工业语义层：统一业务口径，让分析有据可查

语义对齐的目的是让参与分析的人对指标含义达成一致。在订单场景中，需要先区分“发出了多少件”和“多少笔订单已全部发出”。这两项指标分别反映数量进度和订单完成情况，适合回答不同的管理问题。

假设一家工厂有三笔订单，每笔只有一条明细，订购同一型号泵体，单位均为“件”，约定最晚在 8 月 31 日发出。订单 A 要 100 件，分两次发齐；订单 B 要 50 件，只发了 30 件；订单 C 要 50 件，尚未发货。本例没有退货、取消或超量发货，且已确认订单与发货记录完整。

截至约定日期，200 件应发货物中已发出 130 件，按期发货数量占比为 130 ÷ 200 = 65%；三笔订单中只有 A 全部发出，按期发齐订单占比为 1 ÷ 3，约 33.3%。仓库可以用前一个比例说明数量进度，销售则需要后一个比例以及 B、C 的未发明细来安排跟进。如果把两者都写成“完成率”，差异就会被误认为报表算错。

因此，指标应明确命名为“按期发货数量占比”或“按期发齐订单占比”。两者衡量的都是发货；若要判断客户是否已收到货物，还需关联签收记录，并另行定义完成标准。指标含义确定后，下一步才是找到能够支持这一定义的数据。

语义映射解决的是业务概念与系统记录之间的对应问题。业务人员说“一笔订单”，数据库中的一行却可能只是这笔订单的一种物料；一行发货记录也可能只是一次出库中的一条明细。确认“一行代表什么”，即确认数据粒度，是将业务定义落实到数据的前提。

在本例中，“订单号 + 行号”标识一条订单明细，“出库单号 + 行号”标识一条发货明细。每条发货明细还应保留它所履行的订单行标识。因此，A / 10 可以对应两条发货记录，分别记载 60 件和 40 件。这种“一对多”关系反映了真实业务中的分批发货。

建立对应关系时，不能只用“泵体”这样的名称匹配：不同规格可能同名，一笔订单也可能包含多种泵体。应使用能唯一识别业务记录的编号；若编号只在某家公司内唯一，还需包含公司标识。客户名称和物料规格等说明信息，也应通过相应编号找到明确的对应记录。

完成映射后，订单数量代表订购要求，发货数量代表实际发生的出库，两者的含义和对应关系都有了依据。但记录能够关联，并不等于数量可以直接相加；分批发货恰好说明了这两者的区别。

数据关联方式会影响业务口径能否被正确执行。如果将一条订单明细与多条发货明细展开到同一张表中，订单数量就会重复出现；继续按原来的方式加总，会高估应发数量，低估发货进度。

本例中，A 的两次发货各占一行，原订单的 100 件便出现两遍。保留未发货的 C 后，应发数量被误算为 100 + 100 + 50 + 50 = 300 件，而实际仍为 200 件。已发数量没有变，仍是 130 件，算出的比例却从 65% 降到了约 43.3%。偏差来自重复统计订单数量。

计算时应先按订单行汇总发货记录，再将汇总结果与完整的订单清单关联。这样，A 的两次发货合计为 100 件，每条订单行只出现一次，应发数量仍为 200 件，按期已发数量为 130 件。没有发货记录的 C 也必须保留，否则应发数量和未发订单都会被漏计。

识别重复记录需要依据业务标识。例如 B 和 C 的应发数量虽然都是 50 件，却属于不同订单，不能因为数值相同就只保留一笔。这个例子说明：业务口径必须同时落实到关联和汇总规则中，单独写下一条比例公式还不足以保证计算正确。

正确关联记录解决了重复统计的问题，时间规则则决定哪些记录应当参与计算。以“按期发货”为例，需要同时明确按哪个日期选择订单、截至哪个日期判断发货，以及补发是否改变原来的按期结果。

“8 月发货数量”按实际出库日期统计，可能包含补发的 7 月订单；“8 月应发订单的按期发货数量”则先选承诺在 8 月发出的订单，再看每条明细截至约定日期发了多少。因此，提前在 7 月发出的部分应计入后一项指标；8 月 31 日到期、9 月 1 日补发的订单，未发数量虽已减少，8 月的按期结果仍不应改变。

据此，本例的数量指标可以完整定义为：统计本工厂、同一产品、承诺发货日在 8 月的有效订单行；分母为应发数量之和；分子为各行截至承诺日期累计发出的数量，每行最多计至应发数量；日期按北京时间判断，承诺日当天发出计为按期。逐行限制计入数量，可以避免一笔订单的超发抵消另一笔订单的欠发。

真实业务还需约定取消、退货和改期的处理方式，并保留评价当时使用的承诺日期和规则。否则，用今天修改后的交期重算上个月，会改变历史指标的含义。订单记录时间、实际出库时间和报表更新时间也应分别标明，便于读者判断结果所反映的业务时点。

统一定义之后，还需要确认参与计算的数据完整、没有重复，并能与原始单据对应。核验的目标是证明每条订单都按既定规则计入了结果，而不只是总数看起来合理。

对本例，可以逐条检查：A 的两笔出库记录是否齐全，B 是否仍差 20 件，C 是否保留在应发清单中；随后排查重复导入的出库记录，以及找不到对应订单行的发货明细。最终，应发 200 件、已发 130 件和未发 70 件都应能回查到相应单据。

核对 C 时尤其需要区分“确实未发货”和“发货数据尚未同步”。只有确认来源完整，才能将它的已发数量记为 0；否则应标注待核对，并说明数据更新到什么时间。报表中保留统计范围、指标定义、更新时间和订单明细，才能为后续分析提供可检查的依据。

语义层对 AI 分析的价值，在于提供明确的业务解释和可追溯的计算依据。字段名称本身无法说明企业如何认定“按期”，也无法证明数据已经完整。AI 要回答订单完成情况，需要同时获得指标定义、记录映射、经过核验的计算结果，以及结果对应的明细。

据此组织分析过程，可以先确认用户问的是数量进度还是发齐订单比例，再按已确认的日期与关联规则计算，最后核对回答中的数字和所引用明细是否一致。如果问题没有说明统计口径，应先澄清；如果数据尚未完整，应说明缺口。这样的过程约束，使业务规则贯穿问题理解、计算和回答，而不只在文章或说明文档中存在。

例如，基于本例完整且已核验的记录，回答可以是：“按 8 月应发订单及各自承诺日期统计，应发 200 件，按期发出 130 件，按期发货数量占比为 65%；三笔订单中一笔按期发齐，占 33.3%。尚未发出的 70 件分别属于 B 的 20 件和 C 的 50 件。”同时提供订单与出库明细，读者便能核对两个比例的来源。

这些记录能够证明发货进度，却不能单独解释延期原因。若要继续判断是否缺料、产能不足或设备故障，需要补充相应的生产与物料记录。可信的回答应区分数据已经支持的结论、仍待核实的原因，以及下一步需要查看的证据。

将上述方法用于实际业务，可以先选择一类产品、一个统计周期和一个经常产生分歧的指标。由业务人员确认指标含义和单据规则，数据人员核对字段、关联关系与计算方式，再共同验证整笔发齐、分批发货、完全未发和跨月补发等典型情况。这样能够在有限范围内检查定义是否完整、计算是否符合业务事实。

这一阶段应形成四项成果：指标定义、字段与单据的对应关系、可复算的示例，以及能查询原始明细的结果表。源系统继续记录和更正业务事实；报表与 AI 分析按照同一套定义引用这些记录。扩展到其他产品或工厂时，再确认其单位、交期和例外处理是否一致，不能仅因指标名称相同就直接沿用。

回到月末会议中的分歧，语义层并不要求销售和仓库使用同一个比例，而是让每个比例的含义、计算和来源保持明确。数量进度与订单完成情况因此可以并列解释，管理者也能据此查明尚未完成的业务，安排后续跟进。