越来越多企业已经建设了数据仓库、Power BI、SSAS 和各类经营分析报表。销售、财务、库存、采购等业务领域，也逐步形成了相对稳定的指标体系和语义模型。
这些模型能够准确回答各自业务域内的问题：销售模型负责订单、收入和客户分析，库存模型负责库存数量、库龄和周转分析，采购与供应商模型覆盖采购、到货和交付表现。
当经营问题跨越多个业务域，原有分析方式开始面临新的挑战：
哪些产品销售下降，同时出现库存积压？
库存变化是否与采购节奏有关？
供应商交付异常影响了哪些产品和区域？
销售、库存与供应数据之间，应该依据什么关系进行分析？
这类问题涉及多个语义模型。每个模型内部的指标可能都很准确，跨域分析仍需要解决指标含义、业务对象和模型关系的一致性。
智能小V3.0 以指标语义本体为核心，将分散在不同业务域模型中的指标口径、业务对象与关系，组织成 Agent 可以理解、导航和验证的分析上下文。
Agent 能够识别一个经营问题涉及哪些指标和业务域，判断需要调用哪些语义模型，并沿企业确认的业务关系展开分析。
Power BI 和 SSAS 语义模型已经帮助企业解决了许多基础问题。
指标拥有明确的计算逻辑，维度和层级支持下钻分析，模型关系决定数据如何汇总，权限体系控制不同人员可以查看的数据范围。在单个模型内部，业务人员可以相对稳定地分析销售、库存、财务或采购数据。
跨域经营问题则需要连接多个独立建设的语义模型。
例如，销售模型中的“产品”可能使用产品编码，库存模型使用 SKU，采购模型则按照物料编码组织数据。三个模型描述的可能是同一批业务对象，命名方式、分析粒度和适用范围却并不完全一致。
指标也存在类似情况。“销售量”可能按照出库数量计算，“库存量”可能采用期末快照，“采购到货量”则按照实际收货日期统计。直接连接这些数据，容易忽略时间口径、业务范围和分析粒度的差异。
跨域分析需要回答几个关键问题：
•用户的问题涉及哪些业务指标？
•这些指标分布在哪些语义模型中？
•不同模型中的产品、客户和供应商如何对应？
•销售、库存与采购数据依据什么业务关系连接？
•各项指标采用怎样的时间口径和分析粒度？
•当前用户是否拥有相应的数据权限？
缺少这些业务信息时，Agent 即使可以访问多个模型，也很难稳定完成跨域分析。
企业对指标的理解，通常分散在语义模型、指标文档、报表说明和业务人员经验中。
大语言模型可以识别“销售额”“库存周转率”“供应商交付率”等名称，却无法仅凭名称掌握企业内部的真实口径。
智能小V3.0 通过指标语义本体，把企业已经确认的指标含义、计算口径、业务对象、时间规则、分析维度和适用范围组织起来。
当用户提出“最近哪些产品库存压力较大”时，智能小V需要理解：
•“库存压力”对应哪些可用指标；
•库存采用实时数量还是期末快照；
•是否需要同时观察销售变化和库存周转；
•产品应该按照 SKU、产品系列还是品类分析；
•涉及哪些库存模型和销售模型；
•当前问题适用于哪些仓库、区域和时间范围。
这些信息共同决定分析应该如何进行。
指标语义本体让 Agent 沿用企业已经确认的业务口径，也让同一个指标能够在不同分析任务中保持一致。
对于拥有多个 Power BI 或 SSAS 模型的企业，这项能力尤其重要。Agent 面对的不再是一组名称相似的度量值，而是一套具有明确业务含义、适用范围和关联关系的指标体系。
以“哪些产品销售下降，同时出现库存积压”为例。这个问题至少涉及销售和库存两个业务域。若继续分析形成原因，还可能涉及采购和供应商模型。
智能小V3.0 会依据指标语义本体理解“销售下降”和“库存积压”的企业口径，确定分析周期、产品范围、比较方式和异常判断标准。随后，系统在权限范围内调用相关语义模型：
•销售模型提供销售额、销售量、客户和区域变化；
•库存模型提供库存数量、库龄和库存周转情况；
•采购模型提供采购订单、采购数量和到货数据；
•供应商模型提供交付及时率、到货周期和供应异常信息。
不同业务域的数据按照企业已经确认的产品、供应商及相关业务关系参与分析。指标计算仍由 Power BI 或 SSAS 语义模型完成，保留原有计算逻辑和权限控制。
智能小V3.0 负责将经营问题转化为可执行的分析任务，识别相关指标和业务域，调用对应模型，并把分散的分析结果组织成一条连续的业务分析链路。
用户可以继续追问：
销售下降主要集中在哪些产品和区域？
这些产品的库存从什么时候开始累积？
采购数量是否及时跟随销售变化进行调整？
哪些供应商近期出现了集中到货或交付异常？
哪些产品需要优先调整采购、促销或库存策略？
后续问题沿用前面的指标口径、分析对象和时间范围，业务人员无须在多个报表之间反复切换，也不必重新解释分析背景。跨域分析因此成为围绕同一个经营问题持续展开的过程。
不同模型都包含“产品编码”或“客户名称”，并不意味着这些字段可以直接连接。跨域分析中的每一条关系都需要明确依据。
产品关系可能来自企业统一的产品主数据，客户关系可能依赖统一客户编码，供应商与产品之间的关系则可能来自采购记录、供货目录或正式业务绑定。
智能小V3.0 沿企业确认的业务关系组织跨域分析，避免仅凭字段同名、文本相似或大模型推测建立数据关联。
这种机制让分析路径具备可解释性：
•为什么使用这些指标；
•为什么调用这些语义模型；
•为什么销售数据能够与库存数据关联；
•为什么某个供应商会出现在当前分析中；
•最终判断由哪些数据和业务事件支持。
模型内部的数字保持准确，模型之间的连接也拥有清晰的业务依据。
企业将 AI 用于经营分析，答案生成速度只是其中一个方面。分析结果还需要进入经营会议、管理复盘和业务决策。
智能小V3.0 延续 Power BI 和 SSAS 的模型计算与权限控制，并在跨域分析中保留关键依据。用户可以了解分析使用了哪些指标、调用了哪些模型、涉及哪些数据范围，以及结论由哪些结果支持。
智能小V3.0 的可信分析可以概括为：
指标有口径，关系有依据，路径可解释，数字可复核，结论有证据。
例如，系统判断某类产品存在库存压力时，分析结果需要呈现销售变化、库存趋势和库存周转情况。若结论进一步涉及采购或供应商，相关到货数据、交付周期和分析范围也应能够被查看和核验。
业务人员可以继续追问，也可以回到 Power BI 报表或明细数据中复核关键数字。AI 生成的分析结论拥有了进入实际业务讨论的基础。
构建跨域分析能力，并不意味着企业需要放弃已经建设的 BI 体系。企业此前在 Power BI 和 SSAS 中积累的指标、维度、层级结构、模型关系、业务规则和权限体系，正是智能小V3.0 的建设基础。
原有语义模型继续负责数据计算、模型内部分析和权限控制。指标语义本体在这些资产之上，统一指标的业务含义，并建立指标与业务对象、分析范围及相关模型之间的联系。
经过统一定义和模型映射后，“客户”“产品”“出货”“库存”等业务概念可以在授权范围内被不同部门、分析场景和智能体持续复用。
以“产品”为例。销售模型中的产品、库存模型中的 SKU 和采购模型中的物料，经过统一业务定义和关系确认后，可以共同服务于销售、库存和供应分析。
企业不必为每一个新 Agent 或分析场景重新解释“产品是什么”“销售量如何计算”“库存应该取哪个时间状态”。已有指标体系和业务模型可以被持续复用，大幅降低跨域语义建设和本体建模的初始成本。
过去服务于报表和人工分析的 BI 资产，也能够继续服务于自然语言分析、跨域模型分析、智能报告、风险预警和任务推送。
Agent-Ready 并不只代表 Agent 能够连接数据库或执行查询。面向企业分析的 Agent 需要准确理解指标含义，识别一个问题涉及的业务域，调用正确的语义模型，并沿真实业务关系组织分析结果。这要求企业数据具备几个基础条件：
•关键指标拥有清晰、统一的业务口径；
•不同模型中的业务对象可以正确对应；
•跨业务域关系具有明确的业务依据；
•数据调用遵循企业既有权限；
•分析路径和关键数字能够被检查；
•统一业务语义可以被不同任务和智能体复用。
指标语义本体为这些能力提供统一的业务基础，跨域模型分析则让这套基础真正进入经营分析过程。从指标口径的准确理解，到跨域模型的调用与关联，再到分析结论的复核，智能小V3.0 覆盖了更完整的企业数据分析链路。
智能小V3.0 的产品定位是：
指标语义本体驱动的企业级数据分析智能体。
它面向已经建设 Power BI、SSAS 及企业语义模型的组织，以指标语义本体贯通分散在不同业务域中的数据与分析，让既有数据资产真正 Agent-Ready，支撑跨域模型的深度分析与可信决策。
如果你的企业已经拥有多个 Power BI 或 SSAS 语义模型，希望进一步探索跨域分析、自然语言分析或 Data Agent 应用：
•申请智能小V3.0 产品演示，看看指标语义本体如何组织你现有的模型；
•提交需求信息，评估现有数据资产的 Agent-Ready 基础。
想让跨域分析既有口径、又有依据？
申请试用，与顾问聊聊你的场景 →
在线咨询
