财务BP实测：用 WorkBuddy 搭经营分析模型省工时

 

 

之前用 AI 做财务分析，基本只让它帮忙写写公式。接触 WorkBuddy 之后，我开始用它做更复杂的财务分析，也第一次尝试从 0 到 1 搭一套经营分析模型。下面用一个完整案例，把模型搭建的流程、和 WorkBuddy 协作时的分工、以及踩过的坑都复盘一遍。

 

先说结论：AI 搭框架写公式，人定方向验对错

 

这次用 WorkBuddy 搭 Excel 经营分析模型，最深的体会是：AI 负责搭框架、写公式这些体力活，但「想清楚要什么、验对不对」反而更考验人。模型搭得快不快，上限在人对业务的把握，下限在 AI 的能力边界。

 

具体分工上，WorkBuddy 适合做：思路框架初版、整体结构规范、大量 SUMIFS 公式；需要自己做的：转成超级表（方便后续扩展）、公式 check（核对口径和条件是否齐全，尤其漏掉的条件维度）、格式设置（列宽字体配色）、图表制作（看板可视化它做不了或做不好，得人来做）。

 

一、动手前先想清楚的四个问题

 

怎么选指标：两个维度交叉判断

 

纵轴是「管理决策需要」：这个指标不看会影响经营决策吗？不影响就不放，影响就必须放。比如不看 DSO 就不知道回款效率在恶化，可能错过催收窗口。

 

横轴是「数据可得性」：对应字段存在且可算吗？不存在能不能用已有字段推导？推导不了先记待办，等数据补上再加，别先留空列。

 

实操建议：第一版只放「两轴都满足」的指标，不加任何锦上添花；跑两个月稳定后，再加其他数据。

 

颗粒度由什么决定

 

颗粒度由三个因素决定：

 

使用者决定上限：CEO 看事业部就够了，财务 VP 可能要看大客户/供应商，业务员要看自己的客户甚至到订单级。最粗满足最高层，最细满足基层业务需求。

 

数据源决定下限：应收台账有「客户代码/客户名称」字段，就能下钻到客户；没有就只能停在事业部。数据源没有的粒度不能硬拆，增加工作量不说，还有可能误导报告使用者决策。

 

计算量决定可行性：本模型基础数据最大约 35,000 行（采购成本台账），完全在 Excel 舒适区；若要做事业部×客户×月份×渠道的组合聚合，才需要考虑性能。

 

本模型对齐到「事业部加客户加月份」「达人加供应商加月份」这种层级，既够细又能算。

 

别人的模型能直接套吗

 

结论很直接：框架可以借鉴，模型必须自己搭。两个核心原因：

 

管理需求不同：有的老板看营收趋势就够了，有的要精准到每单还原毛利。多出来的指标是噪音，少的指标是关键盲区。

 

行业特征不同：达人营销行业的应收应付账期、返利逻辑、费用科目都有特殊性，通用财务模板很难直接适配。

 

能借鉴的是：三层数据架构思路（基础→中间→结果）、指标选型的决策逻辑（数据可得性×管理需求两维交叉）、Excel 公式写法，以及「模型说明 Sheet」的框架。

 

从 0 到 1 的六步搭建流程

 

从 0 到 1 搭建经营分析模型，核心分 6 步：

 

Step1 明确管理需求：确认三类核心信息：阅读对象（财务部 / 经营管理层）、分析主题（盈利分析、回款、应付付款、费用管控等）、更新频次（月度）；同时对齐分析颗粒度、管理目标与交付形式。模型覆盖范围必须匹配决策需求，避免堆砌无关指标。

 

Step2 盘点数据源：通过系统表单梳理（看现有系统有哪些数据源、以及有哪些线下手工维护的数据源）、访谈 IT、财务、业务同事等等，全面盘点支撑分析所需的数据来源。梳理清单并同步记录数据更新周期、原始口径、现存数据质量问题。第一版模型分析范围 = 管理层需求 ∩ 当前系统可获取数据；现有无法支撑的数据，由财务 BP 统一整理需求，向 IT / 产品提出迭代排期，分步完善。

 

Step3 设计指标与统一口径：指标遵循「够用原则，宁缺毋滥」；形成正式《指标口径字典》，明确每个指标：统计范围、含税 / 不含税规则、计算公式（如 DSO）、分层规则。全模型一套口径，禁止单张表格自定义规则，对齐业务、财务双方认知。

 

Step4 确定三层数据层级：基础层→中间层→结果层，权责严格分离。基础层存放未经加工原始明细，理论上没有计算公式；中间层统一完成数据清洗、聚合、同环比、所有指标运算；结果层仅引用中间层数据，不新增计算逻辑。优势是数据异常只需要在中间层排查，降低维护成本，模型结构清晰，方便长期迭代。实务中结果层也会引用基础层数据（如本案例），此时要在模型中埋好 check 公式，确保各相关表勾稽一致。

 

Step5 设计 Excel 模型载体：工作表顺序遵循使用者视角，打开首页为可视化看板，后方依次放置中间计算表、原始数据表，使用标签颜色区分三层数据；设置全局参数驱动单元格（例如年月筛选器、事业部筛选器），修改单一参数实现结果数据自动刷新；原始数据统一使用超级表，按需设置工作表保护，规避误操作。

 

Step6 数据验证、上线与持续迭代：选取至少 1~2 个月历史数据完整跑通模型，与原有手工报表交叉校验，修正公式错误、口径偏差；试运行周期内收集使用者反馈，正式发布。上线后按需迭代，常见触发场景：管理层新增分析需求、数据源能力升级、模型架构 / 看板优化、公司业务模式发生调整等；所有变更留存版本与修改日志，形成可持续迭代闭环。

 

二、动手：先让 WorkBuddy 出框架

 

动手写 Excel 之前，先让 WorkBuddy 产出一份 Word 框架文档，把前面思维层面的结论固化成可执行的清单。文档包含：思维层面的完整展开；模型概述（业务背景、模块划分、分析维度与趋势）；数据层级设计（基础层、中间层、结果层分别放什么）；核心指标体系（收入成本毛利、应收、应付、费用各指标定义）；Excel 模型 Sheet 设计（Sheet 顺序、各 Sheet 内容、参数单元格设计）；指标口径说明、自动刷新机制、Excel 格式规范（字体/颜色/对齐/金额分层/边框）；模型版本记录、关键沟通记录附录、问题清单。

 

这份框架的价值在于：后面每搭一版 Excel 都有据可依，不会因为 AI 自由发挥而跑偏。

 

当时给 WorkBuddy 的提示词大致如下：

 

1、模型模块：整体来看整个模型分为收入成本毛利、应收、应付、费用几大块；比较的维度以同环比为主，只有费用涉及预算；下钻的维度包括公司、事业部、供应商、客户、销售员、项目等；另外要有趋势分析。

 

2、模型的数据层级：1）底层是基础数据，要放在模型里，尽量避免跨工作簿取数；2）中间层为过程数据；3）结果层为核心指标概览或者看板。

 

3、核心指标：收入成本毛利（毛利要包括前台毛利（率）、还原毛利（率）、采购销售返利）；应收（余额、DSO、逾期（率）、坏账（率）等）；应付（余额、早付、晚付等）；费用（绝对数、同环比、预算执行率）。

 

4、Excel 的 sheet 顺序：从前到后（记得工作表标签颜色要有区分）：模型说明、口径等→结果层→中间层→基础数据。

 

三、多版迭代：V1 到 V3 的真实过程

 

V1 基础版

 

事实表全都放了进去（订单收入成本/应付/应收/费用实际/费用预算），中间层 4 张按事业部×月份聚合，经营看板含 8 项 KPI 指标卡。问题也很明显：

 

整个中间层是 Python 预计算的死数，没有公式，切月份参数后不会刷新；

 

 

逾期率公式错：用「逾期金额/营收」算得 230.4%，明显荒谬

 

 

缺维度表（客户/员工/达人），只能下钻到事业部×月份，做不了客户结构、人效、达人效率分析；

 

排版丑到爆炸：双行表头、表标题与表头错位、边框只有一半等等

 

 

 

V2 全面公式化版

 

要在任务中和 WorkBuddy 沟通，分别解决死数、看板格式丑、公式错、下钻维度少等核心问题，进而得到 V2。V2 除了基础数据，全部使用公式（约 3,000 个），基础数据一更新整模型自动重算。

 

但是这版公式保存之后有很多「Name」报错，还有很多显示 0 和空

 

 

 

数据的排版也还是特别丑（完全没改）：

 

 

反复沟通多轮之后，公式问题基本解决了，但是数据排版美化最后还是手工完成的（见 V3）。

 

V3 人工收尾版（当前最终版）

 

从 V2 到 V3，完全是人工操作：一是整合原有表单，把中间表和下钻表合并梳理、部分区块改用数据透视表（因为让 WorkBuddy 做透视表太慢）；二是自己把含税/不含税口径改对（收入成本费用取不含税、应收应付取含税）；三是把填充颜色、合并单元格等排版问题改对；四是数据及公式的校验。

 

四、成品长什么样：效果与评价

 

效果呈现

 

模型说明与口径：作为正式模型的首页，包括版本信息、模型结构、核心口径（指标计算公式等）

 

 

经营看板：包含核心指标卡片、公司层及事业部层核心数据、Top 客商情况、费用及预算执行情况等；包含月份、事业部两个参数，以控制核心指标卡片

 

 

 

 

 

过去 12 个月（TTM）趋势：过去 12 个月核心指标趋势，用于趋势分析，指标涉及收入、毛利、应收、费用等多个维度。注：TTM 即 Trailing Twelve Months（滚动最近 12 个月）

 

 

中间层-数据透视与统计：中间层核心是数据透视与统计，主要使用数据透视和 sumifs 搭建；其中数据透视部分为手动创建，sumifs 主要由 WorkBuddy 负责搭建

 

 

 

 

 

 

基础数据源：同之前案例，不赘述

 

 

mapping 表：同之前案例，不赘述

 

 

优势

 

框架搭得好：对很多初学建模的新手，如果不知道模型从哪搭起，可以把公司的业务模式、核心指标、基础数据源结构告诉 WorkBuddy，它能帮你梳理出一套基本过关的框架。

 

常用和简单公式基本靠谱：一是 SUMIF、SUMIFS 这类按条件汇总公式问题不大，按事业部、客户、月份汇总写得对，改台账也能正常刷数；二是大规模公式形式一致性高，一次生成近 2,800 个公式，本质是同一套模板套出来，引用结构、相对/绝对地址、SUMIFS 参数顺序全都一样，如果全部手写会经常漏掉条件、效率很低。

 

基础 Excel 功能过关：数据验证（月份、事业部这些参数项可自动配置下拉验证）；sheet 颜色设置（事实表、维度表、结果层用不同颜色区分，能做且和预期一致）。

 

局限

 

格式与排版需要人工调整：行高列宽、填充字体等观感不稳定，基本需要手工重新调整。

 

复杂公式很难一遍写对：比如 INDEX 取数范围只写到 1000 行，但是实际数据源有上万行，导致汇总错误。

 

初版分析深度偏浅：多数指标只看当期，缺 YTD 和同环比，时间序列上的累计、同比环比没有自动铺开。

 

业务口径想当然：比如含税/不含税默认按含税，即使是收入成本这类很常见的无税数据，也不会主动判断该取不含税口径；再比如一个达人名称只能对应一个达人层级，因此 sumifs 的条件只要选择达人名称就好，无需将达人层级纳入 sumifs，但 WorkBuddy 自己没有这个认知，需要提前告知口径。

 

 

初版该放公式的地方放了死数：本以为 WorkBuddy 作为 AI 工具，应该对财务模型搭建有个基本的 sense，所以在初版提示词里没有强调该用公式的地方需要用公式，没想到它竟然会全写成死数。

 

不能拿它当验收工具：WorkBuddy 在模型数据验收上有天然局限。一是问题梳理不全面，只会随机指出几个问题，不会全面排查；二是有时会混淆数据透视表和死数，比如指出某某页放了死数，其实是放的数据透视表，被 WorkBuddy「冤枉」；三是因对部分业务逻辑缺乏认知，导致部分数据识别不出异常。因此数据的勾稽校验和排版需要人工来主做，可以用 WorkBuddy 辅助复核、查漏补缺，但不能完全依赖它。

 

五、上线之后：每月怎么运维

 

每月三件事

 

模型搭完，每月要更新数据，作为月度经营分析报告的基础数据：

 

补充基础数据：把当月新的订单收入成本、应收、应付、采购成本、费用实际/预算等台账数据补进基础数据层，这一层是模型的基础；另外 mapping 表也要月度更新，比如新增客户、人员入离调转等。补充一句，基础数据的收集和整理本身也有优化空间，只是不靠 WorkBuddy 和 AI，比如用影刀 RPA 自动化抓取、自建数据库用 SQL 取数等，这部分此处不展开。

 

改看板参数：经营看板里有个统计月参数（月份下拉），每月切到当月，看板核心指标、TOP10、费用执行率随之重算。

 

刷数据透视：中间层的大部分下钻都用的是数据透视表，每月要刷新（或调整数据源范围、筛选条件），保证下钻明细跟当期数据一致。

 

已知不足

 

模型里留了一张「模型待优化」sheet，记了已知的几处不足：

 

一是人效分析、应付账款只有当月数据，缺同比环比、无法切换月份，原因是花名册和应付都是当月静态快照，解决方向是把源数据做成多月，才能铺时间序列；

 

二是仅费用涉及预算，收入成本没有预算数，核心是因为模拟数据没有造这部分；

 

三是达人采购效率勾稽对不上，采购成本明细与订单收入成本勾稽不符，根因是对账流程每季度首月才做一次、而经营分析每月做一次，中间有 gap，解决是把手动对账前置；

 

四是不含现金流，现金流由财务 BP 负责人做专项分析，月度经营分析没纳入，属于口径取舍。

 

这些都是业务/数据层面的下一步，不是 WorkBuddy 能直接补的，列在这里方便后续迭代对照。

 

六、效率与选型：几个值得记下的认知

 

工时到底省了多少

 

上面流程走下来，值得算一算到底有没有效率提升。下面是基于本次做出这一版模型推算的专注工时，不是日历天数。

 

纯手工搭：假设一个 Excel 基础扎实的财务 BP，需要约 2 天搭好，大头在写公式和调错，约 20 张表、近 2,800 个 SUMIFS/XLOOKUP/INDEX+MATCH 要手写，外加格式规范和自测纠错。

 

用 WorkBuddy 辅助：约 1.5 天。框架和 Excel 模型一次生成，人审、纠错、收尾（整合下钻表、透视表、格式微调、图表）都集中在这 1.5 天里。

 

两种方法差在哪：WorkBuddy 省的是「公式体力」，近 2,800 个公式秒级生成，手工要写几天；数据验证、标签色、标准月公式这类重复活它也能接管。但工作从「写」转移到了「审」，公式对不对、口径对不对、范围够不够大，仍要人判断。净效果是用 WB 大约省 1/3 工时，前提是人对模型逻辑和 Excel 本身够熟；如果自己也不清楚要什么，审的成本会比自己写更高。

 

这次用了哪个模型，为什么

 

搭 Excel 模型时，WorkBuddy 里可选模型不少，费率倍数差异也大，能力维度要关注三点：一是代码 / Excel 生成质量（底层是助手用 Python openpyxl 写脚本生成 xlsx，公式、数据验证、标签色不能张冠李戴、不能漏引用）；二是长上下文一致性（从框架到 V3 跨多轮对话，前面定的口径后面不能忘、不能自相矛盾）；三是纠错迭代能力（用户指出 #NAME ?、范围溢出、逾期率错之后，能准确定位改对，而不是越改越乱）。

 

本次选定：Deepseek-V4-Pro（0.16x，会话中显示为 ds-V4-PRO），它在这三件事上表现够用，同时费率只有 0.16x，在本次任务可选的几档里性价比最高。

 

为什么不用其他模型：

 

模型	费率倍数	不适用原因
Deepseek-V4-Flash	0.06x	同系列里更便宜，但定位偏轻量。本任务要一次生成 20 张表、近 2,800 条公式，还要跨多轮保持口径一致，Flash 大概率扛不住这种重生成加长上下文，返工成本会吃掉省下的费用。
MiniMax-M3	0.25x	价格很低，但从能力档位看更偏向轻量通用，处理复杂 Excel 脚本和长上下文跟踪不是它的长板，选它风险在于一次生成率低、后期纠错轮次多。
Kimi-K2.6 / Kimi-K2.7-Code	0.52x / 0.57x	K2.6 偏通用低价档；K2.7-Code 代码能力不错，但本任务不是单纯写一段代码，而是「框架→公式→格式→多轮纠错」的完整工程，代码特化模型在跨轮口径一致性上未必比 Deepseek-V4-Pro 稳，费率反而更高。
GLM-5.1 / GLM-5.2 / GLM-5v-Turbo	0.79x（GLM-5.2 夜间折扣）/ 0.95x	都是通用大模型，对话能力强，但 openpyxl 脚本生成、中文 Sheet 名单引号处理、SUMIFS 条件不遗漏这类 Excel 工程细节，不是它们最稳的场景，费率也高于 Deepseek-V4-Pro。
Kimi-K3	1.62x	本次列表里费率最高，综合能力最强，但本任务只是标准经营分析模板级别，用它是能力溢出，总成本明显不划算。
Hy3	0.00x（限时免费）	免费/限时免费档位，适合轻量问答，不适合一次性生成复杂 Excel 模型这种重任务。

 

结论：Deepseek-V4-Pro 以 0.16x 的费率，在本任务需要的「代码 / Excel 生成 + 长上下文 + 纠错迭代」三条上都没有明显短板，是性价比最高的选择。其他模型要么太轻、要么偏通用、要么太贵，至少在一个关键维度上不如它适合。

 

说明：以上型号与费率倍数来自 WorkBuddy 2026 年 7 月 28 日模型选择器截图，后续可能随平台活动、折扣政策或模型上下架而波动，具体以 WorkBuddy 实际计费页为准。

 

本文总结

 

以上是这次用 WorkBuddy 搭经营分析模型（Excel 部分）的完整复盘，从框架到 V3 成品，重点记了过程中的迭代和问题。AI 负责搭框架、写公式，但「想清楚要什么、验对不对」反而更考验人。

 

无论你是财务 BP 还是经营管理岗，把经营分析从手工报表升级成可复用的数据模型，都是一件投入产出比很高的事。如果你正在为团队评估企业级 AI Agent 的选型与落地，可以直接找云巴巴聊聊。云巴巴是腾讯云 AI 智能体示范伙伴、腾讯 WorkBuddy 核心伙伴及官方授权服务中心，汇聚了 WorkBuddy、千问办公、TRAE Work 等多家主流 Agent 工具与方案，能结合你的数据边界、任务形态和团队能力，从选型对比、方案验证到陪跑落地提供一站式服务。欢迎咨询云巴巴，获取专属的 Agent 实施落地方案。