比升 Bitsun
决策优势SDE 智能决策引擎白皮书
01 / 22
比升 Bitsun BITSUN WHITEPAPER
SDE · 2026
SDE 智能决策引擎 · 白皮书

决策优势

把企业知识变成可计算的能力

企业的下一个竞争优势,不在于拥有多少数据,而在于能把多少知识,变成可计算、可信赖、可进化的决策能力。

THEME 01知识资产化让企业知识离开人也能用
THEME 02判断有据无证据,不下结论
THEME 03决策可算方案是比较出来的
客户批次SKU 门店促销供应商
比升技术 · 数字员工操作系统 DWOS × 智能决策引擎 SDE
在线交互版 · 支持翻页阅读与导出 PDF
V1.1 · 2026.11
WWW.BITSUN-INC.COM
CONTENTS决策优势 · SDE 白皮书

目录

卷首 · 摘要总主张与三大主题03
第一章 · 问题篇企业不缺数据,缺的是决策 —— 三重断裂与 AI 时代新悖论04
第二章 · 理念篇把知识变成资产 —— 本体:业务世界的数字地图06
第三章 · 能力篇从会建议到会决策 —— 两层分工与自主度阶梯09
第四章 · 场景篇六个场景,一条链路 —— 决策三部曲与六大落地场景10
第五章 · 信任篇为什么敢用 —— 四条落地原则18
第六章 · 路径篇如何开始 —— 选场景、三阶段、五类度量19
结语决策复利20
附录 A / B术语表(地图类比版)· 六场景能力矩阵21
关于比升AI 时代企业数智服务商 —— 价值验证与客户23
阅读指引
FOR BUSINESS

业务决策者

沿主线读:第一章问题 → 第二章理念 → 第四章场景。本体等概念均已拆解为类比,无需技术背景。

FOR TECH

技术评审者

关注第三章分工与各场景「系统怎么做」;术语与能力矩阵见附录,可直达。

FOR ALL

统一的姿态

全书反复回扣一句话:AI 负责算与证,人负责断与行。每个场景都附「边界与诚实」。

一条链路

知识 → 判断 → 决策 → 行动 → 证据 → 沉淀

决策优势 · SDE 智能决策引擎白皮书
EXECUTIVE SUMMARY卷首 · 摘要

知识变成资产,决策才有优势

大模型时代,企业的瓶颈不是模型不够聪明,而是自己的知识还没有被组织成 AI 能安全使用的形式——经验在老员工脑子里,制度在共享文件夹里睡觉,数据在几十个系统里各自为政。SDE 把企业的 SOP、产品、客户、事件、规则建模成一张「业务世界的数字地图」:让 AI 能看懂业务、让每个判断带着证据、让每次决策可回放。

01
知识

可检索的对象与关系

02
判断

有依据的推理取证

03
决策

可比较的候选方案

04
行动

受控、可审批的执行

05
证据

可回指的事实链

06
沉淀

规则化、可复用

01

三大主题,各有实证

主题一句话主张支撑场景关键证据
知识资产化让企业知识离开人也能用客户经营助理 / 运维自进化1,764 实体 / 3,784 关系边 / 10 条风险规则;知识写回 v1→v2、回放 4/4
判断有据无证据,不下结论问题归因六类根因可区分,结论可回指事实 ID
决策可算方案是比较出来的,不是拍出来的预测白盒 / 可计算的决策 / 链路动态响应729 候选 / 30 规则 / 8 周回放;预测因子可拆解;供应变化自动传导

注:六场景覆盖 L1–L4 自主度阶梯(见第三章);预测白盒与链路响应为方案 / 试点阶段。

系统架构 · 两层分工
数字员工 DWOS人机协同 · 前台
对话入口任务编排方案与话术审批卡片作业交接会话审计
决策平台 SDE知识与判断 · 后台
知识对象与关系本体规则确定性计算证据链回放
业务系统(OMS / WMS / LIMS / 分销 / 监控)— 事实与执行端

系统的姿态

AI 负责算与证,人负责断与行。

决策优势 · SDE 智能决策引擎白皮书
CHAPTER 01 · 问题篇(上)企业不缺数据,缺的是决策

从信息到决策的路径上,存在三个长期断裂

每家企业都有报表、看板和开不完的复盘会,但决策并没有因此变快。问题不在信息太少,而在路径上:

断裂一

数据与业务语言的断裂

系统各持一块:批次在质检、库存在仓储、动销在销售。同一个「华东临期率」,三个部门给出三个数字——业务说「这件事」,系统里只有拆散在十几张表里的字段。

断裂二

判断与证据的断裂

问题发生后,归因靠开会:有经验的人给结论,大家凭信任投票。结论无法回指到哪条事件、哪条规则——对错无从检验,经验也无法复用。

断裂三

发现与行动的断裂

风险早有痕迹:缺凭证、低水位、未达目标——每个域都只是「小问题」。看到了没有归属,汇报了没有闭环。

1.1

一个被忽视的事实

风险不在一个系统里,而在系统之间。

采购单缺凭证、库存低于安全水位、售罄未达目标——单域看板天生只能验证已知路径,看不见「之间」。等各域的问题拼成事故,最佳处置窗口往往已经关闭。

1.2 与此同时

最有经验的员工正在流失或退休,他们的判断力从未被沉淀为组织资产。

决策优势 · SDE 智能决策引擎白皮书
CHAPTER 01 · 问题篇(下)AI 时代的新悖论

模型越强,企业越不敢直接用

大模型的出现没有自动弥合三个断裂,反而制造了一个新悖论。不敢用的理由是真实的三件事:

悖论一

不敢信

模型会生成似是而非的内容(幻觉),业务判断经不起「大概是对的」。结论一旦错,代价是真实的订单、真实的库存、真实的客户。

悖论二

说不清

结论是黑盒,无法向客户、向监管、向管理层解释依据。「模型说的」不构成管理语言,也不构成免责理由。

悖论三

管不住

一旦模型直接接上业务系统,错误的动作就是真实的事故。越强的模型接越核心的系统,风险越大。

本章结论

企业当下缺的不是「更聪明的模型」,而是一个让模型智能能够安全落地的底座:它了解业务、提供证据、约束动作、记录一切。这正是 SDE 的定位。

换个问法

与其问「AI 能替我做什么」,不如问:「AI 的判断,凭什么让我信?」本书的全部内容,都是在回答后一个问题。

1.3

从「数据驱动」到「决策驱动」

数据驱动十年,企业沉淀了报表与看板;下一个十年的分水岭,是把数据进一步变成可计算、可信赖的判断与决策——谁能更快地从事实走到可信决策,谁就有决策优势。

决策优势 · SDE 智能决策引擎白皮书
CHAPTER 02 · 理念篇(一)把企业知识变成可计算的资产
「

B1101 这批货,为什么临期了?

真实一问 —— 一个任何现有系统都无法回答的问题

数据都在:批次档案、质检报告、分货记录、动销曲线、客户投诉。问题在于它们彼此不认识——质检系统不知道分货记录,销售系统不知道质量冻结。

回答「为什么」,需要把散落在五六个系统里的事实,沿业务逻辑重新连起来。把知识连起来、让机器能沿着连接推理——这件事的技术名字叫本体(Ontology)。用一个类比把它讲清楚:

把企业想成一座城市。

各系统积累的数据就像测绘资料库——卫星影像、地籍表、丈量记录,每一份都准确,但你没法拿着一摞记录开车。本体,就是用这些资料建成的那张活地图。

2.1

本体 = 业务世界的数字地图

地图世界业务世界说明
建筑、地点对象客户、商品、批次、门店、供应商——业务里真实存在的「东西」
道路关系谁买了什么、货从哪个仓分到哪家店、哪张凭证对应哪张采购单
交通法规规则什么情况算异常:预算超线、库存呆滞、效期不足、凭证缺失
调度指令动作系统可受控执行的事:生成调拨单、发起审批、派发整改任务

这张地图是「活」的:业务系统每产生一条新数据,地图上的建筑和道路实时更新;规则每修订一次,全图立即适用。

决策优势 · SDE 智能决策引擎白皮书
CHAPTER 02 · 理念篇(二)它和你已经有的东西是什么关系

不必推翻任何系统,本体是「翻译层」

你已经有的它回答的问题本体补上的那一半
数据库 / 业务系统发生了什么(记录)——
BI 报表是多少、趋势如何为什么会发生
文档知识库制度写了什么眼前这个情况,按制度该怎么办
大模型能说会道说的每句话有没有依据、动作能不能落地

一句话

报表让你「量出一条路有多长」;
本体让你「沿着地图开车」。

2.2

贯穿全书的一个例子:批次不再是一行记录

没有本体时,「批次 B1101」是库存表里的一行。在 SDE 里,它是一个对象,连着完整履历:质检结论、分到了哪些节点、各节点滞留几天、当地动销曲线、有无客户投诉。它是一件事,不是一行数据。于是——

追问一

为什么临期?

系统沿对象的连接多跳取证,把证据一条条找回来。

追问二

该怎么处置?

规则给出与根因匹配的动作建议:调拨、促销,还是复核质检。

追问三

下次怎么防?

归因结论固化成新规则,进入下一轮自动预警。

这就是「知识资产化」:

知识不再是给人看的文档,而是机器可以检索、推理、执行的资产。

决策优势 · SDE 智能决策引擎白皮书
CHAPTER 02 · 理念篇(三)为什么大模型时代,本体反而成了刚需

大模型是一位口才极好、刚入职你公司的外人

它读得懂语言,读不懂你家的业务:不知道你们的「华东」包含哪些仓、口径怎么算;会流畅地说出一个并不存在的政策条款;不知道哪些动作碰不得。

2.3

本体给模型三样东西,恰好对症

模型缺什么本体给什么作用
没有统一语义——在表字段上猜一本业务母语教科书对象与关系让模型在正确的业务概念上说话
没有证据约束——幻觉防不住一套引用规范结论必须挂接地图上的具体事实,无证据不下结论
没有行为边界——动作碰不得一本行车规则模型只建议与编排,落库动作走白名单与审批闸门

分界线

模型负责理解问题、组织语言;本体负责事实、逻辑与边界。前者提供智能,后者提供可信赖的智能。

2.4

知识的形态迁移

FROM

文档里的知识

给人看,机器用不了;更新滞后,检索靠运气。

FROM

脑子里的经验

随人流动,随退休流失;无法复制,无法检验。

TO

地图上的资产

对象、关系、规则、动作——可检索、可推理、可执行、可进化。

决策优势 · SDE 智能决策引擎白皮书
CHAPTER 03 · 能力篇两层分工与自主度阶梯

数字员工在前,知识与判断在后

DWOS数字员工 · 前台
对话入口任务编排方案与话术审批卡片作业系统交接会话与审计
SDE决策引擎 · 后台
知识库 / 检索对象与关系本体规则确定性计算证据链回放
业务系统事实与执行端
OMS / WMS / LIMSCRM / 分销分货 / 采购监控 / Runbook

一个类比:DWOS 是前台接待专家,SDE 是他背后的档案馆加计算中心。你感受到的是一位懂行的专家,支撑他的是一整套可查证的体系。

自主度阶梯 · 信任积累到多少,系统承担多少
级别主题系统做什么人做什么
L1 会建议客户经营助理检索知识,给个性化方案与风险提示判断、采纳、去办理
L2 会归因问题归因 / 运维自进化多跳取证定位本质;人工经验回写知识采纳归因、确认写回
L3 会决策预测白盒化 / 可计算的决策因子拆解、候选生成、规则评估、回放审批方案、决定执行
L4 会进化链路动态响应变化触发重算,响应知识自动沉淀,越用越聪明审批响应、守住闸门

每一级的共同结构

系统把「信息—判断—动作—证据」串成一条可复核的链。人可以随时追问「依据是什么」,系统点开就是事实、规则与推理路径。信任不靠盲信,靠可查证。

决策优势 · SDE 智能决策引擎白皮书
CHAPTER 04 · 场景篇 · 总览六个场景,一条链路

从会建议到会进化:六个场景,覆盖 L1–L4

六个场景共用一套底座——对象、规则、证据链、回放;其中预测、分货、响应构成决策三部曲:输入可信 → 方案最优 → 持续在线:

STEP 1
预测白盒

看得准:预测是一本可查的账

STEP 2
分货决策

分得对:一次决策算得清

STEP 3
动态响应

调得动:变化触发重算

STEP 4
复盘沉淀

学得快:偏差变成修正

LOOP
滚动闭环

决策可算升级为持续运转

4.0

六大场景导航(点击跳转)

SCENE 01 · L1

客户经营助理

知识资产化:政策 × 客户特点 → 个性化方案

SCENE 02 · L2

问题归因

判断有据:多跳取证,从结果找到本质

SCENE 03 · L2

运维知识自进化

故障定位 + 经验回写:知识越用越厚

SCENE 04 · L3

销售预测白盒化

输入可信:预测从黑盒数字变成一本账

SCENE 05 · L3

可计算的决策

方案最优:729 候选,8 周反事实回放

SCENE 06 · L4

链路动态响应

会进化:变化触发重算 + 响应知识自动沉淀

每个场景统一五要素:业务问题 → 系统如何解决(DWOS × SDE 分工)→ 闭环 LOOP → 业务价值 → 金句,并附「边界与诚实」。跨域风险发现(采销协同)见能力地图(第 17 页)。

决策优势 · SDE 智能决策引擎白皮书
SCENE 01 · L1 会建议 · 知识资产化以品鉴会为首批落地载体

客户经营助理:现场作战助手

1,764
真实知识库实体页
3,784
去重关系边
10
风险推理规则
3/7/30/90
天转化复盘节点
01 / PAIN

业务问题:不是没有 SOP,而是现场用不上

PAIN 1

个性化缺位

企业政策、产品、客户画像分散在各部门,销售很难当场组合出贴合这位客户的方案。

PAIN 2

不知道办不办、办哪类

招商还是动销?什么规模?预算怎么定?经验在少数人脑子里。

PAIN 3

会后效果说不清

转化、费用、核销沉淀在 BI 表里,缺少面向销售的解释与下一步建议。

02 / DIVISION

系统如何解决:结合政策与客户特点,给出个性化建议

DWOS · 数字专家前台

APPLICATION
  • 六类任务模式:方案 / 产品 / 邀请函 / 跟进 / 数据 / 复盘,销售一句话发起;
  • 只出建议、不落库:方案、话术、ROI 预判在对话中完成;
  • 作业交接:申请 / 审批 / 核销 / 报销跳转既有作业系统真实落账;
  • 结果回读:3/7/30/90 天转化回流,形成下一场建议。

SDE · 知识与判断

KNOWLEDGE
  • 真实知识库:16 实体类型 / 15 关系类型,1,764 实体页、3,784 条去重关系边;
  • 风险推理:10 条规则围绕预算、核销、产出实时派生 risk_level 哨兵;
  • 个性化取材:政策、客户画像、历史复盘、SOP 口径统一可检索;
  • 数据质量前置:分母缺失等数据问题明确暴露,不硬判「超支」。
03 / LOOP

从提问到复盘的闭环

01 / ASK
销售提问

「张总这场品鉴会后续怎么样?帮我出下一场招商方案。」

02 / RETRIEVE
知识检索

政策 × 客户画像 × 历史案例 × SOP 口径

03 / JUDGE
判断与建议

办不办 / 办哪类 / 预算与风险,给依据不只给结论

04 / HANDOFF
作业系统办理

申请 / 审批 / 核销 / 报销真实落账

05 / REVIEW
结果复盘

BI 回流,解释转化与费用,给下一场建议

规则守线预算守线核销核验产出预警risk_level 哨兵

04 / 业务价值

  • 销售:从「翻资料、问老人」到一句话拿到有依据的个性化方案与风险提示;
  • 运营:政策与产品口径统一进知识库,各区域不再各说各话;
  • 管理层:从「办了多少场」转向「这场办得怎么样、下一场怎么改」。

边界与诚实

H5 只做建议不直接落单,办理由外部作业系统完成;数据缺失与历史口径差异优先暴露,不用模型猜测补齐。

场景金句知识库不是产品说明书,而是把企业政策、客户画像与历史复盘,变成现场可用的个性化判断。
决策优势 · SDE 智能决策引擎白皮书
SCENE 02 · L2 会归因 · 判断有据货品运营 · 以临期归因为落地载体

问题归因:从结果找本质

6
类根因全部可区分
7
条本体规则覆盖
9 + 9
实体 + 关系类型
2
结构化数据连接器
01 / PAIN

业务问题:临期是批次属性,答案却散在多个系统里

PAIN 1

画像分散

批次、库存、动销、质检、履约分别落在 LIMS / WMS / 进销存 / OMS。

PAIN 2

单点查询答不了「为什么」

看到剩余效期不足,不等于知道是需求慢、分货错配,还是质量冻结。

PAIN 3

结论不可追溯

人工复盘给经验判断,无法回指哪条事件、哪个属性、哪条规则。

02 / DIVISION

系统如何解决:沿图多跳取证,结构化归因

DWOS · 临期归因专家

APPLICATION
  • 归因对话:单批次沿图取证;区域问题先确定性聚合、再补逐批次证据;
  • 答案契约:主体 / 是否临期 / 主因 / 证据链 / 反证 / 建议动作 / 置信度;
  • 规则沉淀:归因被认可后,根因固化为 SDE 规则;
  • 受控动作:可调拨根因才弹调拨单卡,二次确认后提交。

SDE · 知识与本体

KNOWLEDGE
  • 知识库:9 类实体 / 9 类关系 + 33 篇文档,批次连接事件、节点、客户、动销、质检;
  • 规则引擎:7 条本体规则覆盖六类根因,可版本化、干跑、发布;
  • 数据接入:批次 + 背景两条结构化连接器,规则转换、稳定省模型;
  • 防幻觉:无证据不下结论,结论必须点回具体图事实 ID。
03 / LOOP

一次归因,三次价值

01 / ASK
问批次 / 区域

「B1101 为什么临期?」「华东为什么临期多?」

02 / TRACE
沿图取证

批次 → 事件 → 节点 → 客户 → 动销 → 质检

03 / EXPLAIN
结构化归因

主因 + 证据链 + 反证 + 建议 + 置信度

04 / CODIFY
固化成规则

根因写成可执行规则,进入规则库

05 / PREVENT
下一轮验证

下期数据 dry-run,对比有 / 无规则

六类根因节点滞留 · dwell_days分货错配 · alloc×动销需求慢 · sellthrough预测过度 · dos_days质量冻结 · inv_state / qc履约异常 · stuck_days

04 / 业务价值

  • 从现象到原因:同一句「临期了」,能区分六种根因与完全不同的处置;
  • 从经验到能力:一次归因沉淀为下一轮自动预警,企业能力持续提升;
  • 从结论到证据:每条判断可回指事实,减少「模型说了算」的不信任。

边界与诚实

「多源事实 → 证据链归因 → 规则沉淀 → 下轮验证」机制可平移至履约卡单、批次召回等更复杂场景。

场景金句先证明数据能支撑判断,再谈规则。无证据的结论宁可不下。
决策优势 · SDE 智能决策引擎白皮书
SCENE 03 · L2 会归因 · 知识资产化从故障结果定位根因,把处置经验变成组织知识

运维:知识自进化

3
内置 Runbook
8
运维专家工具
v1 → v2
知识写回版本
4 / 4
回放判定通过
01 / PAIN

业务问题:知识为什么留不下来

PAIN 1

经验沉在聊天里

故障处理完,根因与临时手段散落在群聊与个人记忆里。

PAIN 2

同类故障重复排查

Runbook 写的是理想步骤,真实处置没有回流,下一次仍靠人。

PAIN 3

知识没人验证

是否可检索、动作是否可执行、验证是否通过,没有机制保证。

02 / DIVISION

系统如何解决:检索定位 + 受控处置 + 人工回写 + 回放验证

DWOS · 运维专家与执行闸门

APPLICATION
  • 8 个运维工具:建事件、查状态、绑 Runbook、执行动作、验证、通知、生成补丁、确认写回;
  • 全程状态机:received → dispatched → matched → executing → verifying / escalated → knowledge_* → closed;
  • 受控执行:只执行 Runbook 声明的动作与参数键;
  • 人闸:补丁写回须管理员确认,版本乐观锁防覆盖。

SDE · 知识与证据

KNOWLEDGE
  • Runbook 知识库:可检索、读写带知识库作用域;
  • 版本与快照:回写保存原文快照,支持原文级回滚;
  • 检索投影:索引 + 向量双通道,回放前等待新版本投影可见;
  • 本体增强(扩展中):服务 / 组件 / 索引 / 变更拓扑,推导疑似变更与爆炸半径。
03 / LOOP

一次故障,四次价值

01 / EVENT
异常接入

错误码 + 上下文,同指纹去重

02 / ACT
检索与处置

命中 Runbook,白名单动作 + 自动验证

03 / ESCALATE
失败升级

通知值班转人工,不硬闯

04 / WRITEBACK
管理员回写

Diff → 确认 → v+1,存回滚原文

05 / REPLAY
dry-run 回放

可检索 / 可执行 / 验证通过 → 关闭

守线机制白名单动作全程状态机版本乐观锁dry-run 回放

04 / 业务价值

  • 已知问题:按 Runbook 自动执行并验证,减少重复排查;
  • 未知问题:失败即升级,人工处置后根因与步骤写回知识库;
  • 下一次:同类异常按新版本自动解决,知识真正复利、全程可审计。

边界与诚实

演示阶段动作与通知为 mock,不产生真实副作用;知识写回必须人工确认,不由模型自动改库。

场景金句自进化的关键不是模型会写文档,而是每次写回都能被真实回放验证——知识在下次故障中被使用,才算真正沉淀。
决策优势 · SDE 智能决策引擎白皮书
SCENE 04 · L3 · 决策可算 · 输入可信方案 / 试点阶段

销售预测白盒化与复盘

6
类驱动因子可拆解
2
维误差拆解(对象×因子)
100%
人工调整留痕
每期
复盘自动检验
01 / PAIN

业务问题:模型给出一个数,没人说得清凭什么

PAIN 1

预测是黑盒

业务不敢直接采纳,「拍数会」照开——最终数字常是模型与经验的妥协。

PAIN 2

误差无法归因,干预不留痕

偏了不知是新店分流、促销没录全还是天气异常;谁调过数、调得对不对,无人检验。

PAIN 3

预测与计划脱节

促销计划改了预测不知道;计划、销售、供应链各持一版口径博弈。

02 / DIVISION

系统如何解决:预测即对象,因子即关系

DWOS · 预测对话专家

APPLICATION
  • 问依据:预测值当场拆成因子账本,每项可点开来源;
  • 知情调整:业务可改预测,但必须写理由、全程留痕;
  • 复盘对话:偏差沿维度拆解呈现,下一期自动检验调整对错。

SDE · 预测即对象

KNOWLEDGE
  • 因子上图:基线、季节、促销、节假日、价格、渠道六类因子全部可点开;
  • 误差沿图归因:沿「SKU × 门店 × 周期」与「驱动因子」双维拆解;
  • 计划联动:促销 / 铺货计划变更,预测随之更新,口径同源;
  • 复盘沉淀:系统性偏差固化为修正规则,能力随使用变准。
03 / LOOP

从「一个数」到「一本账」的闭环

01 / ASK
问预测

「凭什么 2.4 万件?上月为什么偏三成?」

02 / SPLIT
因子拆解

一个数 → 一本账,每项可查依据

03 / TRACE
误差归因

回到图上找,不在会上猜

04 / ADJUST
知情调整

写理由、留痕迹,杜绝暗箱改数

05 / LEARN
复盘沉淀

调整检验 + 偏差固化为修正规则

原型示意 · 预测拆解账本(SKU × 华东 × 下季度)合计 24,000 件
基线趋势 75%(18,000)
促销 17%(4,000)
季节 8%(2,000)

04 / 业务价值

  • 商品:从「信不信模型」的立场之争,变成「查账式」过程管理;
  • 计划:预测与计划同源同口径,博弈减少、协同加快;
  • 组织:每次偏差都变成修正,预测能力成为持续进化的资产。

边界与诚实

白盒解释的是因子与逻辑,不等于因果结论;外部因素仍留残差,系统标注置信区间。方案 / 试点阶段,量化指标以实际项目为准。

场景金句预测不可能永远准,但可以永远「错得清楚」——每一次偏差,都变成下一次的修正。
决策优势 · SDE 智能决策引擎白皮书
SCENE 05 · L3 会决策 · 决策可算 · 方案最优以分货为落地载体

商品运营:可计算的决策

729
候选方案可比较
30
条规则逐一评估
8 周
反事实逐周回放
64 / 240
门店 / SKU · 3,840 分货行
01 / PAIN

业务问题:一次分货,同时受四个约束

约束一

门店容量

分多压货、分少断码,门店之间不能简单平均。

约束二

尺码曲线

同一 SKU 在不同门店结构不同,粗放分货制造结构性滞销。

约束三 × 四

到货节奏 × 毛利风险

ASN 批次、毛利与滞销风险必须一起权衡,方案还要能解释。

02 / DIVISION

系统如何解决:确定性引擎算方案,模型做编排与解释

DWOS · 分货专家

APPLICATION
  • 自然语言入口:「打开分货会话」,选数据集与基准周,冻结规则与参数;
  • 15 个专家工具:会话、证据、推荐、回放、评估、审批、执行、规则提升;
  • 不重算分货:复杂计算留在 SDE,前台只做编排与解释;
  • 人在环:方案审批与规则提升,都必须人工明确批准。

SDE · 决策底座

DECISION ENGINE
  • 确定性数据集:64 门店 / 240 SKU / 18 ASN / 3,840 分货行 / 24,000 件;
  • 候选生成:729 个候选,硬约束过滤 + 多目标排序;
  • 规则评估:30 条业务规则逐一判定,违反哪条、命中哪条全部留痕;
  • 反事实回放:同一历史需求替换方案,逐周推演 8 周。
03 / LOOP

从问题到审批执行的闭环

01 / OPEN
打开会话

「这批 24,000 件怎么分到 64 家店?」冻结规则与参数

02 / COMPUTE
生成候选

确定性引擎 + 硬约束过滤 + 排序

03 / PROVE
证据与回放

规则命中 + 8 周反事实推演

04 / APPROVE
人工审批

人确认方案,不是模型代替审批

05 / EXECUTE
受控执行

白名单通道,全程留痕可回查

决策逻辑硬约束过滤多目标排序30 条规则评估8 周反事实回放

04 / 业务价值

  • 可计算:分货从经验判断变成同一口径下的候选比较;
  • 可解释:每个方案能回答「为什么这样分、违反哪条规则、回放如何」;
  • 可控:方案与规则提升都要人审,mock / 真实环境边界明确。

边界与诚实

当前为合成数据 demo:回放是反事实推演,不等同真实 A/B 或因果结论;执行仅生成 mock 回执。

场景金句不是让 AI 直接分货,而是让每一次分货决策可计算、可解释、可追责。
决策优势 · SDE 智能决策引擎白皮书
SCENE 06 · L4 会进化 · 决策可算 · 持续在线每一次响应,都变成下一次的能力(方案 / 试点)

链路动态响应:会进化的计划

6
环节触发式闭环
5
类响应动作可组合
v1 → v2
响应知识写回版本
分钟级
影响面自动传导呈现
01 / PAIN

业务问题:计划是静态的,市场是动态的,经验是一次性的

PAIN 1

变化随时发生

需求爆量或失速、供应延期或缺口,计划却停在月初版本里。

PAIN 2

影响看不穿

一张到货单延期牵动哪些 SKU、门店、在途与促销?人工追半天,最佳窗口已关。

PAIN 3

响应不复利

紧急会议各自拍板、没有方案比较;处置完经验就散了,同类变化下次仍靠人从头再来。

02 / DIVISION

系统如何解决:计划即对象 + 响应知识自进化

DWOS · 响应专家

APPLICATION
  • 一句话发起:「这张 ASN 延期两周,怎么办?」翻译成响应请求;
  • 方案卡片:候选响应的代价、风险、服务水平摆上同一张桌;
  • 响应复盘对话:动作、代价与偏差回放呈现,辅助人判断与沉淀;
  • 双重闸门:执行须人工确认;响应规则写回须管理员确认。

SDE · 计划即对象 + 自进化

DECISION ENGINE
  • 计划上图:需求 / 供应 / 到货 / 分货计划全部建模,供应连供应商与 ASN、需求连预测与促销;
  • 变化沿图传导:延期瞬间,受影响 SKU、门店、促销与量级一屏呈现;
  • 候选重算:五类响应动作及其组合,过同一套规则评估与推演回放,口径与预测同源;
  • 响应知识回写:认可的响应固化为规则与 Runbook(v+1),dry-run 验证——下一次同类变化,系统按新知识自动出方案。
03 / LOOP

触发式闭环 + 进化回路:响应不靠会议,进化不靠记性

01 / WATCH
监测

偏差事实:延期 / 缺口 / 需求突变

02 / PROPAGATE
传导

影响网络一屏清单

03 / PLAN
方案

候选重算,代价风险可比较

04 / APPROVE
审批

人工确认后执行

05 / ACT
执行

白名单受控动作

06 / EVOLVE
复盘回写

回放对比,响应知识 v+1,下一轮自动

五类响应追单调拨替代供应促销改期分货重排自进化规则版本化dry-run 验证同类变化自动应对

04 / 业务价值

  • 供应链:响应从「天级会议」进入小时级重算;
  • 商品:影响面即时可见,最佳响应窗口不再错过;
  • 组织:每一次响应沉淀为规则,同类变化下一次自动应对——链路越用越聪明,全程留痕可回放。

边界与诚实

推演基于当前事实快照与预测区间,二次变更需重新触发;执行与规则写回均须人工确认;执行落地依赖真实供应、物流系统对接。

场景金句链路不仅会响应,还会变聪明——每一次应对,都成为下一次的自动能力。
决策优势 · SDE 智能决策引擎白皮书
HORIZON · 能力地图这条链路还在生长

下一个前沿:跨域风险发现

六个场景验证的机制——对象、关系、规则、证据——正在向「系统之间」延伸:风险不在一个系统里,而在系统之间,单域看板天生看不见「之间」。

01 / PAIN

业务问题:单域看板看不到跨域传导

PAIN 1

异常藏在单域里

采购单缺凭证、库存低于水位、售罄未达目标,各自看都只是局部问题。

PAIN 2

固定链路只能验证已知

人工画好的链路覆盖不了「凭证 × 库存 × 销售 × 供应商」的未知组合。

PAIN 3

发现与整改脱节

谁补凭证、谁调拨、谁复核供应商,缺少统一任务闭环。

02 / CHAIN

8 条推理规则,把局部异常串成风险网络(采销协同演示)

采购单缺凭证 → 商品合规风险 凭证往来不一致 → 商品合规风险 库存低水位 → 商品补货风险 仓库呆滞 → 商品补货风险 售罄未达目标 → 商品销售风险 合规 + 补货 → 商品双风险汇聚 双风险商品 → 供应商供应链风险 缺凭证采购单 → 供应商合规风险
01 / FACTS
事实数据

采购、凭证、库存、售罄、供应商

02 / ASSERT
异常识别

5 类域内异常断言

03 / INFER
规则推导

8 条规则前向链式推导

04 / NETWORK
传导网络

风险沿商品与供应商汇聚

05 / FIX
整改任务

补录凭证 / 调拨补货 / 供应商复核

从「一个场景能用」到「一条链路能长」:

七个战场(六场景 + 跨域发现)共用同一套底座,任一场景沉淀的对象、规则与证据链都成为下一条战线的起点资产——边际成本递减,这正是「知识资产」的复利含义。

路线提示

跨域发现与各场景的落地节奏与优先级,可与比升顾问共同规划。

场景金句人工画好的链路只能覆盖已知;从事实出发的推理发现,才能看见未知组合。
决策优势 · SDE 智能决策引擎白皮书
CHAPTER 05 · 信任篇为什么敢用

在满屏「AI 全自动」的宣传里,先回答更根本的问题

信任来自可查证,不来自「请放心」。四条落地原则,每条都是落在产品结构里的机制:

原则一

确定性优先,模型做编排

关键数字的计算、规则评估、事实聚合用确定性代码完成;模型负责理解问题、选择工具、解释结果。模型不替人算关键数字。

原则二

无证据,不下结论

归因结论绑定事实 ID,决策绑定运行记录。数据缺失时明确暴露,不用模型补齐——从机制上压制幻觉。

原则三

动作必须有边界

受控动作只执行白名单;高风险动作必须人工审批;演示与生产环境用模拟 / 真实回执严格区分。

原则四

人在环,但不让人做机器该做的事

人负责目标、风险与最终批准;机器负责检索、计算、比对、留痕与重复执行。系统的目标不是替代决策者,而是让决策者每一次拍板都有完整弹药。

机制清单

信任是架构,不是承诺

证据链可点开 · 规则可版本化 · 变更可干跑 · 动作有白名单 · 审批有闸门 · 全程有审计

一句回应质疑

「AI 会不会替我拍板?」——不会。系统把「信息—判断—动作—证据」串成可复核的链,拍板的人始终是你,只是你从孤证拍板变成全证据拍板。

对边界的坦诚

演示数据与生产数据、模拟回执与真实回执、反事实推演与因果结论——我们都明确区分并如实告知。

决策优势 · SDE 智能决策引擎白皮书
CHAPTER 06 · 路径篇如何开始

从一个场景,到一种能力,到一套资产

6.1

选场景的三条标准 · 三种切入姿势

标准一 · 高频

决策每天 / 每周都在发生

改善立刻可见。从建议切入:客户经营助理式知识陪伴。

标准二 · 有痛感

现有流程依赖开会、靠老师傅

且痛感是一线自己说出来的。从归因切入:临期式解释为什么。

标准三 · 数据可得

相关系统数据能接出来

不必先做一年数据治理。从决策切入:预测 / 分货 / 链路响应——风险与价值依次递增。

6.2

三阶段落地路径(约 90 天)

阶段周期做什么里程碑
一 · 知识冷启动第 1–4 周选定业务域,接入文档与数据,建对象与关系,规则在真实数据上验证知识地图上线,首批规则通过数据质量检验
二 · 判断上线第 5–8 周以「建议 / 归因」形态上线数字专家,人在环使用,积累采纳记录一线日常使用;首批归因结论被业务认可
三 · 决策闭环第 9–12 周引入候选生成、规则评估与回放,接入审批流;认可的判断固化为规则第一个决策场景跑通「计算—评估—回放—审批」闭环
6.3

怎么衡量值不值(五类指标,不用虚荣指标)

决策周期:归因从数天级会议 → 分钟级取证 判断质量:归因采纳率 · 预警查全查准 资产增厚:规则复用占比 · 知识版本迭代 风险收敛:预警前置发现数 · 整改闭环时长 人的解放:找资料对口径时间的变化
决策优势 · SDE 智能决策引擎白皮书
EPILOGUE结语

决策复利

多数信息化投入买到的是「当时的效果」:报表建好了,流程上线了,然后开始折旧。这套系统买到的另一样东西——

组织每次做事,都留下可检索、可判断、可复用、可验证的资产。每一次归因沉淀为规则,每一次决策留下可回放的记录,每一次人工处置变成下一次的自动能力。数据在折旧,知识在复利。

全书一句话

DWOS 把智能变成行动,
SDE 把行动沉淀成可复用的判断。

下一步

从一个场景开始,让知识开始复利。

决策优势 · SDE 智能决策引擎白皮书
APPENDIX A术语表 · 都用地图类比讲一遍

术语表

术语一句话解释
本体(Ontology)业务世界的数字地图:有什么(对象)、怎么连(关系)、怎么办(规则与动作)
对象 / 实体地图上的建筑:客户、商品、批次、门店等业务里真实存在的「东西」
关系地图上的道路:谁买了什么、货从哪到哪、哪张凭证对哪张单
规则交通法规:什么情况判定为异常、触发什么信号;可版本化、可干跑
证据链导航回放:一条结论依据了哪些事实、命中了哪些规则,全程可点开查验
反事实回放在历史需求上「重跑」另一个方案,逐周推演对比——「如果当时那样分会怎样」
干跑(dry-run)新规则先在真实数据上试运行、看结果,不产生实际动作
人在环关键节点必须由人确认:方案要审批、写回要确认、高风险动作有闸门
数字员工DWOS 承载的对话型专家,在前台理解问题、组织结果、交接作业
记住三句话就够了

一

本体是地图:对象是建筑,关系是道路,规则是交规,动作是调度。

二

报表回答「是多少」,本体回答「为什么、怎么办」。

三

模型提供智能,本体提供可信赖的智能。

决策优势 · SDE 智能决策引擎白皮书
APPENDIX B六场景能力矩阵

六场景能力矩阵

客户经营助理问题归因运维自进化预测白盒化可计算的决策链路动态响应
对应主题知识资产化判断有据知识资产化决策可算·输入可信决策可算·方案最优决策可算·持续在线·自进化
自主级别L1 会建议L2 会归因L2 会归因L3 会决策L3 会决策L4 会进化
核心对象客户、政策、产品、活动、预算批次、事件、节点、客户、动销、质检事件、Runbook、动作、补丁、回放预测、驱动因子、促销计划、SKU×门店×周期门店、SKU、到货单、分货行、规则需求 / 供应计划、到货单、影响网络、响应规则与 Runbook 版本
系统承担检索、个性化建议、风险信号、复盘解释多跳取证、结构化归因、规则沉淀检索定位、受控处置、写回与回放验证因子拆解、误差归因、干预留痕与检验候选生成、规则评估、反事实回放偏差传导、候选重算、推演回放、响应知识版本化
人的角色采纳建议、去作业系统办理采纳归因、决定固化规则处置未知问题、确认写回知情调整(须写理由)、采纳预测审批方案、决定执行审批响应、确认规则写回
可验证结果1,764 实体 / 3,784 边 / 10 规则;建议与风险可追溯六类根因可区分;结论可回指事实 IDRunbook v1→v2;回放 4/4 通过预测可拆成因子账本;调整可复盘检验729 候选 / 30 规则 / 8 周回放影响面分钟级呈现;响应知识 v1→v2,同类变化下一轮自动出方案
当前边界只建议不落单,办理在外部系统机制可平移至更多归因场景动作 / 通知 mock;写回有人闸因子解释非因果结论;试点阶段回放为反事实推演,执行为模拟回执推演基于事实快照;执行与写回均须人工确认

注:预测白盒与动态响应为方案 / 试点阶段,量化指标以实际项目数据为准;跨域风险发现(采销协同)为延伸方向,见第四章能力地图。

决策优势 · SDE 智能决策引擎白皮书
ABOUT BITSUN决策优势 · SDE 智能决策引擎白皮书

关于比升:AI 时代企业数智服务商

业务数智化 + AI 原生 —— 以「真中台 · 轻咨询 · AI 赋能」陪伴消费品头部品牌完成 DTC 与全渠道转型

价值验证
VALUE
20%库存周转提升 150%缺货销售增长 8%毛利提升 头部灯塔客户 · 实战价值验证
公司速览PROFILE

全国领先的AI 时代企业数智服务商,2018 年创立于上海,聚焦消费品三大赛道,构建「业务闭环运营 · 指标驱动业务 · AI 赋能决策」的端到端解决方案。

2018创立于上海,以平台能力助力产业互联网、企业数智化
2021沉淀业界首款数字平台产品「星澜」
2023深化安踏、赢家,拓展 UR、森马、安正
2024深入医药、美妆、食品等大消费行业
2025全面拥抱 AI,FluxOps / SDE 规模落地
钟华(古谦)· 创始人 & CEO原阿里巴巴中间件首席架构师,《企业 IT 架构转型之道》作者(畅销 20 万册)
大美丽鞋服 · 美妆
大健康医药 · 食品
大生活快消 · 家居

服务 30+ 头部品牌集团 · 覆盖鞋服时尚 / 日化美妆 / 食品快消 / 医药流通 / 家居家电,安踏、特步、森马、飞鹤、万益蓝、华致酒行、中免等长期标杆客户在营

决策优势 · SDE 智能决策引擎白皮书
比升 Bitsun

把企业知识变成可计算的能力

决策优势 · SDE 智能决策引擎白皮书

01
知识
02
判断
03
决策
04
证据
05
沉淀
比升技术 · Bitsun
官网 www.bitsun-inc.com
数字员工操作系统 DWOS × 智能决策引擎 SDE
© 2026 比升技术 · 本白皮书内容版权归比升所有 · V1.1 · 2026.11