指标口径
一个指标在业务含义、统计范围、时间边界、组织范围、分子分母和异常处理上的共同约定。
我的理解
指标口径不是字段说明，而是业务、数据和产品之间的契约。没有稳定口径，BI 看板会吵架，AI 问数会漂移，数据分析也无法复盘。
我在物业数据智能项目里踩过最深的坑就是口径漂移。同一个“收缴率”，财务算的是“实收/应收”，运营算的是“实收/当期应缴”，客服算的是“实收/历史欠费”。三个口径三个数，看板一上线就吵架。后来我把口径拆成六个维度统一约定，才把这件事压下来。
口径治理的六个维度
一个稳定的指标口径必须把以下六个维度全部说清楚，缺任何一个都会在某个边界场景翻车。
- 业务含义：这个指标在回答什么业务问题
- 统计范围：哪些数据进分子、哪些进分母
- 时间边界：按账期、按自然月、还是按滚动 12 个月
- 组织范围：按项目、按区域、还是按集团
- 分子分母：分子和分母的精确计算公式
- 异常处理：空值、负值、冲红、跨期如何处理
为什么 AI 问数更依赖口径
BI 看板时代，口径是写死在 SQL 里的，用户看到什么就是什么。AI 问数时代，模型要自己生成 SQL，如果口径没有显式定义，模型就会按自己的理解猜——猜对了是运气，猜错了是事故。所以 AI 问数倒逼我们把口径从代码注释里抽出来，变成可被模型读取的结构化定义。
6口径维度
3收缴率口径版本
1统一口径源
0看板吵架次数
| 维度 | 财务口径 | 运营口径 | 客服口径 |
|---|---|---|---|
| 分子 | 实收金额 | 实收金额 | 实收金额 |
| 分母 | 应收总额 | 当期应缴 | 历史欠费 |
| 时间 | 按账期 | 按自然月 | 按缴款日 |
| 典型值 | 85.2% | 92.7% | 78.4% |
指标口径不是技术问题，是组织问题。技术能定义口径，但只有业务、数据和产品三方都签字，口径才真正稳定。