Result Data
结果数据
财务、销售、KPI、OKR、绩效、离职率、项目结果等，告诉我们组织最终发生了什么。
它重要，但天然滞后，只能支持结果观察。
Organizational Data Foundation
数据基座
让组织第一次形成行为世界
数据基座不是字段仓库，而是把结果数据、过程数据与行为数据统一成可解释、可追溯、可复用的组织数据底座。
它要回答的不是“我们有多少字段”，而是“组织是如何走向这个结果的”。
Data Foundation Map
从结果字段到组织认知
结果数据
Result最终发生了什么
过程数据
Process事情如何完成
行为数据
Behavior组织如何运行
01
行为流
02
关系流
03
状态流
04
事件系统
页面结构
先把骨架搭起来，再把每一层填实
01
为什么需要数据基座
先从结果治理的局限讲起，说明为什么 ODOS 必须进入行为世界。
02
数据的三大层级
结果数据、过程数据、行为数据，分别对应不同的组织认知能力。
03
五层数据架构
原始数据层、清洗加工层、明细宽表层、轻聚合层、分析应用层。
04
三类关键宽表
人员月度快照宽表、组织单元月度宽表、岗位/职位宽表。
05
核心数据流与统一语言
行为流、关系流、状态流、事件系统，最终形成统一的组织语义。
06
治理原则与落地顺序
先做最有用的底表，再做最稳定的指标，最后才是更复杂的分析应用。
数据的三大层级
ODOS 先看结果，再看过程，最后才看行为
传统企业长期只能看到结果，数字化之后开始看到过程，而 ODOS 要把组织真正带入行为世界。
Process Data
过程数据
OA 流程、BPM 流转、审批记录、项目节点、工作流记录等，让组织开始看见事情是如何完成的。
它比结果更早，但仍停留在业务流程理解。
Behavior Data
行为数据
协同行为、沟通行为、决策行为、管理行为、情绪行为、Agent 行为，让组织第一次开始真正看见自己如何运行。
它是 ODOS 的核心数据层，也是行为世界的入口。
五层数据结构
宽表不是一张大表，而是一套分层组织方式
OD 数据宽表的关键，不在于把字段横向拼接，而在于把原始数据、清洗规则、分析粒度和指标口径串成一条稳定链路。
01
原始数据层
保留 HRIS、组织架构、绩效、招聘、离职、调动、培训、薪酬和业务结果等原始事实，不急着解释。
保留来源保留口径保留留痕
02
清洗加工层
统一人员 ID、组织 ID、时间口径和分类字典，处理缺失、异常和历史变更。
统一口径统一映射统一追溯
03
明细宽表层
以分析对象为中心重组数据，优先形成人员月度快照宽表和组织单元月度宽表。
人员月度快照组织单元月度岗位/职位宽表
04
轻聚合层
把单字段变成可解释指标，如司龄、岗龄、晋升节奏、关键岗位、管理跨度和人效。
指标积木统一口径复用方便
05
分析应用层
围绕组织诊断问题组合指标，回答协同堵塞、人效变化、晋升堵点、风险预警和价值归因。
问题组合场景分析治理输出
First Priority
优先建设：人员月度快照宽表 + 组织单元月度宽表。
Wide Tables
第一阶段先把三类宽表做扎实
宽表不是把字段堆到一起，而是先确定粒度，再围绕分析对象重组数据。
人员月度快照宽表
一行 = 某员工在某个月的状态
支撑人力结构、流动、绩效、晋升、人才画像、留任风险。
组织单元月度宽表
一行 = 某部门在某个月的状态
支撑组织健康、人效、编制、管理跨度、流失率、绩效分布。
岗位 / 职位宽表
一行 = 某岗位在某个时间点的状态
支撑关键岗位、岗位供需、继任覆盖、岗位价值分析。
三大核心数据流
组织行为世界真正会长出三种流
ODOS 的数据基座不是静态仓库，而是一个动态组织流系统。
01
行为流
描述谁在协同、谁在决策、哪些行为形成堵塞、哪些行为形成损耗。
02
关系流
描述协同关系、信任关系、信息传播关系、影响力关系和非正式组织关系。
03
状态流
描述组织正在变成什么状态，包括情绪、协同、管理、战略、文化与风险状态。
04
事件系统
把离散行为组织成可理解事件，如协同堵塞事件、高压团队事件、战略断层事件。
Indicator Logic
单字段不产生洞察，组合关系才产生判断
连续 2 年高绩效 + 18 个月未晋升 + 主管变更
关键岗位主动离职率 + 高绩效员工离职率 + 新人 6 个月流失率
管理跨度 + 职级结构 + 人效 + 编制缺口
统一组织语言
数据基座真正要解决的是组织语义统一
让行为、关系、状态、事件和风险拥有统一的组织语义。
让“协同堵塞”不再只是主观判断，而是有行为特征、关系特征和状态特征的可解释对象。
让八大实验室、Agent 系统和治理系统，全部建立在同一种组织语言之上。
治理原则
数据基座必须服务于组织发展，而不是服务于控制
组织数据服务于组织发展，不服务于监控员工。
数据不等于人，ODOS 理解的是组织状态，而不是给个体贴标签。
组织认知必须可解释，不能只停留在模型结论。
数据边界、使用目的、治理逻辑和 AI 解释都必须透明。
先把最稳定的底表做出来，再把它们串成能解释组织的结构，最后才谈更复杂的推演和自动化。