2026世界杯赛事竞猜官方版 直击中枢业务! 得物财务数仓Claude AI Coding应用实战

一、小序：财务数仓为什么需要AI？

二、应用场景概览：从「单点提效」到「全链路增强」

三、中枢应用场景深度领会

四、回来与预测

一、小序：财务数仓为什么需要AI？

1、财务数仓的疏淡性

在电商数仓体系中，财务域是复杂度最高、容错率最低的范围。不仅因为财务对于数据准确性的要求高，也因为财务是横向域，与简直所有的域都少见据交叉，因此对业务 Sense 的要求很高。财务数仓工程师本色上在作念三件事：

业务翻译：将往来、支付、资金、促销补贴、老本等数十个业务系统的数据，翻译成通用的财务言语；

财富架构：从 ODS 到 DWD、DWS、ADS 层层构建，确保财务 UE、财务管报等公司核神思合算得准、算得快；

质料兜底：GMV 口径是否调治，退款是否扣减，分管是否跨周期对都，任何一个字段的偏差都可能导致失误的运筹帷幄决策。

财务域的独有挑战在于：字段间存在严格的数学公式考虑（正向－冲销＝冲销之后），业务章程触及跨周期分管，对于质料的要求极高。淌若单纯依靠东谈主工兜底，要么容易出错，要么需要冗余巨额东谈主力作念复核。尤其是在录用压力大的时候，质料问题就更容易被忽视。

2、痛点聚焦

从财务数仓的疏淡性启航，咱们不错回来财务数仓的痛点，大体不错分为如下几类：

基本上，在需求相连的每个关节，都可能因为"东谈主"的问题，带来隐患。

3、AI 大模子能带来什么改变

为了灵验处理"东谈主"的问题，比如催得太急、看不外来、没看仔细、相识失误等问题，咱们引入 AI 来作念改变。中枢想路是：大模子的介入不是替代数仓成立工程师，而是在「需求相识 → 代码编写 → 质料测试 → 文档千里淀」每个关节注入强推理才调。诓骗 AI 来代替东谈主作念巨额的不异性使命，同期减少初级失误概率。

那么为什么 AI 能作念到这小数？从技巧发展的趋势看，有三个中枢才调救济了这一变革：

超大高下文冲突学问孤岛：200k+ token 的高下文窗口，不错将表结构界说、词根字典、计合算计逻辑一次性注入模子的 “使命缅想”，竣事基于全域元数据的推演，让大模子具有缅想；

业务语义的自动抽象与对都：大模子能相识 “日活”“留存率”“归因窗口” 等业务术语，并映射为具体 SQL 竣事，减少因需求相识偏差导致的返工；Claude 在编码范围显赫优于其他模子，是因为它能 “懂” 业务逻辑，而不是直快的机械推论；

突破东谈主类极限的门径推论力：东谈主工在要紧工期下门径盲从率时常彰着下落，而大模子注初学径后，可踏实保管在高位。惟有指示给得明确，大模子 “简直” 不会出错。

参考：亚马逊 AWS 对于构建一个强盛、具备自我纠错才调且能查询多种数据源的 Text-to-SQL 处理决策架构图。

二、应用场景概览：从「单点提效」到「全链路增强」

1、场景与提效预期

基于上述不雅点，在财务范围，大模子不错在哪些具体的关节落地呢？以下是把柄笔者近期实践训戒，列出的可落地场景及提效预期。

2、东谈主机勾通模式：数仓研发的「L3 时刻」

淌若借用自动驾驶的分级尺度，现时数仓大模子应用正处于从 L2（缓助驾驶）向 L3（有条件自动驾驶）过渡的阶段，即在明确的 Prompt 照应与门径文档救济下，AI 能秉承绝大部分尺度化的推论动作。

在财务域的实践中，咱们亦然按照这套自动驾驶分级的方法，将通常使命拆解成了三级：

这种单干背后的逻辑是：门径推论是东谈主类的短板、AI 的长板；业务判断是 AI 的短板、东谈主类的长板。 东谈主工在要紧工期下对定名门径、分区照应、可贵要求的盲从率时常彰着下落，且容易因疲顿产生遗漏；而 AI 一朝"学会"了团队门径，输出的门径盲从度可踏实保管在较高水平。反过来，AI 无法替代的是那些需要相识业务高下文、衡量收受、处理不合的使命。

3、AI 对于数仓全链路研发的提效作用

学习 Andrej Karpathy 对于 ChatGPT 共享的内容时，最大的感受是：AI 最强的才调，是 "泛化"。 因此，淌若咱们不错把数仓研发的链路拆分领略，那么 AI 例必巧合对其中的每一个关节提效，最终带来研发遵守的大幅度擢升！

三、中枢应用场景深度领会

1、AI OneData 尺度化建模（财务核算数据名目）

1）配景：财务核算 OneData 为什么难搞？

因为：仅第一轮模子遐想，就触及百张以上的表、多个子域、十余个业务过程、数百个筹画。淌若辩论到后续的二次/三次迭代，使命量例必大到无法想象。在现时以录用为主的阶段，很难破耗如斯多的时刻作念基建。以某次核算名目为例，各层表数目散播如下：

同期，财务域的中枢特征是开首多（全公司系统）、筹画多（单表字段数广博），但以可累加筹画为主。财务严格趣味趣味上莫得原子筹画，全是基于业务筹画加工出来的派生涯划，且一个财务筹画往往有多种口径：业务口径、资金口径、财管报口径。而且，名目触及多个子域（核算域、技巧老本域、促销补贴域、买卖化域、分析域），障翳从「计费 → 核算 → 结算 → 财务分析」的端到端业务过程体系。淌若要透彻相识核算 OneData 的构建，不仅要懂数仓，还要懂财务，还要熟识公司财务系统，这个要求十分难作念到！主要难点集会在四个方面：

①口径溯源极其复杂：巨额逻辑在工程侧竣事，绝大多数表缺自在务文档、技巧文档、口径文档，口径逻辑需要基于代码推断，存在失误可能性，溯源使命量弘大。

②门径推论不一致：财务域触及表定名门径（DIM/DWD/DWS/ADM 各有样式要求）、时刻周期门径（1d/7d/30d/wtd/mtd/ytd 等多种）、人命周期门径、刷新周期门径、尺度字段英文定名原则（{主体}{业务场景}{币种绚烂}{度量类型}{时刻单元}）。门径越细，东谈主工盲从率越低。

③跨域依赖复杂：财务是横向域，与各业务域交叉。核算域依赖巨额上游表，技巧老本域需要从云就业、算法、产研东谈主力、标注东谈主力等多个开首接入数据。

④文档输出繁琐：每个 ADM 表都必须包含 OnePage 文档（OneData 决策最紧要内容），加上口径文档、模子使用表现、卑鄙 mapping 文档，文档间巨额不异但需各写一遍。

是以，咱们更需要通过 AI 的才调，来作念一套新期间的建模方法论，以适合 “低参预、大遐想” 的智能建模场景。

2）建模方法论：门径即 Prompt × 迭代不休法 × 海量文献阅读

①第一个方法论：门径千里淀是前提

AI 的输出质料富足取决于输入的门径文档质料。财务核算名目中，咱们千里淀了完整的门径体系四肢 Prompt 的中枢输入，包括：

模子遐想门径：表定名、时刻周期、人命周期、刷新周期；

尺度字段英文定名原则：{主体 /fin}{业务场景 / 用度类型}{币种绚烂}{度量类型}{时刻单元}；

财务业务全链路遐想理念：计费层 → 核算层 → 结算层 → 财务分析层；

业务过程总线矩阵：多个业务过程与多个维度的交叉考虑；

数据质料监控门径：完整性、准确性、一致性、合规性、业务章程等多个大类。

②第二个方法论：迭代是常态

不要盼愿 AI 一次给出无缺收尾。考据的要害是遴荐复杂字段进行抽查 —— 在财务场景中，要点考据触及条件取值的字段（如分管逻辑、冲销逻辑、多口径筹画），对照 SQL 代码考据溯源旅途。每次迭代的产物不单是修正后的输出，更紧要的是门径文档的完善。因此，针对每次迭代的收尾，快速识别要改变的点并修改，这小数就很紧要。也即是说，AI 不错显赫擢升咱们的迭代速率！

③第三个方法论：海量文献阅读

因为超大的 Context，是以不仅不错把历史上已有的文档一次性灌入进去，也不错把原有遐想链路的表和代码交给大模子相识，省去巨额阅读和相识的时刻。同期，巧合帮咱们精确地画出业务架构图，缓助数仓工程师相识业务、构建模子。举例财务数仓架构图，许多子模块的逻辑，都是大模子读取代码后输出想路，再由数仓团队整理酿成的。

3）Prompt 和效果

将以上门径四肢学习学问输入给模子，再把原始数据表给到模子，模子即不错产出建模建议。

Prompt 示例：

请读取以下门径文档：

数仓门径财富确定（含词根字典、定名门径）；

离线数仓成立门径白皮书；

团队 Cursor Rules。

分析见地表（输入对应的表名）的建表语句，按照数仓建模门径（ODS → DWD/DIM → DWS → ADM）的花式，输出重构后的建模建议。

第一次生成的效果展示了初步建模建议，在经过络续的调优和学问输入后，最终版块要丰富许多，酿成了完整的财务核算数据 OneData 决策。

4）收益

经过一段时刻的实施，第一版核算数据结构照旧落地，效果如下：

遵守擢升显赫：百张表的口径溯源、文档输出等尺度化使命大幅压缩；

门径盲从率大幅擢升：表定名、字段定名、时刻周期等门径严格推论，盲从率较东谈主工有彰着改善；

可复用性强：门径文档、器具剧本、Prompt 模板、使命经由 SOP 均可跨子域复用（已在核算域、技巧老本域考据）；

数据质料监控体系：基于口径逻辑自动推选 DQC 章程（完整性、准确性、一致性、合规性、业务章程等多大类）。

2、AI SQL Coding 实践（财务 UE 表迭代案例）

1）实践想路

以财务 UE 表某次迭代为代表的案例，主要后果有：

代码结构优化，可读性大幅擢升：筹画分段领略、逻辑分层明确，革新老本彰着训斥；

代码成立速率擢升：在门径与口径已对都的前提下，从需求到可上线代码耗时裁汰。

性能优化：合座基线提前完成，为卑鄙留出更多缓冲时刻。

那么，咱们是奈何竣事这种后果的？主要靠两点，一是 PRD 快速阅读与相识，二是代码成立遵守擢升。

2）奈何相识 SQL Coding 中枢才调

①PRD 阅读与相识方面，AI 巧合帮咱们竣事：

快速将 PRD 中的见地、筹画、维度、过滤条件索求为结构化要点；对「大促期间」、「小仓卖家」、「冲销」等未精确界说的表述，自动生成待阐发问题清单；输出「筹画口径」「统计周期」「主键与粒度」等需阐发条件。

②代码成立遵守擢升方面，AI 巧合帮咱们竣事：

基于词根、分层、定名门径与建表模板，生成得当数仓门径的 DDL 与 SELECT 语句；多维度团聚、归因逻辑、窗口函数、多层嵌套等复杂逻辑，2026世界杯赛事竞猜中国官网由模子生成第一版 SQL，东谈主工校验微调；对存量长 SQL 进行分段、抽取全球逻辑、调治格调与可贵。

3）实践中大模子显赫擢升点

财务 UE 表迭代需求使用 AI 成立后，具体效果如下：

①筹画结构分段、编码门径性、可贵领略度：

新表：按数仓分层与定名门径生成 DDL 与 SQL，筹画按业务域/统计口径分段组织，可贵完整（字段含义、口径表现、KEY 记号等），既得当门径又便于阅读；

旧表创新：在保留业务逻辑正确性的前提下，对历史「屎山」代码进行结构化改写——调治笔名、补全可贵、拆分过宗子查询、显式写出分区过滤等，使后续革新与排查老本彰着下落；

代码展示对比：改变前 vs 改变后，可从「可读性、门径盲从度、可贵障翳」等维度作念对比分析。

②代码撰写速率大幅度擢升：

AI Coding 的主要门径：

Step 1：整理需求 → 技巧文档 将 BI 需求文档中的字段信息整理进技巧文档，明确字段范围；

Step 2：大模子分析字段开首 领导大模子读取 DWD 源码，分析哪些字段已存在、哪些需要新增关联；

Step 3：大模子编写 ETL 代码 由大模子自动在 DWD → DWS → ADM 三层添加字段代码，输出改变代码围聚；

Step 4：定名门径校准 引入筹画字典和 Cursor Rules，让大模子按门径重定名字段（去掉不门径后缀）；

Step 5：测试 SQL 生成与跑数考据 大模子生成自测 SQL，冉冉考据各层数据一致性，欠亨落伍追问原因并溯源。

③性能优化及自动调参：

自动识别性能瓶颈：连络推论诡计、大表扫描、数据歪斜等常见问题，由模子分析 SQL 与表结构，指出潜在慢点；

优化建议生成：在分区编著、谓词下推、JOIN 章程、中间收尾归天等方面给出具体改写建议；

参数调优决策：针对 Spark/ODPS 等引擎的资源建树、并行度、歪斜处理参数，给出可落地的调优建议，供运维或成立同学选用。

④基线优化擢升案例：

原链路：多张表串行/并行产出，合座耗时较长；

新链路：经模子缓助作念表褪色与逻辑下千里，不休至更少的表，合座耗时彰着裁汰；

优化效果：在保证口径一致的前提下，表数目与启动时刻双降，基线提前完成，资源占用与调度依赖均得到简化。

3、AI 数据测试（财务 UE 表邮费迭代案例）

1）财务数据测试的疏淡挑战

在数仓成立使命中，数据测试是保险数据质料的要害关节，但亦然最复杂、最耗时的关节之一。卓越是在财务类筹画成立中，数据测试濒临着多重挑战：

①测试复杂度高，影响面广：

一个筹画的改变往往不是一身的，它会激发四百四病，影响其他有关计共筹画。在复杂的业务场景中，一个字段的修改可能需要同步考据数十个有关字段的正确性。这种复杂的依赖考虑使得东谈主工测试很难作念到全面障翳，容易出现遗漏。

②业务逻辑复杂，公式考据贫寒：

财务筹画时常有明确的数学公式考虑：正向 - 冲销 = 冲销之后：需要考据每个字段的正向值、冲销值、冲销之后值之间的算计考虑；子项相加 = 汇总项：需要考据各个子项字段相加是否等于汇总字段；

财务的分管逻辑触及跨周期问题，难以考据：某些业务场景下，订单时刻与收入阐发时刻不匹配，需要进行跨周期分管，测试逻辑极其复杂。这些公式考虑看似直快，但在现实测试中，需要辩论各式领域情况、精度问题、空值处理等，考据使命量弘大。

③测试用例遐想贫寒：

一个需求往往养殖出巨额测试点，单纯凭借个东谈主训戒和才调，很难作念到全面障翳，容易出现测试盲区，包括：

字段级别的算计逻辑考据；

汇总考虑的考据；

冲销逻辑的考据；

领域场景的考据；

精度问题的考据；

业务章程升沉的考据。

④业务言语到数据言语的升沉贫寒：

业务东谈主员描写的需求往往是当然言语，而数据测试需要将其升沉为精确的数据考据逻辑。举例："退小仓场景下，卖家邮费出资放在第一笔收入冲销，挂在终末一单"；"邮费返利抵减技巧就业费"；"跨周期分管，买卖化订单时刻与往来订单时刻不匹配"。

2）AI 在数据测试中的应用实践

那么，咱们奈何通过 AI，来处理这些复杂问题呢？以某次财务 UE 表邮费迭代名目为例，咱们深度应用 AI 进行数据测试，得到了显赫效果。

①名目配景：

该名目触及邮费有关字段的全面重构，包括：

迭代字段：修改多个邮费有关字段的算计逻辑；

新增字段：新增遍及量邮费细分字段；

删除字段：肃清部分历史字段；

逻辑变更：邮费返利抵减逻辑颐养、冲销逻辑优化等。

②AI 应用场景：

a.测试用例自动生成：向 AI 漠视测试要求后，AI 巧合自动生成完整的测试 SQL 和表现文档，包括：

正向-冲销=冲销之后的考据逻辑；

子项相加等于汇总项的考据逻辑；

业务章程升沉的考据逻辑；

领域场景的考据逻辑。

b.章程相识层面的测试补充：AI 巧合从章程相识层面补充测试案例，如抽样考据、精度考据等，减少因相识不一致带来的质料问题。卓越是在复杂的跨周期分管场景中，AI 巧合识别出东谈主工容易忽略的测试点。

c.复杂逻辑的冉冉分析：针对复杂的业务逻辑，AI 巧合冉冉分析不得当预期的关节，匡助找到潜在的代码 Bug。举例在邮费冲销逻辑中，AI 巧合分析退小仓场景下的多种分支情况，识别出逻辑破绽。

d.高卑鄙影响分析：AI 巧合分析一个字段的改变对高卑鄙的影响，匡助识别需要同步考据的有关字段，幸免遗漏。

e.公式考据与精度问题会诊：AI 巧合自动生成公式考据 SQL，并识别精度问题。在测试过程中，AI 巧合诀别果然的逻辑失误和可接受的精度异常，幸免误报。

3）现实效果与收益

经过 AI 加握之后，效果和收益彰着，包括：

①成立遵守擢升：

测试 SQL 生奏遵守彰着擢升：从漠视测试要求到生成完整测试 SQL，时刻大幅裁汰；测试用例障翳度擢升：AI 巧合识别出东谈主工容易忽略的测试点，测试障翳更全面。

②录用质料擢升：

一次录用通过率显赫擢升：从章程相识层面补充测试案例，减少相识不一致带来的质料问题；针对复杂逻辑冉冉分析，找到潜在代码 Bug；自动生玉成面的测试用例，减少测试盲区。

③问题发现才调擢升：

AI 在测试过程中巧合：发现东谈主工难以发现的逻辑失误，识别精度问题并诀别可接受的异常，分析复杂的业务章程升沉问题，会诊高卑鄙影响考虑。

概述收益较高。通过 AI 缓助数据测试，合座录用质料大幅擢升，主要体当今：测试障翳更全面，减少遗漏，问题发现更实时，减少返工，测试遵守更高，裁汰测试周期，质料保险更可靠，擢升录用信心。

4、AI 需求文档革新（财务 UE 表邮费复杂逻辑解读）

1）痛点

相识 PRD 和与业务家具反复查对口径，毛糙占数仓总体使命时刻的较大比例。BI 需求文档往来去杂难解，第一眼看昔日看不懂。

2）实践案例：邮费 UE 迭代技巧文档

以邮费 UE 迭代需求为例，BI 需求文档触及巨额字段口径颐养、新增字段、肃清字段、冲销逻辑重写等复杂内容。举例通过飞书 MCP 让 Cursor 平直读取 BI 需求文档，大模子自动回来出两张表（DWS 层和 ADS 层）各自需要改什么。大模子输出的论断结构领略，按表分类列出：

字段含义/口径颐养（哪些字段的逻辑需要改）；

数据开首与算计点（应收邮费、实收邮费的新口径）；

新增字段清单（应收拆分、冲销有关、实收拆分、老本、UE 等）；

肃清字段清单（有关历史字段）；

冲销逻辑要点（退小仓章程）；

两表考虑与竣事章程（先改 DWS 再改 ADS）。

Prompt 实例：读取「邮费逻辑梳理」文档内容，分析其翰墨描写与财务 UE 表的代码，分析要改变的点，帮我生成对应改变代码和改变原因可贵。

通过这个分析收尾，巧合很快地定位要改变的代码，然后一步步相识业务逻辑和具体奈何改变。

3）效果

经过这个过程快速 get 到 PRD 缺失的内容、快速对都，总体疏导时刻灵验缩减。诚然在总时刻占比上看似不高，但简约的是工程师最头疼的碎屑化疏导时刻。

四、回来与预测

1、中枢价值

现时市集上，部分头部大厂由于本人家具战略的原因，戒指了里面使用最新的大模子和 IDE 器具，导致一线使用大模子的遵守受到制约。而咱们则巧合更生动地遴荐最恰当的器具组合，在使用手段和训戒积存上具备上风。举例，咱们有如下两个方面的上风：

1）才调层面：

门径化章程盲从：注初学径青年景收尾盲从度踏实保管在高位；

业务抽象才调：快速相识 PRD 中的见地、筹画与口径，识别依稀点；

现实落地案例丰富：财务 UE 表迭代等名目已有可量化收尾。

2）组织与场景层面：

模子遴荐生动，不绑定单一厂商，按任务类型选用最优模子；

组织精简高效，从确定标的到试点上暴露径领略，试错迭代周期短；

离线数仓分层与门径踏实，模子易学易用、效果可预期；

离线任务可重跑、可回溯，模子产出便于充分校验后再上线。

2、将来预测

使用大模子的才调不单是局限在财务、局限在个东谈主，也要向通盘团队推论，包括：优先遴荐 1-2 个痛点明确、门径相对领略的场景作念试点；将灵验的 Prompt 遐想、高下文组织花式、测试用例模板等训戒在团队内共享，酿成可复用学问库；从「东谈主作念」为主转向「东谈主定例则与口径、模子推论关节」的勾通模式，让大模子成为数仓同学的通常助手。将来已来。

作家丨丹克2026世界杯赛事竞猜官方版