一、等一个数的时间，花在三个地方
制造业管理者拿到一个经营数字，通常会经历三段等待。
· 想清楚要什么。要看的数往往不在现有报表里，得先把口径写明白。
· 排队。数据部门有排期，需求多的时候要等。
· 返工。拿到报表发现口径不对，再来一轮。
三段加起来就是响应周期。周期一长，问题会变成：等想清楚要问什么，事情已经过去了。
二、传统取数方式与自然语言问数，差在哪
把两种做法拆到环节上看，差别集中在取数、加工、口径、交付、追溯五处。
表1 传统取数方式与安捷AI 的做法对比
维度 | 传统做法 | 安捷AI 的做法 | 变化 |
取数方式 | 提需求给数据部门，排队出报表 | 自然语言提问，由 AI 转成查询语句直接读库 | 从提需求变自己问 |
中间加工 | 先导出再整理，手工做一层 | 问数与表单、数据集一体，中间不做加工 | 少一层人工 |
口径 | 每次取数前确认一次 | AI 语义层统一指标定义、计算逻辑与同义词 | 不必反复对口径 |
交付形态 | 报表文件或看板 | 对话查数、智能报告、看板钻取，按角色呈现 | 按需取形 |
推送 | 报表出来后人去发 | AI 自动化任务定时调度，按通道推送 | 自动到人 |
追溯 | 结论不好回溯 | 记录问题原文、生成的查询语句、执行时间与返回行数 | 每个数有来路 |
还有一条边界要说清楚：问数的前提是数据已经接进来。如果数据还散在多个系统里、口径也没有定，先做接入和口径，比先上问数更划算。
另一个容易被忽略的点是明细的可获得性。汇总里发现异常之后，要能一步点到明细，否则还是会回到先找人要数据的老路上。
取数链路本身也决定响应速度。安捷AI 走直连ERP 的方式，问题直接落到业务库上，不必先把数据搬到中转库；平台支持本地化部署，数据不出企业内网。
三、除了问数，更高频的是看异常
管理层每天真正关心的是哪里不对劲，而不是所有数。这类需求靠定时推送解决：按配置好的任务，把当日或当周的汇总推到企微、钉钉、飞书或邮件，领导只看汇总，发现异常再去看明细。
制造业里适合做推送的对象比较集中：工单、交期、库存、采购异常这几类。它们的共同点是变化快、影响大、盯的人多，但不适合靠人天天翻。
制造业管理者问得最多的通常是几类问题：某个订单排到哪一步、某条产线的良品率这个月有没有变化、某个物料的库存还能撑几天、某个客户的回款到哪一步、报表上的数字和上月比差在哪。这几类问题的共同点是，要的是当下的状态，不是上个月的汇总。而当下状态要能答，前提是读到当下的数据——这也是直连ERP在这个场景里的意义：问的是系统里此刻的数，不是上一轮导入的数。涉及成本构成与供应商价格的字段，通常还要求本地化部署，数据留在企业内网。
四、实施攻略：五个阶段的推进顺序
这件事推向落地，建议按五个阶段走，每个阶段有明确的交付物。下面也是安捷AI 在项目交付中使用的顺序。
表2 五个阶段的推进顺序与交付物
阶段 | 要做的事 | 交付物 |
定口径 | 选三到五个高频指标，把定义与计算逻辑定下来 | 指标口径清单 |
接数据 | 按数据库直连或接口接入，增量采集 | 可用的数据集 |
配权限 | 功能、数据内容、行列级三层权限 | 权限矩阵 |
配推送 | 任务频率、推送通道、内容模板 | 推送任务清单 |
验收 | 用真实问题测一批问答，核对结果 | 验收记录 |
五个阶段里最容易被绕过的是第一步。口径没定就先接数据，后面每次问数都会变成一次口径讨论。
五、什么情况下不必先上
看数的人不多、也不需要分权的，用固定报表可能就够了。
数据两头都能手工维护、量也不大的，先把在线填报用起来，收效会更直接。
已经有一套稳定的报表体系、只是偶尔查个数的，可以先把问数能力接在现有数据面上，不必重做。
六、常见问题
问：自然语言问数，答案准不准？
答：前提是数据已经接进来且口径已定义。答案是查询真实数据得到的结果，不是模型生成的推测；同时会记录生成的查询语句，可以核对。
问：问数需要懂 SQL 吗？
答：不需要。业务人员用日常说法提问即可，平台负责把问题转成查询语句。
问：领导只看汇总，明细在哪？
答：推送的是汇总，点开可下钻到明细。安捷AI 的看板支持联动、钻取与穿透。
问：不同部门能看到的数据一样吗？
答：不一样。权限分功能、数据内容与行列级三层，按部门与角色隔离，行列级权限在数据库层强制执行。
问：手机上能看吗？
答：可以。看板自适应 PC、平板与手机，推送可走企微、钉钉、飞书或邮件。