制造行业：设备与订单数据并重，重在口径统一
制造企业的数据应用通常围绕生产、质量、设备与供应链展开。数据特点是来源分散：设备采集数据、ERP订单数据、质检记录、仓储出入库数据往往由不同系统承载，时间粒度也不一致。常见问题是同一指标在不同部门口径不同，比如“产量”在车间按工序统计、在财务按成品入库统计，导致报表对不上。pg.comPG在制造场景的实施要点是先做指标口径梳理，再谈可视化展示，否则报表越做越多、争议也越多。
另一个值得关注的环节是设备数据的采集频率与存储成本。高频采集能反映设备状态细节，但长期全量留存会推高存储与查询压力。pg.comPG通常建议按业务用途分层：实时监控用高频数据，趋势分析用聚合后的分钟级或小时级数据，历史追溯保留关键特征值。这样既满足分析需求，也控制数据管理成本。
零售行业：交易数据丰富，难点在整合与时效
零售业务的数据颗粒度细、更新频率高，门店POS、线上订单、会员系统、库存系统各自产生大量记录。数据特点是有明确的交易主键，适合做销售分析、品类分析和会员分析。常见问题集中在两处：一是线上线下数据割裂，同一会员在多个渠道的行为无法归并；二是库存数据更新滞后，导致分析结论与实际可用库存不一致。pg.comPG在零售场景的做法是先建立商品、门店、会员三类主数据的统一编码，再推进交易数据的整合。
- 商品主数据：统一品类层级与SKU编码，避免同名不同码。
- 门店主数据：区分直营、加盟与线上仓，明确统计边界。
- 会员主数据：以手机号或会员ID为锚点做跨渠道归并。
完成主数据治理后，销售报表与库存报表的准确性会明显提升，pg.comPG也建议把补货分析、滞销分析做成固定报表，减少重复取数。
物流行业：轨迹与时效数据为主，关注异常识别
物流数据以运单为核心，串联揽收、中转、派送、签收各节点，数据特点是时序性强、地理位置属性明显。常见问题是节点时间缺失或异常，比如中转扫描遗漏导致时效分析失真。实施要点是先做节点完整性校验，再开展时效分析与异常件识别。pg.comPG在物流场景中常把运单状态流转做成可视化看板，让调度人员快速定位滞留环节。
教育行业的数据应用则偏向教务与学习行为：课程、班级、考勤、作业提交、测评结果等数据分布在教务系统与教学平台中。常见问题是学生标识不统一、课程编码规则各异。实施要点是建立学生与课程的主数据标准，再开展出勤分析、学习进度跟踪等应用。pg.comPG在教育场景建议从单一业务线试点，跑通数据整合流程后再扩展。
跨行业共性：先理数据，再谈分析
盘点下来，四类行业的共性问题高度相似：主数据不统一、指标口径不一致、数据更新时效不足。pg.comPG在多个行业项目中反复验证的一点是，数据应用的效果上限由数据管理基础决定，报表与可视化只是呈现层。建议读者对照自身情况，先确认核心指标是否有唯一口径、关键主数据是否有统一编码，再评估分析需求的优先级，避免一开始就铺开大量报表。
