本文要点
- 三个「销售额」都对，这是最麻烦的地方。 签单口径、开票口径、发货口径各有各的业务合理性——所以口径统一不是判对错，是做选择：每个指标只留一个权威版本，其他口径保留但必须挂靠。
- 口径统一的产品是「口径卡」，不是制度文档。 一张卡七个字段：定义、公式、来源、频率、责任方、场景、编码。能让 AI 和新人都能照着算对，才算统一完成。
- 判断标准很朴素：让三个部门的人独立算同一个数，答案一致，且他们知道不一致时找谁。 做不到这两条，口径就没有真正统一。
一个每周都在发生的场景
一家制造企业的月度经营会上，总经理问了一句「这个月卖了多少」。
销售总监说 2.7 亿——按当月签单口径，含未发货订单，这是他背的业绩；
财务总监说 2.3 亿——按开票确认收入口径，这是报表上的数；
供应链总监说 2.5 亿——按发货口径，这是他排产和物流的依据。
三个数都对。三个人都没错。但坐在旁边的 AI 助手不知道该引用哪个——如果三个数都进了它的知识库，它今天答 2.3 亿、明天答 2.7 亿，每次都能找到「数据支撑」。
人对这种模糊有免疫力：老总们开会吵十分钟，口径自然对齐。AI 没有这个免疫力，它只会忠实放大分歧。 这就是为什么口径统一这件「老生常谈」的事，在 AI 时代突然变成了生死线。
先划清一件事：统一口径不是判对错
很多口径统一项目推进不下去，是因为发起方式错了——组织一场大讨论，判「哪个口径是对的」。销售说签单才算数，财务说准则就是开票，吵三个月没有赢家。
正确姿势是反过来的：先问「这个指标给谁用、做什么决策」，再决定哪个口径做权威版本。
- 给总经理看经营态势 → 通常用确认收入口径（和财报一致）；
- 给销售团队做业绩管理 → 用签单口径（激励导向）；
- 给供应链做产能与物流 → 用发货口径（实物导向）。
三个口径都合法。要做的是：每个指标选出唯一的权威口径（通常对齐财报），其余口径降级为「派生口径」，必须声明与权威口径的换算关系。
干货：一张口径卡长什么样
口径统一的交付物不是一本文档，是一摞口径卡。每张卡七个字段，缺一个，执行时就会被重新解释一遍：
| 字段 | 内容示例 |
|---|---|
| 指标编码 | KPI-REV-001 |
| 指标名称 | 月度销售额（权威口径） |
| 业务定义 | 本自然月内完成发货并达到收入确认条件的订单金额 |
| 计算公式 | SUM（当月满足收入确认条件的发货单金额），分子分母逐一写清，注明含税与否 |
| 数据来源 | ERP 模块「发货过账」表，字段 SH_fphz.je 求和 |
| 更新频率 | 每日 02:00 T+1 更新 |
| 责任方 | 财务部口径管理员（变更需财务总监 + 销售总监双签） |
这张卡的关键在最后一行——责任方。90% 的口径失控不是没定过口径，而是定了之后没有人守：销售觉得新算法吃亏了，找 BI 同事单独拉一版；财务调整了确认规则，忘了通知数据团队。没有责任方和变更流程的口径卡，三个月后就是一堆过期文档。
五步落地路径
第一步：圈指标，别全量。 从两个来源倒推：目标 AI 场景要消费的指标 + 经营会议上被问倒过的高频指标。经验上第一轮 20~50 个核心指标足够。收入、成本、库存、客户（活跃/流失的定义！）、交付五类是重灾区。
第二步：写口径卡。 每个指标一张卡，业务方、财务、数据团队三方对着写。判断写没写好的土办法：找一个从没参与讨论的同事，只给他口径卡，让他去系统里把这个数算出来——算不出或算得纠结，就是卡没写清楚。
第三步：落系统，定权威。 每个指标指定唯一的权威数据源（通常是 ERP/财务系统），BI 报表、AI 应用、RAG 知识库只允许从权威源取数。其他历史来源做标记：要么废弃，要么改造成派生口径并写明换算关系。
第四步：收编影子口径。 各部门 Excel 里的私货口径是统一的最大敌人——别硬禁，禁不住。收编策略：承认部门自定义分析口径的合法性，但要求两点：标注「非权威口径」、给出与权威口径的映射关系。拿 AI 场景的收益去换（统一口径之后智能报表和自动经营分析才用得了），比行政命令好用。
第五步：进流程，常运营。 口径变更走双签审批；新指标立项时先写口径卡再开发报表；每季度复盘一次口径卡与实际的偏差。让口径变成有生命周期的资产，而不是一次性的文档工程。
三个最常见的坑
坑一：追求全量起步。 「先把 800 个指标的目录建完」——这个项目大概率活不过两个季度。从 20 个高频争议指标开始，跑出第一批口径卡，让业务方尝到甜头，再滚动扩。
坑二：只写文档不落系统。 口径卡写得很漂亮，但 BI 报表还是从老地方取数，AI 应用还是自己连数据库。文档与系统的脱节等于没统一。判断方法：随便打开一张在用的经营报表，问做报表的人「这个数的口径卡在哪」——答不上来，就是坑二。
坑三：没有变更流程。 业务在变，口径迟早要改。没有变更流程的口径体系，改一次乱一次，最终回到「三个销售额」的原点。变更流程不用复杂：谁提出、谁审批、改了之后通知谁，三句话写清楚，比没有强一百倍。
统一之后，AI 才接得上
口径卡的终点不是归档，是进入 Ontology 语义层：「月度销售额」这个业务概念，映射到 ERP 的具体对象与字段，AI 就能用自然语言回答「上个月卖了多少」——并且每次答的都是同一个数。
这也是数据治理五步闭环里「定语言」一步的核心动作。完整框架见数据治理方法论，为什么口径问题在 AI 时代变成生死线，见上一篇《AI 项目的上限，在数据治理开工那天就决定了》。
最后的自检清单
五条，每条 20 分：
- 公司有没有一张「权威指标清单」？它存在哪里，谁维护？
- 随便挑一个核心指标（比如销售额、齐套率），能有几个人算出同一个数？
- 口径卡（或同等物）覆盖了多少核心指标？有没有责任方和变更流程？
- 各部门的 Excel 口径，是收编了、消灭了，还是默认放养？
- 你的 AI 应用/智能报表取数的来源，是权威源吗？
80 分以上，你的数据「定语言」这一步基本过关，AI 场景可以放心往上跑；60 分以下，先别急着买模型——你现在的每一分模型预算，都会有一部分浪费在教 AI 说三套互相矛盾的「财务普通话」上。