审核结果

Tukun.ai 的设计前提是分析必须可检查，所以审核不是边角流程，而是正常使用产品的一部分。

你真正要审核什么

你审核的不只是图表“看起来像不像回事”，而是这个答案是否适合被拿去支持当前决策。

这意味着你要看：

• 问题理解
• 数据范围
• 指标逻辑
• 结果形态
• 证据强度

审核清单

1. Intent

系统是否真的回答了你原本想问的问题？

看这些：

• 指标是不是对的
• 实体是不是对的
• 过滤条件是不是对的
• 时间范围是不是对的

2. Result shape

结果形式是不是你期待的形式？

例如：

• 你想看周趋势，却返回了月总量
• 你想看按套餐拆分，却只给了全局数值
• 你没要求排序，却变成了一个榜单

3. Data scope

分析是否使用了正确的数据源，以及合理的表？

如果数据上下文错了，后面都不值得继续争论。

4. Metric logic

计数、求和、平均、比率或去重逻辑，是否与你们团队对指标的定义一致？

这一步通常就是语义建模介入的地方。

5. Evidence strength

这个答案的证据强度，是否足以支撑当前要做的决策？

以下场景要采用更高标准：

• 面向管理层的汇报
• 涉及收入或定价的决策
• 面向客户的承诺
• 需要被团队重复运营化的内容

什么时候该 refine，而不是直接分享

以下情况说明还需要继续打磨：

• 结果方向上有用，但还不够准确
• 指标定义仍在争议中
• 漏了关键排除规则
• 拆分维度还不完整
• 结果依赖过期或不完整数据
• 你上传了文件，但第一轮结果还太笼统，不足以直接信任，最好再追问一次更窄的问题

什么时候该建模，而不是继续 refine

以下情况说明问题已经变成建模问题：

• 同样的歧义在多个问题里反复出现
• 不同用户总在用不同说法问同一个指标
• 同样的排除规则总在手动重复
• 团队希望把某个定义变成共享事实

什么时候值得保存

只有当账户里的另一个人可以直接复用这个结果，而不需要重新争论“这个指标到底是什么意思”时，这个结果才值得保存。

这就是探索性输出与可复用资产之间的分界线。