业务理解与数据表现的不一致，过去主要靠数据分析师的逻辑思维能力和严谨态度，无法保证执行的统一性。借助大模型能力和领域模型，有可能在如下几个方面提升。

1）领域模型约束关系检查代码的自动生成：根据领域模型中各个对象基数关系和明确的约束条件，转化为对应的数据分析代码，提升业务理解在数据上的验证效率。

2）领域对象基数关系的自动统计：包括业务主键（组合）基数关系的统计（类似上节讨论）或则数据表业务主键分布的统计（例如，生产日报中包括多少口I、P井的记录），数据分析师研判其中的“概念冲突”。

3）隐性假设的明确化：根据过去大量的数据分析报告，总结常见的隐性假设，结合当前的领域模型，生成提示上下文，大模型给出当前领域模型潜在的隐形假设列表。但这一步从技术很难，因为很多隐形假设（例如，上面例子中“生产日报表中只有P井”）假设和冲突没有特定规律，通常是分析师在数据探索中无意发现的。

3、基于领域模型的数据质量检查

文献[3]讨论了基于约束描述的数据质量检查方法，多个表之间检查基数关系、层次性关系、合并前后的记录数，时序数据检查时间或时间间隔(time interval)字段间的关系。这些方法是一些指导原则，仍需要数据分析师分解检查逻辑与代码。

根据领域模型自动生成检查逻辑，对于大模型来说有一定难度。但分析师在列出约束后，大模型可以生成检查代码，在一定程度上也能部分降低分析师的工作量（很多重复性的代码人工编写难度不大，但耗费大量精力）。

4、数据质量案例的智能总结

在数据探索过程中，不时会发现一些异常案例（通常比例比较低），但很多时候没有及时系统性总结。例如，一口井的人工功图测量一般3~6个月进行一次，但在过去10年的5万多条人工功图中，存在一口井在某天存在2条内容不完全重叠的记录。很多这样的处理逻辑分散在不同文档和代码注释中，系统性梳理工作很大。

另外，在探索中发现的数据质量问题后，数据分析师通常会就地写代码解决掉。但后期交流总结时，通常需要给出一些质量问题的案例，数据分析师需要花费一定代价写代码重新查找。有了大模型，在一定的代码注释规范下，数据质量案例可以实现智能抽取，形成合适的文档。

以R语言分析中常用的RMarkdown文件格式为例，探索中发现的异常质量个例，可以在文档中用特别的标记符号标记，将数据存为约定的RData文件，并附加注释文字（大模型可以扩展为完整语句）、图表代码。这样后续程序可以按照约定的规范，从原始RMarkdown抽取案例片段，构成新的RMarkdown文件。