匿名线下零售企业
门店对账
Datawhale
零售
明确FDE
标准案例｜可参考但仍有缺口
A级证据
已落地/验证中
A
证据等级
Datawhale FDE案例100｜NO.10 从人工核对到智能对账：FDE用AI让线下零售对账又快又准
证据等级衡量“能否定位和复核来源”，不评价厂商披露是否经过第三方审计。
标准案例｜可参考但仍有缺口
8 / 12
业务背景1 / 2
改造流程1 / 2
技术工作流2 / 2
人机与治理1 / 2
量化结果1 / 2
来源定位2 / 2
仍可补强：业务背景、改造流程、人机与治理、量化结果
业务问题
多门店、多支付渠道和多系统账单需要财务人员人工勾稽。
解决方案
统一账单口径，自动匹配交易并把差异与异常集中交给财务人员处理。
技术架构与生产工作流
Step 01
发票/单据/账单/业务材料
→
Step 02
OCR/字段抽取 + 业务分类
→
Step 03
LLM/规则判断业务类型与风险
→
Step 04
确定性匹配/校验/对账
→
Step 05
RPA/API写入ERP/OA/财务系统
→
Step 06
异常件 → 人工复核 → 结果回写
关键技术与基础设施组件
OCR/信息抽取LLM规则引擎RPA/APIERP/OAHuman-in-the-loop
人机分工与责任边界
财务人员只处理未匹配、异常和高风险交易。
FDE 动作拆解
- shadowing财务人员，把“看材料—判断—建单—复核”拆成原子动作
- 区分语义判断、机械执行和责任审批三类任务
- 把老员工隐性审核规则显性化并建立异常类型
- 优先接现有ERP/OA，不重造系统
- 设置低置信度、金额阈值、规则冲突等人工升级条件
可迁移复用的落地方法论
- AI负责判断，RPA/API负责确定性执行，人承担责任
- 先自动化标准件，再集中处理异常件
- 财务类项目的核心不是聊天，而是可审计的流程编排
业务成效与交付成果
目标是从逐笔核对转为异常处理；公开资料未披露统一ROI。
证据边界与核验记录
- 公开资料确认业务流程；技术组件为基于公开描述的架构抽象
- 来源可直接定位到该案例；数值仍属于来源方披露，不代表独立审计。