XYZ集团正积极筹备在香港上市，经过我方财务咨询公司通过AI协助其确认有100多家公司在其合并范围内，下一步我方将对这100多家的公司账套进行梳理。但我方发现其核心底层数据由于多种问题，无法直接用于分析，我方提出了“AI+人工”的方案，协助其高效处理数据整理问题，以达到可使用可分析的状态。在本文中，我们将着重讲述对该核心数据的梳理。
近期，我们为一个正积极筹备上市的大型XYZ集团，高效解决了一系列核心财务数据难题。本期我们就一个最底层的核心数据梳理做个简要分享。项目的挑战在于除了庞大的数据量（旗下百余家公司），还有其背后复杂的“历史遗留”问题。
为了实现精细化管理，XYZ集团的系统非常灵活。它允许财务人员为每一笔交易记录，添加多达十几种的关键附加信息，比如这笔交易关联的客户、供应商、具体项目、所属部门等。
这原本是一个强大的功能便于财务和业务同事加工、统计及分析数据，但问题在于，这种“灵活性”在十年的时间长河中，变成了一把双刃剑，甚至演变成了“随意性”。
集团的业务在飞速发展，管理需求也在不断迭代升级。每当业务流程优化或管理层提出新的分析维度时，IT部门就会联合财务部门在系统中调整附加信息记录的设定，生成一套新的“规则模板”。
-
比如在2015年，一笔采购记录的附加信息，是按照 [供应商, 部门, 经手人] 的顺序和内容来进行记录的。
-
到了2018年，为了加强项目管理，新的模板变成了 [项目编码, 供应商, 部门]。顺序变了，内容也增加了。
-
再到2022年，又增加了[合同号]这个标签，并且排列顺序再次被打乱。
十年下来，集团积累的财务数据就像一个复杂的地质层，每一层都记录着不同时期的规则“化石”。所有这些来自不同“历史时期”、遵循着不同“规则模板”的附加信息，最后都混杂在了一起。
1. 规则无法统一：想用一套标准规则去梳理这十年的财务及业务数据，根本行不通，因为历史上就不存在一个统一的标准。
2. 新旧规则并存：早期的简单数据和后期的复杂数据互相交错，也无法高效识别。
3. 人力无法解决：面对百余家公司、横跨十年的海量数据，靠人工去逐一辨认和拆分，无异于天方夜谭。
这个源于系统“先进性”的难题，最后却成了集团梳理数据的一个障碍。所以我们在考虑时效的基础上，试图寻找最适合的破局点，加速推进项目。
面对这个局面，我们采取了“两步半”的解决方案。其核心思想是：把传统 ” 先定规则，再整理数据 ” 的方法，转变为 “ 先分析全部数据，再从中提炼规则 ” 的逆向思路。
我们放弃了去制定一套统一规则的传统思路，转而通过AI模型通读所有混乱的原始记录，把所有附加信息（例如一个客户名、一个项目编码、一个部门名）逐个提取出来，最终汇集成一张能看清数据全貌的“信息总览清单” 。简单来说，这张清单汇总了每一个附加信息出现的总次数，以及它可能涉及的所有信息类别。这一步是从无序中强行提炼结构的过程，技术难度极高，也是整个破局的基础。
有了这份“信息总览清单”作为原始蓝图，AI和我们的专家团队开始联手登场。
在AI开始工作前，我们的专家会先对这份由AI生成的“信息总览清单”进行一次快速的“净化处理”。他们凭借专业经验，修正清单中那些可直接判断的错误。这个看似简单的人工预处理，却是保障后续高质量处理数据的关键，这为AI提供了高质量的“蓝图”，从源头上避免了“垃圾进，垃圾出”的风险。
在专家完成了这次关键的“预处理”后，AI才真正开始执行大规模的数据梳理工作。在根据我们专家针对该项目制定的一套判断规则基础上，AI会手持这份净化后的“信息总览清单”，与XYZ集团系统中最新的规则模板进行交叉比对。这个自动化过程完成了约95%的明确性工作，并为我们 的专家精准锁定了剩下5%最棘手的难题。最终，AI会将这些难题汇集成一份 “疑难清单”。
这里的“点睛”，与第一步中的“净化”完全不同。此时，我们的专家无需再审阅海量数据，他们只需要聚焦于AI提交的那份“疑难清单”进行专业的认知判断即可，即处理这些更复杂的、需要结合业务理解才能解决的问题。
通过这“两步半”，我们成功将积重难返的混乱数据，转化为了结构清晰、可直接用于分析的高质量数据集。这不仅为客户上市的尽职调查和审计工作铺平了道路，奠定了基础，更重要的是，它将沉睡了近十年的数据彻底激活，转化为了能够支撑管理层进行战略决策的宝贵数字资产。
本案例集将在我们的微信公众号、官方网站、知乎号同步更新，欢迎您的关注：
官网及知乎号：百度搜索“枳子科技”
联系我们，请添加微信号：zhizitec
