行业洞察
新质云数智研究院的科技与AI思考——
关于企业数智化转型、AI一号位工程、Ontology语义操作系统、客户管理体系的方法论洞察。
指标口径统一怎么做：从三个「销售额」说起
销售按签单算销售额，财务按开票算，供应链按发货算——三个数字都「对」，加起来正好是一场灾难。本文给出一套可直接落地的指标口径统一做法：口径卡模板、五步落地路径、三个最常见的坑，以及判断统一是否做到位的自检清单。这是 AI 供数治理五步闭环中「定语言」一步的实操展开。
阅读全文 →
AI 项目的上限，在数据治理开工那天就决定了
MIT 2025 年报告指出，95% 的企业生成式 AI 试点没有产生可衡量的回报。原因通常不是模型不够强，而是模型吃进去的数据不行：口径不一致、质量没人管、业务语义没有翻译成机器可读的语言。本文拆解 AI 项目死于数据治理缺位的四种典型死法，给出传统治理与 AI 供数治理的对比表，以及判断数据是否「AI 可用」的四条标准。
阅读全文 →
离散制造为什么不该先上 MES：先把四件事做对，再谈执行系统
很多离散制造企业的数字化第一步是上 MES。但 MES 是执行层系统，它默认你已经有了可信的计划、准确的制造 BOM、稳定的工艺路线和标准工时——这四样不是 MES 产出的，而是 MES 的输入。输入不准，MES 只会把混乱电子化。本文给出正确的建设顺序，并附 7 个上 MES 之前的自检问题。
阅读全文 →
Ontology到底是什么：把企业『翻译』给AI听的语言
企业不缺数据，缺的是AI能理解的语义。Ontology本体是让AI读懂企业的语义层：实体、关系、行为、规则四要素，把散落在各系统里的经营事实组织成AI可推理的知识。本文讲清Ontology是什么、与数据中台和知识图谱的区别、以及为什么它是企业AI的地图。
阅读全文 →
Ontology落地五步法：从一个业务域开始，而不是从全企业开始
Ontology失败的头号原因是贪大求全：想一次建完企业级语义层，结果半年出不了成果，项目被砍。本文给出务实的落地路径——选域、定义实体关系、建模行为规则、跑通用例、横向扩展，每一步给出验收标准和常见坑。
阅读全文 →客户经营的度量：从满意度到经营结果，客户资产怎么算
客户经营做得好不好，不能靠感觉。本文给出一套四层指标体系——关系层、经营层、财务层、预测层，从客户满意度一路到NRR与客户终身价值，帮你把'客户关系'变成可量化、可管理、可增长的经营资产。
阅读全文 →