数据中台解决的是数据的可用性：主数据标准统一、资产卡片字段固定、业务动作产生的记录按同一口径落库。 至此，一份数据能够被其他部门直接引用，无需先经过一次口径协商。这项工作以归集为终点。
归集完成之后，数字不会自行给出结论。同一台设备的利用率与维修费用同时上升，属于设备老化的征兆， 还是维保策略失衡的结果；某类设备的维修费用占比偏高，是全部同类设备共同偏高， 还是其中少数设备拉高了平均值——这类判断依靠查询无法得到，需要计算。
分析引擎即承担这一层计算。其输出可归为四类：对同一组数据的分层拆解、 对趋势的预测与预警、业务数据与财务数据的关联分析、 面向特定角色的结论摘要。四类的计算方式不同，共同的前提是数据已经标准化—— 同一设备、同一时间窗、同一口径。
多维分析的做法是按维度对同一组数据反复拆解。设备资产管理中使用最频繁的是部门、资产类型与时间三个维度。
| 维度 | 拆解方式 | 所要回答的判断 |
|---|---|---|
| 部门 | 各车间的折旧成本、维修费用与利用率并列对比；单指标明显偏离其他车间的对象被标注出来 | 同一项费用在哪些部门偏离常态 |
| 资产类型 | 通用加工设备与专用生产线分别统计；占比异常时继续向下拆解至单台设备 | 偏离来自全部同类设备，还是少数设备 |
| 时间 | 月度、季度、年度趋势；计算趋势线并标出拐点，同时列出同期的维修记录、排产变化与新增设备 | 变化自何时开始，同期还发生了什么 |
单一维度只能得到一张分组报表。多维分析的作用在于把维度之间建立关联： 某车间维修费用同比上升而利用率未同步上升，问题指向维保策略，而非使用强度； 某类设备维修费用占比偏高，下钻之后若集中在一条产线，问题指向该产线的工况， 而非该类型设备的整体状态。关联一旦成立，待核查的对象便从一类缩小到一处。
因此多维分析的产出是一组指向具体对象与时段的线索；使用人据此决定是否需要进一步核查。
示例：本节用于说明拆解方式与关联顺序，所举数字为示例，非某客户实测数据。
对历史数据的分析说明已经发生的事，不能自动推出将会发生的事。分析引擎的第二类计算是趋势预测， 按对象分为利用率、维修费用与折旧成本三类。
| 预测对象 | 输入 | 输出与触发条件 |
|---|---|---|
| 设备利用率 | 过去 12 个月的利用率记录 | 未来 3 个月的利用率走势；预测进入闲置区间时触发告警 |
| 维修费用 | 当前维修频率与费用增长趋势 | 年末维修费用占营收比例的预测值；超过预算值时触发告警 |
| 折旧成本 | 新增资产入账进度与既有折旧计划 | 未来 3 个月的折旧总额；接近利润预警线时通知管理层 |
预测的语义需要先行界定：它回答的是「若维持当前趋势且不作干预，将会发生什么」。 这是一项基于历史数据与当前趋势的数学模型，其准确率不予承诺，也不应被理解为对未来的确定判断。 预测的价值在于提前期：结论提前给出，管理层才有窗口作出应对。
触发之后，告警按偏离程度分级推送，接收范围随级别逐级扩大。级别划分与推送渠道的完整口径， 见本专题的下一篇：决策应用。
依据：预测输入取自数据中台按月落库的记录；本方不对预测准确率作出承诺。
普通报表能够给出某台设备的折旧费用与维修费用发生额，这一数字回答不了另一个问题： 这台设备是否已经收回自身成本。业财融合分析的做法是把业务数据与财务数据按同一台设备关联起来。
实际产出取自 MES 的生产记录，折旧与维修取自财务的成本归集；两侧按同一台设备、同一时间窗取数。
逐月计算的结果是一条曲线。投产初期产值高、成本低，价值贡献为正；中期趋于平稳； 末期维修费用上升，价值贡献逐步下降，直至归零或转为负值。
这条曲线给管理层一个可以据以判断的时点：当成本超过贡献，处置或更新即进入评估范围。 这一判断不由某位经办人的经验得出，而由同一台设备逐月的数据累积得出， 因而可以在不同厂区与不同设备之间采用同一套标准。
前提：业务产出与财务成本须取自同一台设备、同一时间窗；成本归集口径与本专题「数据中台」一篇共用。
分析结果的第四种输出形式是摘要。摘要并非一份数万字的文档，而是针对特定角色、特定场景的一段结论， 长度控制在 300 字以内，生成之后直接推送至接收人。
| 接收角色 | 摘要内容 |
|---|---|
| 设备管理部门 | 本期维修费用的同比变化；增量集中在哪些车间；故障频次异常的单台设备及其建议动作（检查、大修或更新） |
| 财务部门 | 折旧成本的预算执行情况；新增资产的入账进度，以及已批准但尚未入账资产所对应的验收环节提示 |
| 管理层 | 资产利用率的总体走势；连续低于阈值运行的设备数量与合计持有成本；建议启动的处理方式 |
摘要推送之后，接收人无需再自行打开报表、筛选数据、完成计算； 结论按接收人的职责与关注点分别组织——同一份数据，更换出口即更换读者群体。
示例：表中内容为摘要结构的示例，非某客户实际报告原文；推送频率与阈值须在企业内按业务核对后配置。
上述四类计算都依赖同一项前提：口径唯一。利用率、维修成本率、备件周转率一类指标， 若分子与分母的取值范围、时间窗与状态定义不一致，不同部门的结论即可能相反，横向对标随之失去意义。 因此在分析引擎一侧，每项关键指标均给出计算公式与统计范围，并写入配置， 而非留存在个别人员各自的文档之中。
报表按用途分为三层。台账类回答资产是什么、在何处、状态如何； 分析类回答利用率、故障率、成本率与周转率为何如此； 决策类回答申购是否批准、异常何时推送至何人。三层服务的读者不同， 颗粒度与权限亦不相同——分层并非分类，而是取数范围与呈现深度的划分。
关于报表数量，需要区分规划口径与实际使用。项目蓝图口径下规划了 170 张统计报表，按主题分为 12 类。数量本身并非瓶颈， 制约在于按决策问题组织、供决策层使用的那一类报表偏少：170 张之中， 决策层真正会调阅的仍是少数几张，例如资产转固明细、资产报废分析、闲置设备再利用与业务预算执行比例。
在系统侧，上述报表由三个数据分析中心支撑，按月存储 9 类指标的发生额—— 固定资产申购额、新增额、报废、折旧额、维修费、备件消耗、低值易耗品消耗、备件库存额与维保部门人数， 并捕捉环比与同比的突增。按月落表而非实时大屏，其原因在于月度之间的可比性对管理更为有用。
依据：产品页「报表与决策」的三层报表结构、关键指标口径与三个数据分析中心；报表数量取自项目蓝图的规划口径（共 170 张，分 12 个主题）。
四项边界需要写在前面，以避免对分析引擎的作用产生超出实现范围的预期。
上述边界与本专题总纲、产品页「报表与决策」的表述一致。
三层报表结构、关键指标的计算公式与统计范围、按月落表的 9 类指标、170 张规划报表的主题分布—— 上述各项均无需采信本文陈述，可在演示环境中逐项核验，再判断其能否支撑贵方当前所需的报表。