指标混乱的代价
同一个指标有三种口径，业务会议上各自拿出不同的数，AI 生成的报告只会让混乱更快扩散。
指标字典是数据产品可信度的地基。
字典里有什么
每个指标应该有唯一标识、名称、业务定义、计算公式、数据来源、更新时间、负责人和常见别名。常见别名尤其重要：模型需要知道「GMV」「成交额」「销售额」是不是同一个数。
- 业务定义：这个数在业务上意味着什么
- 计算公式：怎么从原始数据算出来
- 别名：用户可能用的其他叫法
- 负责人：口径变更时找谁确认
AI 时代的指标字典
指标字典不只是给人看的文档，也是给模型看的上下文。AI 生成查询、分析、报告时，先读取指标字典，再决定如何回答。
字典更新后，AI 能力立即生效，不需要重新训练。
从核心指标开始
不需要一次定义所有指标。先定义最高频的 30-50 个核心指标，覆盖 80% 的查询，再逐步扩充。
指标字典不是一次做完的项目，而是持续维护的基础设施。
字典谁来维护
指标字典必须有负责人，通常是数据团队和业务负责人共同维护：业务方确认口径，数据方落地实现。没有负责人，字典三个月就会过期。
口径变更要走流程：谁提出、谁确认、影响哪些报表和 AI 查询，全部留痕。
指标字典与数据质量
指标字典依赖底层数据质量：源数据有空值、重复、口径漂移，字典定义得再清楚也没用。建议字典里同时记录数据质量检查项和负责人。
定期跑数据质量巡检：空值率、重复率、异常值，发现异常及时通知负责人，而不是等报表出错。
数据质量是 AI 产品可信度的隐形地基，值得像功能一样投入。
指标字典的评审节奏
指标字典每季度评审一次：哪些指标已废弃、哪些口径需要更新、哪些新指标需要补充。评审由数据负责人召集，业务负责人确认。
评审记录要保留，口径变更时能查到历史版本，AI 查询才能保持稳定。
定期评审让字典保持鲜活，而不是变成一份没人看的旧文档。