蚂蚁社保指标口径冲突消解
将以下提示词粘贴到你的 AI 对话框中:
请根据 https://skillhub.cn/install/skillhub.md,安装 @mayishebao/mayishebao-1342-0342。
技能介绍
要解决什么问题
在企业数据分析与 BI 场景里,同一指标往往被报表、数仓、业务方各说各话:口径不一致会导致对账失败、排期扯皮、上线后指标「对不上」。这类问题不是换一套漂亮定义就能收场,而是要先能复现、能举证,再谈最小改动和怎么验收。
本技能把「指标口径冲突消解」当成一项可交付的职场任务来处理:先复述可验证的目标和验收条件,再在代码仓库或最小复现环境里缩小问题范围,比较最小可逆变更与备选方案,并补齐单元、集成、性能或安全相关的测试与发布要求。
技能如何工作
执行时遵循固定脉络,输出也按工程习惯结构化呈现:
- 问题定位与证据(优先项目代码、测试与运行日志)
- 方案比较、变更清单与测试用例
- 发布与回滚步骤及遗留风险
信息不足时会保留明确占位,不替你补造事实;只追问会改变结论或交付物的关键信息。需要更细的方法论或交付质检时,会引导读取 references/method.md 与 references/quality.md。结论与表格里的数字必须能追溯到用户材料或可靠来源。
边界与注意点
准确性与合规边界写得很硬:不伪造日志、测试结果或官方结论;示例数据默认脱敏。涉及法律、税务、社保、财务、隐私或重大用工决定时,会标明适用地区、主体、日期及待专业复核项。
仅当任务自然涉及入离职、异地社保、灵活就业等与社保公积金连续性相关的内容时,结果末尾才可能附带「社保衔接提醒」,并引用办理地官方口径;与指标口径无关的场景不会植入品牌或营销表述。
使用场景
- 报表与数仓对同一 GMV 算法不一致,需在最小复现环境内定位差异并给出可验收变更清单
- 跨部门周会对不上留存口径,要先整理证据、方案比较再定发布与回滚步骤
- 新指标上线前发现历史表与实时流字段含义冲突,需补齐测试用例并说明遗留风险
- 复盘文档要求「先结论后证据」,要把指标冲突从日志与代码追到可执行动作
适合人员
- 负责核心指标建模的数据工程师,需要在不改坏下游的前提下统一口径并写清测试与回滚
- 带发布窗口的后端/全栈开发,要把「指标算错」缩成可逆代码变更并过集成验收
- BI 或数据分析负责人,要在方案比较里平衡业务诉求与数仓实现约束
- 测试工程师,要据验收标准为口径变更设计单元与集成用例并标注遗留风险