Files
dc-docs/output/feishu-docs/BOWJwOqOxiARunkCc9Ac3nKwnZS.md
T
2026-06-23 14:43:31 +08:00

5.9 KiB

BOWJwOqOxiARunkCc9Ac3nKwnZS

Source: https://ocnmca6f1o0p.feishu.cn/wiki/BOWJwOqOxiARunkCc9Ac3nKwnZS

工作内容概述

1、参加财务会议并整理会议纪要 2、规划本周工作内容 3、初步了解财务取数源及取数方式

一、工具现状与功能演示

已实现功能

研究部已完成一套解决【月度管理报告】的 Python 自动化脚本,具体功能如下:

  • 一键生成月报:上传 5 张子表及配置表,自动输出其中四份子表【利润表取数源、利润表-按月、利润表-分地区、利润表-分产品】
  • 配置表驱动规则:取数来源、取数列、条件列、计算方式均在配置表中统一维护,规则变更只需修改配置表,无需调整代码
  • 本地化运行:全程在本地处理,数据不上传云端,满足数据安全要求
  • 极简操作界面:选择输出目录、上传子表文件、点击运行,三步完成
  • 操作展示如下: 图片 第一步:规则配置 将子表到总表的映射逻辑、取数条件、计算公式,全部提取并沉淀为结构化的配置表。 图片 第二步:数据导入 每月编制时,仅需将当月5张子表底稿文件拖入工具指定目录。 图片 第三步:一键生成 脚本自动完成源表数据定位、条件筛选、聚合计算,一键输出总表及三张利润子表(利润表-分产品、利润表-分地区、利润表-按月)。

Codex AI辅助能力演示

会议同步演示了 Codex 在日常表格处理中的辅助价值:

  • 自然语言操作:通过描述需求,AI 部署python环境
  • 历史变更追溯:可查询操作历史、回溯历史版本,弥补 WPS/Excel 记录不足的缺陷
  • **介绍功能:**可根据语言描述,自动解决表格类操作问题

二、财务部反馈

达成一致:

  • **推进方式:**优先通过python快速解决短期痛点、并通过中长期规划
  • **工具实操测试:**5月份报表(人工与工具)双线并行 特殊支持:1-4月份有个别预算规则需要修改调整——研究部协助完成
  • 操作界面足够简洁:非技术人员可直接上手

继续推进

(一)增加同比、环比计算维度

  • 提供历史数据作为基准年数据源。
  • 在生成总表及子表后,自动计算同比、环比指标,无需人工另行拉公式。 (二)探索在生成报表中保留公式及取数来源
  • 当前工具输出的报表为静态数值,财务反馈希望在输出表中保留公式链接,以便数据变动时自动更新,同时支持快速溯源。
  • 技术层面需探索:在Python脚本生成Excel时,以写入公式替代写入数值,同时建立子表到总表的公式引用路径。
  • 该需求为当前最高优先级,团队将优先验证技术可行性,若可实现,将显著提升报表的可审计性和下游使用效率。

三、深层痛点

目前工具解决的痛点:

(一)第三阶段:报表编制与合并

该阶段原涉及跨表取数、公式编写、手工汇总等高强度重复劳动。核心体现在以下三个层面:

  • 将原有依赖个人记忆的映射逻辑、取数条件、计算公式,提取并沉淀为结构化的配置表。
  • 通过唯一指标编码建立子表字段与总表单元格的对应关系,使规则可读、可维护、可复用。
  • 基于配置表驱动,脚本自动完成源表数据定位、条件筛选(按游戏分类、收入类型等维度过滤)、聚合计算(SUM/分摊等),一键生成总表及利润子表。
  • 消除手工编写SUMIFS、VLOOKUP等函数及跨表贴数的重复操作。
  • 配置规则一次搭建后可跨月份复用。
  • 当源表结构发生局部变更,仅需调整配置表中的索引参数,无需重新编写计算逻辑。

目前工具暂未覆盖的部分:

(一)第一阶段:数据收集与导出

数据源获取完全依赖手工,该环节占整体工作量的约1/3。 源数据分散在金蝶、摩卡、中控后台、BI、广告后台等多个独立系统,系统间无数据接口打通,无法实现自动归集。 由于部分业务系统未开放程序化访问接口,无法通过脚本或接口自动取数,只能依赖人工登录系统手动导出Excel,构成自动化链条上的硬性断点。 深圳与厦门两地财务人员共同维护公盘数据,数据变更缺乏通知机制,容易产生版本不一致或覆盖冲突,影响上游数据准确性。

(二)第二阶段:数据清洗与口径统一

口径差异广泛存在于历史数据与跨部门数据两个维度,清洗工作高度依赖人工。 2022-2023年数据与2024年后的数据,在表格格式、分摊规则、字段命名等方面均存在显著差异。进行历史累计分析时,需完全手工重新梳理和统一口径,耗时大量时间且结果准确性存疑。 各项目组对相同指标的命名方式和统计口径不统一,合并报表时需人工逐一识别并翻译映射。直至财务数据交叉比对才暴露问题,少记成本导致整个分析决策链条失真。

(三)第四阶段:验证与校对

当前仍以人工经验驱动为主,缺乏自动化对账与异常拦截机制。 目前主要通过人工对比上期数据、凭经验识别异常波动,缺乏系统化的规则校验层。 与金蝶总账系统的数据交叉比对为当前主要验证方式之一,但金蝶数据产出时间较晚,验证存在滞后性,无法在编报当期同步完成。 尚无自动化的异常标记或拦截机制,高风险科目完全依赖人工逐项审查,效率低且存在遗漏风险。