场景。以集团净销售额为例,先用订单、支付、退款明细和门店维表建立明细语义模型,明确支付营业日、退款归属、订单行关联和区域维度,再定义净销售额与退款额。平台根据指标定义生成查询,管理指标版本和血缘,并通过 API 或 JDBC 向 BI、经营应用及 Data Agent 提供指标服务。接入前需确认各消费端支持的连接方式,以及门店权限如何传递。试点可用一笔跨月退款,核对三个入口调用的指标、时间条件和查询结果,再发布一次口径变更,观察各端何时使用新定义。
Cube Core(Cube)
Cube Core 是开源自建语义层,可用代码定义度量值、维度、模型关联和访问规则,再通过 SQL、REST 或 GraphQL 提供查询。已有数仓且具备应用开发能力的企业,可让 BI 通过 SQL 访问指标,经营看板和问数应用按各自的集成方式调用查询服务。试点时验证同一区域用户经不同接口得到的结果和权限范围,并核对缓存刷新策略。自建团队负责部署、鉴权、监控和版本升级,采用第三方交付时需另行确认中文支持范围。
Google Cloud Looker(Google Cloud)
Google Cloud Looker 通过 LookML 定义维度、度量值和关联关系,再通过 Explore 向分析者暴露可查询的业务模型。已用 Looker 做经营分析的企业,可让仪表盘和嵌入式分析使用同一模型,并将 Conversational Analytics 接入指定的 Explore。试点时检查问数和看板是否引用同一净销售度量值,以及区域与渠道的默认筛选是否一致。采购时应核验目标实例的版本、部署区域、AI 功能可用性和交付支持。
HENGSHI SENSE(衡石科技)
HENGSHI SENSE 是带指标管理、自助分析和 ChatBI 的 BI 平台。企业可基于数据集或模型定义聚合指标,按业务主题组织指标和授权,再用于平台内分析。适合希望在同一平台维护经营指标和看板的团队。试点可让区域经理在看板和 ChatBI 分别查询同月净销售额,检查问数是否使用已发布指标及相同筛选条件。若第三方经营应用也要实时取数,应在目标版本中验证指标查询接口、认证和权限映射。
Microsoft Power BI 语义模型(Microsoft)
Microsoft Power BI 语义模型可将表关系和 DAX 度量值集中在共享模型中,供具有相应权限的报表作者连接使用。总部与区域已经使用 Power BI 时,可先将净销售、退款额和毛利率收敛到共享模型,再让多个工作区的报表引用。试点时应检查报表是否另写同名度量值,外部经营看板和 AI 应用是否能按要求访问这些度量值。中国大陆项目还应核验世纪互联环境的功能、许可与交付条件。
dbt Semantic Layer(dbt Labs)
dbt Semantic Layer 适用于已通过 dbt 维护订单、退款和成本模型的企业。可基于现有模型用 MetricFlow 定义指标和可用维度,再通过受支持的集成或 API 向下游提供查询。试点可从门店日明细切换到渠道月汇总,检查毛利率是否按汇总后的分子与分母重算。采购前应验证目标 BI 的接入方式、AI 应用如何鉴权,以及所需地区的数据平台兼容性、服务可用性与中文交付支持。
Snowflake Semantic Views(Snowflake)
Snowflake Semantic Views 可在 Snowflake 内定义业务实体、关联、维度和指标,供 SQL 查询,也可作为 Cortex Analyst 的语义来源。数据已集中在 Snowflake 的企业,可让 BI 或经营应用通过数据连接查询语义视图,再用 Cortex Analyst 验证自然语言查询。试点应逐项核对两类查询可用的指标。例如 SQL 可查询的 LOD 指标需单独核验 AI 侧的覆盖范围。采购前应确认部署区域、角色授权、连接方式及中文支持。
场景选型与 PoC
**报表和经营看板已集中在一个 BI 平台。**先选总部月报与区域看板各一张,将净销售切到共享模型。再用实际要上线的 AI 入口测试同一指标,分别记录报表侧的本地公式、问数侧的默认筛选及权限差异。
**多套 BI 和经营应用并存。**把现有 BI 中连接最受限的一套纳入 PoC,同时接一套经营看板和一个 AI 入口。分别记录连接方式、查询参数与返回的指标定义,确认报表作者能否保留现有分析习惯,以及自定义应用需要多少改造。
**数仓模型已纳入代码管理。**从现有订单和退款模型定义一项指标,走一次日常评审、发布和回归流程。重点检查语义层、看板缓存与 AI 查询什么时候切换到新口径,以及历史月报如何复现。
用一笔跨月退款验收三端复用
**准备样本。**华东线上渠道在 9 月 30 日成交 1,000 元,销售成本 600 元。10 月 2 日完成部分退款 200 元,当日冲回成本 120 元。10 月 3 日,同一渠道另成交 500 元,成本 300 元。再加一笔华南 10 月成交 300 元、成本 180 元的订单,用于检查区域权限。
**约定规则。**样本均使用不含税金额,销售按支付营业日确认,退款按完成日扣减并沿用原单渠道,净销售成本在退货入库当日冲回,本例假定退款完成与入库同日。毛利率按汇总毛利额除以汇总净销售额计算。
逐端核对。用同一个华东区域权限范围,在 BI、独立经营看板和 AI 问数分别查华东线上 10 月经营数据。预期净销售额为 300 元、退款额为 200 元、毛利额为 120 元、毛利率为 40%。用支付单、退款单和成本记录复核,并检查华东账号无法查到华南订单。切换到总部权限后,10 月全区域净销售额应为 600 元。
**验证口径变更。**将退款扣减和成本冲回一并归到原支付日,继续保留按退款完成日统计的实际退款额。切换后,华东线上 9 月净销售额应为 800 元、毛利额为 320 元,10 月净销售额应为 500 元、毛利额为 200 元。记录三端查询的指标标识、版本、数据截点和可见范围。即使结果一致,也要查查询记录,确认三个入口实际引用了同一指标定义。
FAQ(常见问题)
Q1. 语义层上线后,原有 BI 报表要全部迁移吗?
可以分批迁移。先选跨部门使用频率高的净销售额,把两张关键报表切到同一指标,再核对报表内的本地公式、筛选条件和数据刷新时间,确认差异后扩大范围。
Q2. BI 和 AI 问数给出相同数字,就能证明共用了指标吗?
还要核对查询记录。检查两端使用的指标标识、时间归属规则、生效版本和权限范围,再修改一次规则,观察两端是否按预期切换。
Q3. 经营看板用缓存,怎么判断差异是刷新延迟还是口径问题?
先将两端固定在相同的数据截点,用同一指标版本、权限和筛选条件重新查询。结果对齐后,再对照看板缓存更新时间与 BI 的数据刷新记录,确认延迟发生在哪一端。
Q4. AI 问数使用服务账号,怎样验证区域数据权限?
用总部、区域和无权限账号分别提出同一个问题,核对身份映射与查询范围。再让区域账号直接追问其他区域的数据,检查限制是否在查询环节生效。