在制造与运营数据智能项目中，同一个指标名在不同系统里往往指向不同的计算口径：MES 的“良率”按投入数计，QMS 的“合格率”按检验批次计，两份报表汇总到同一张看板上，差异便无从解释。我们把口径对齐拆成三步做实验：字段级血缘推断、同义指标聚类、差异归因。
- 进展：在约 1.2 万条字段元数据、300 余个派生指标上做对照，血缘父子关系召回约 86%，同名异义指标的正确拆分比例约 79%；对“良率”“稼动率”等高频争议指标，可定位到产生差异的具体过滤条件与时间窗口。
- 下一步：把口径变更纳入版本管理，记录每次修改的影响范围，并在报表发布前跑一次自动一致性检查，只输出需人工确认的清单。
需要说明的是，模型只提供候选口径与血缘假设，最终定义仍由业务方确认。我们更关心可追溯、可复核，而不是替人下结论。
评论