简要回答： 先明确管理层需要作出的决策，再以唯一标识、时间和责任人记录现场事件。基于固定的数据粒度、数据质量检查和人工审核生成指标。
为什么现场数据不能直接等同于管理指标？
平板表单中的每一行都可能代表一个可测量事件，但单凭这些记录不能回答管理问题。创建工单、开始现场访问、完成检查点、确认不符合项以及发布报告，是不同的业务事件。将它们全部归入一个“已完成”字段，会混淆速度与质量，也会混淆工作量与结果。
Microsoft 的星型架构指南指出，事实表保存观察结果或事件，维度则用于筛选和分组；该指南特别要求按一致的粒度加载事实表。由此可见，工单、现场访问、检查点和报告不能被当作同一种记录来计数。
一个可靠的指标，应先说明它支持哪项决策，再解释统计哪些事件、使用什么时间窗口，以及采用何种计算规则。
第一步：选择一个管理问题
设计仪表板不应从挑选图表开始，而应先写出要回答的决策问题，例如：“延期业务积压在哪个阶段？”“需要再次到场的业务有什么共同原因？”或“报告发布为何偏离计划日期？”每个问题所需的事件、范围和责任人都不同。
NIST AI RMF Playbook 的 Measure 2.5 部分从构念效度角度，讨论如何验证一个指标是否真正测量了其声称测量的概念。在 Vizyon AI 设计中，这意味着不能把模型或规则的输出直接当作事实。展示指标时，应同时提供源记录、计算规则、使用边界及授权人员的审查。
计算前先填写 KPI 定义卡
| 字段 | 需要回答的问题 | 示例 |
|---|---|---|
| 决定 | 该指标会触发哪项行动？ | 计划负责人调整工作分配。 |
| 事件 | 统计哪类记录？ | 由授权用户关闭的现场访问。 |
| 数据粒度 | 一行数据代表什么？ | 某张工单中的一次现场访问。 |
| 时间 | 采用哪些开始时间、结束时间和时区？ | 计划开始时间与实际关闭时间，使用伊斯坦布尔时间。 |
| 范围 | 哪些记录纳入或排除？ | 已取消业务单独报告，不计入分母。 |
| 负责人 | 由谁批准定义和阈值？ | 运营经理与数据负责人。 |
| 证据 | 结果可以追溯到哪些记录？ | 工单、现场访问和操作历史的标识。 |
以不可变的基础记录构建事件模型
每个现场事件至少应保存唯一事件标识、工单标识、事件类型、发生时间、记录时间、负责角色、来源和状态历史。需要更正时，应创建新版本或更正关联，而不是悄悄覆盖旧事件。这样才能解释管理指标为何在之后发生变化。
OpenTelemetry 的稳定版指标数据模型区分了记录时的事件、存储的时间序列和传输的指标流。这一区别也适用于现场运营：原始事件是证据，指标是在特定窗口和单位下计算的视图，仪表板则是面向决策的展示。计数器、瞬时状态和时长分布不能被当作同一种数值使用。
在计算 KPI 前执行数据质量检查
数据缺失不等于绩效低下，同步延迟也不等于业务延误。ISO 8000-8:2015 定义了信息与数据质量概念，以及质量管理中开展测量所需的前提条件。该标准于 2015 年发布，并于 2022 年确认继续有效。这为每个指标设置可测量的数据质量检查提供了依据。
Microsoft Purview 文档从准确性、完整性、合规性、一致性、及时性和唯一性等不同维度讨论数据质量。运营界面不应把这些维度压缩成一个人为的综合分数，而应突出与决策直接相关的维度：
- 完整性： 必填现场字段和证据关联是否齐全。
- 唯一性： 同一事件不会因离线同步或重试而被重复计数。
- 一致性： 工单状态与访问、报告状态之间不存在冲突。
- 及时性： 最近一次成功数据传输的时间，以及可接受的延迟窗口。
若数据质量检查未通过，Vizyon AI 不应将结果作为普通 KPI 展示，而应注明被排除的记录数量、最后更新时间和审查需求，使管理者能够区分运营表现不佳与数据覆盖不足。
如何界定 Vizyon AI 分析层的作用边界？
Vizyon AI 可用于在已定义的业务事件中识别模式、确定例外处理优先级，并对可能原因安排审查顺序。但预测或建议不能替代符合性决定或已发布报告。尤其应将样本量小、现场表单变更、新团队或数据流延迟等条件与结果一并展示。
这一方法与 NIST AI RMF 1.0 的治理、映射、测量和管理功能相一致。在技术实现中，每项分析输出都应保留以下信息：
- 所用数据窗口和筛选条件；
- 指标字典版本；
- 模型或规则版本；
- 建议生成时间；
- 审核角色与所作决定；
- 后续更正的理由。
如需进一步评估人工智能与人工批准的职责边界，可参阅 检验流程中的人工智能与人工批准 指南。若需要保留集成标识， 向 ERP 和会计系统传输数据而不产生重复记录 一文可补充相关技术设计。
为首个仪表板选择小范围、可审计的目标
首版不必把全部运营搬到一个屏幕上，而应选择一个决策循环。例如，同时跟踪计划和已完成的现场访问、等待原因及数据完整性，并确认每张指标卡都能下钻到源工单和事件清单。
发布前检查清单
- 每个 KPI 是否对应一个明确的决策问题？
- 是否书面定义分子、分母、时间窗口、时区和排除条件？
- 不同期间的事件粒度是否一致？
- 缺失、重复和延迟数据是否分别展示？
- 用户能否从汇总数值下钻到源记录？
- AI 建议是否同时展示来源、适用边界和可信度提示？
- 技术批准和运营决策是否仍由授权人员负责？
- 定义或模型改变后，能否重现旧结果？
这些检查使仪表板从装饰性的报告转变为可审计的决策工具。如需评估适合贵机构的数据模型和分析流程，可了解 VizyonTech 人工智能解决方案 ，或基于现有现场流程确定试点范围。
参考来源
- NIST — 人工智能风险管理框架（AI RMF 1.0），2023 年 1 月 26 日。
- NIST AI Resource Center — AI RMF 实践手册，完整版发布于 2023 年 3 月 30 日。
- ISO — ISO 8000-8:2015，数据质量 — 概念与测量，2015 年 11 月；2022 年确认继续有效。
- OpenTelemetry — 指标数据模型，现行稳定版模型文档。
- Microsoft Learn — 理解星型架构及其对 Power BI 的重要性，最后更新于 2024 年 12 月 30 日。
- Microsoft Learn — Unified Catalog 中的数据质量健康报告，现行文档。