计划仪表盘:AI 辅助复盘前后对比

左边的仪表盘,是计划团队在复盘之前实际在看的东西。三十七个 KPI,四张时间序列图表,两张数据透视表。所有东西都在,却没有一个是被优先排序过的。

这套 prompt 链分三个阶段运行:先完整通读仪表盘的说明文档,再跑一轮批判性审查,问”一个资深审阅者会砍掉什么”,最后用留下来的十个指标做一次重建。结果就是右边这份。

改动了什么:二十七个指标被移除,不是因为它们错了,而是因为它们和决策无关。留下的两张时间序列图表,被重新围绕真正的计划决策(补货点 vs 当前库存水位)来构建,而不是围绕从系统里最容易拉出来的东西。

这花了多久: 四十分钟,一个 Claude 会话,一条搭建得当的 prompt 链。AI 并不理解这个计划场景,是被人喂了这个场景。prompt 里包含了这份仪表盘要支撑的决策,以及会读它的受众。真正起作用的,是这份背景信息。

它没做到的事: AI 完全看不到底层数据。它审查的是结构和呈现方式,不是数字本身。仍然需要一个人去核实那十个留下来的指标计算是否正确。自动化负责结构,判断力负责准确性核查。

失败模式: 批判性 prompt 的第一版过于激进,标记了十二个指标建议移除,而这些指标其实是一个下游流程的承重支撑,只是 prompt 并不知道这个流程的存在。第二版加了一条约束:“不要建议移除任何进入每周 S&OP 报表的指标。“这样才产出了更有用的结果。