基于 AI 驱动的建筑企业财务管理和合规管理

第一天：AI 驱动的建筑公司财务管控（锁住 “降本、提效、控隐患”）

模块一：课程导入和 AI 在交通基建财务领域的运用现况

一、学识点 1：山东高速集团财务管控核心痛点和 AI 诉求匹配

1.

核心痛点拆解（结合交通基建业务特性）

◦ 项目维度：高速公路 / 铁路项目周期长（3-5 年），往细里说，资金占用规模大（单项目超 50 亿元），运行层面，跨区域项目资金调配效率低。工程标段多（如某高速分 10 个标段），成本核算需整合多维度资料（人工、材料、机械、征地拆迁），人工对账耗时并且易出错

◦ 营运维度：高速公路收费资料（日都千万级交易）和财务核算对接滞后，营收确认需 3-5 天。物流业务（如高速服务区冷链物流）的应收款回收周期长，坏账隐患难预判

◦ 合规维度：工程合同（如 EPC 总承包合同）条款复杂（超百页），从实践看，财务审核需识别 “付款条件、发票要求、违约责任” 等等隐患点，人工审核效率低（单份合同需 1-2 天）

1.

AI 诉求匹配办法 ——“痛点 - 技艺” 映射法

财务痛点类型

适配 AI 技艺

破解标的

施行优先级

跨项目资金调配慢

实时资料采集 + 动态算法

资金调配时间从 3 天→1 小时

高

成本核算资料整合难

NLP + 资料清洗技艺

核算周期从 7 天→2 天

高

收费资料对接滞后

实时资料接口 + 自动化对账

营收确认时间从 5 天→1 天

中

合同财务隐患识别慢

NLP + 法律资料库比对

合同审核时间从 2 天→4 小时

高

◦ 办法步骤：① 联合财务各岗位（核算 / 资金 / 合规）开展痛点访谈（1-2 天）。② 采集近 3 年项目财务资料（资金流、成本、预算执行），标注异常点；③ 对比业界标杆（浙江交投、广东交通集团）AI 运用成效，确定诉求优先级

二、实例：山东高速和业界标杆的 AI 痛点破解对比

1.

实例 1：山东高速某分公司资金调配痛点（来源：山东高速集团 2023 年财务年报 P45-47）

◦ 来由：2022 年某跨区域高速公路项目（连接鲁苏两省），运行层面，涉及 3 个分公司资金往来，人工统计各分公司资金余额、项目诉求需 3 天，实操中，导致 1.2 亿元资金闲置 15 天，落地时，损失利息收益约 2.5 万元

◦ 现况：2023 年试点 “AI 资金台账系统”，执行层面，对接各分公司银行账户和 ERP 系统，实时显示资金余额和项目诉求，从实践看，从实践看，调配时间缩短至 2 小时，执行层面，闲置资金降至 0.3 亿元

1.

实例 2：浙江交投 AI 破解跨项目成本核算痛点（来源：《中国交通新闻网》2024 年 1 月 15 日《浙江交投：AI 赋能财务核算，效率拉升 60%》）

◦ 来由：浙江交投某铁路项目分 8 个标段，人工整合各标段成本资料需 7 天，并且存在 “材料损耗资料重复统计”“机械租赁费用漏记” 等等问题，误差率约 5%

◦ AI 解题打法：引入 NLP 技艺提取各标段成本报表要害资讯（如 “钢筋用量，挖掘机租赁天数”），往细里说，结合计算机视觉（CV）识别发票、结算单中的资料，自动整合生成项目总成本报表

◦ 成效：核算周期从 7 天→2 天，实操中，误差率降至 0.8%，每年节省人工成本约 30 万元

三、交流碰头 1：山东高速财务痛点和 AI 诉求挖掘

1.

碰头主题

：结合自身岗位（核算 / 资金 / 预算），实操中，列举 1-2 个当前最亟待 AI 破解的财务痛点，并说明 “AI 为何能破解该痛点”

2.

组织形式

：① 按照岗位分组（每组 5-6 人），具体来看，20 分钟碰头。② 每组派 1 名代表发言（5 分钟 / 组）；③ 讲师点评：结合业界实例判断痛点优先级，往细里说，在实际应用里，就一线经验说，补充未提以及的潜在痛点（如 “智慧高速建设中的专项补贴核算”）

3.

输出结晶

：汇总《山东高速财务 AI 诉求清单》，后续课程针对性展开

模块二：AI 驱动的财务方略规划（2 小时）—— 从 “心得决策” 到 “资料决策”

一、学识点 1：AI 在财务资料拆解中的核心运用（资料清洗→趋势预测→决策支持）

4.

AI 资料清洗技艺：破解交通基建资料 “杂、乱、缺” 问题

◦ 核心痛点：高速公路项目资料来源多（施工方报表、监理方审核单、供应商发票），实操中，存在 “资料格式不统一（如 “吨” vs “公斤”），运行层面，缺失值（如某标段材料用量漏填），异常值（如单笔材料采购超常规 10 倍）”

◦ 要害技艺和办法：

▪ 格式准则化：采用 Python 的 Pandas 库 + AI 规则引擎，落地时，自动将 “公斤” 转换为 “吨”，“元” 转换为 “万元”，统一资料单位

▪ 缺失值填补：基于同类项目资料（如某高速路基工程的水泥用量），换个角度看，就一线经验说，落地时，用 “随机森林算法” 预测缺失值，落地时，准确率达 92%

▪ 异常值识别：采用 “孤立森林算法”，设定交通基建业界阈值（如材料采购单价超业界都价 30% 为异常），自动标记异常资料并提示人工复核

◦ 抓手推荐：用友 AI 财务拆解模块 “资料清洗功能”，运行层面，换个角度看，Python（Scikit-learn 库）

1.

AI 趋势预测模型：精准预测项目成本，执行层面，落地时，营收和现金流

◦ 核心情境：① 高速公路项目总成本预测（如 3 年工期的项目，就一线经验说，预测各年度成本占比）。② 高速公路通行费营收预测（结合车流量、油价、节假日资料）；③ 项目现金流预测（匹配资金流入 “通行费、补贴” 和流出 “工程款、养护费”）

◦ 常用模型和适用情境：

预测情境

推荐 AI 模型

优势

交通基建实例成效

短期成本预测（1 年内）

指数平滑模型

适应资料波动小的情境

某高速养护成本预测误差率 5%

中长期成本预测（3-5 年）

LSTM 神经网络

捕捉资料长期趋势和周期性

某铁路项目总成本预测误差率 8%

营收预测（含节假日波动）

ARIMA 模型

处理时间序列中的季节性特征

某高速通行费预测准确率 93%

◦ 模型精进办法：结合交通基建业务特征调整参数（如 “春节前 2 周车流量激增，运行层面，调整 ARIMA 模型的季节因子”）

二，在实际应用里，实例：中铁建集团 AI 财务预测赋能方略决策（来源：《建筑经济》2023 年第 5 期《AI 在建筑公司财务方略规划中的运用 —— 以中铁建为例》P28-32）

1.

实例来由

：中铁建 2022 年承接某高速公路项目（总投资 80 亿元，实操中，工期 4 年），需预测各年度资金诉求、成本投入和营收，支撑集团 “资金统筹和融资规划”

2.

AI 施行进程

：

◦ 资料输入：① 历史同类项目资料（近 5 年 10 个高速项目的成本，营收、现金流）；② 当前项目资料（工程量清单、材料价格走势、车流量预测报告）；③ 外部资料（油价，GDP 增速、区域交通规划）

◦ 模型选项：① 成本预测用 LSTM 模型（捕捉 “材料价格上涨，换个角度看，人工成本增加” 的长期趋势）。② 营收预测用 ARIMA 模型（结合 “季度车流量波动”）。③ 现金流预测用 “LSTM+ARIMA 融合模型”（兼顾长期趋势和短期波动）

◦ 结果输出：生成《项目 4 年财务预测报告》，换个角度看，从实践看，换个角度看，在实际应用里，明晰 “第 1 年投入 30 亿元（征地拆迁 + 土建），实操中，实操中，第 3 年开始产生通行费营收（约 5 亿元），实操中，第 4 年现金流回正”

1.

方略价值

：集团基于 AI 预测结果，执行层面，从实践看，执行层面，在实际应用里，提前和银行签订 “分期贷款协议”（第 1 年贷 20 亿，从实践看，第 2 年贷 10 亿），具体来看，降低融资成本约 1200 万元；同时调整其他项目资金投放，执行层面，防止资金闲置

三、学识点 2：基于 AI 的零基预算精进（适配交通基建 “项目多，换个角度看，就一线经验说，从实践看，具体来看，就一线经验说，预算杂” 特点）

2.

传统预算痛点

：山东高速传统 “增量预算”（以上年预算为基础加 10%-15%）存在 “预算浪费（如某项目养护预算超实际诉求 20%），具体来看，具体来看，具体来看，运行层面，重点项目预算保障不足（如智慧高速建设预算被压缩）” 问题

3.

AI 零基预算核心办法 ——“业务拆解 - 资源预测 - 优先级排序” 三步法

◦ 第一步：业务活动拆解（按照项目生命周期）

▪ 例：将 “高速公路建设项目” 拆解为 “征地拆迁（拆分为 “农户补偿，具体来看，往细里说，公司拆迁”）→土建施工（路基、路面，纽带）→装置采购（收费系统，监控装置）→验收营运（初期养护，人员培训）”4 个阶段，每个阶段再拆分为具体活动

◦ 第二步：AI 资源诉求预测（基于 “历史资料 + 业务量”）

▪ 办法：用 XGBoost 模型，运行层面，具体来看，运行层面，具体来看，输入 “活动工程量（如路基工程 50 公里）、历史同类活动资源消耗（如每公里路基需水泥 100 吨），当前市场价格（如水泥 500 元 / 吨）”，就一线经验说，换个角度看，执行层面，预测每个活动的预算诉求

▪ 示例：某高速路基工程 50 公里，实操中，就一线经验说，实操中，就一线经验说，落地时，就一线经验说，实操中，AI 预测预算 = 50 公里 ×100 吨 / 公里 ×500 元 / 吨 + 人工成本（按照 10 人 ×30 天 ×300 元 / 天）=250 万 + 90 万 = 340 万元

◦ 第三步：AI 优先级排序（对齐集团方略）

▪ 输入集团方略标的（如 “2024 年重点推进智慧高速建设”），AI 基于 “方略契合度（智慧高速活动契合度 100%），ROI（智慧高速通行费拉升预期 15%），运行层面，往细里说，隐患（征地拆迁隐患高）” 设定权重，换个角度看，自动排序预算优先级，保障重点活动预算

四，具体来看，就一线经验说，运行层面，实例：广东交通集团 AI 零基预算节省 2000 万 / 年（来源：《中国公路》2024 年第 2 期《AI 赋能交通基建公司预算管控实践》P35-38）

1.

传统预算问题

：广东交通集团某高速公路养护项目，运行层面，2021 年用增量预算（以上年 1 亿元为基础加 10%，落地时，换个角度看，预算 1.1 亿元），执行层面，但实际养护诉求仅 0.9 亿元，运行层面，浪费 0.2 亿元。并且 “日常巡检” 和 “大中修” 预算分配不合理（大中修预算不足导致路面病害处理滞后）

2.

AI 零基预算施行

：

◦ 业务拆解：将养护项目拆分为 “日常巡检（每日路况查验），往细里说，执行层面，小修保养（坑槽修补），在实际应用里，换个角度看，大中修（路面重铺）、应急处理（暴雨后排水）”4 类活动

◦ 资源预测：AI 基于 “近 3 年养护资料（如每年坑槽修补 1000 处，实操中，每处成本 500 元）、2023 年路况检测报告（路面破损率 8%）”，运行层面，从实践看，运行层面，预测小修保养预算 0.3 亿元，大中修预算 0.5 亿元

◦ 优先级排序：AI 将 “大中修”（拉升路面安全，换个角度看，换个角度看，运行层面，实操中，往细里说，契合 “平安交通” 方略）列为优先级 1，预算全额保障。“日常巡检” 列为优先级 2，就一线经验说，精进人员配置后预算 0.1 亿元

1.

成效

：2023 年养护预算从 1.1 亿元降至 0.9 亿元，节省 0.2 亿元。大中修及时率从 70% 拉升至 100%，在实际应用里，往细里说，在实际应用里，通行费因路况改进增加 5%

五，具体来看，换个角度看，交流碰头 2：山东高速某新建高速项目 AI 预算编制方案规划

2.

碰头来由

：假设山东高速拟新建 “济南 - 泰安智慧高速项目”，总投资 50 亿元，工期 3 年，包含 “路基施工（15 亿元）、智慧装置采购（10 亿元，含自动驾驶车道装置）、征地拆迁（12 亿元）、营运筹备（3 亿元）”4 大模块

3.

碰头主题

：怎样用 AI 零基预算办法，落地时，往细里说，确定各模块的预算金额和优先级？需考虑 “智慧高速方略契合度，资金诉求紧迫性（如征地拆迁需先启动）”

4.

组织形式

：① 分组碰头（30 分钟），每组提交《模块预算建议表》（含预算金额、AI 预测依据，运行层面，在实际应用里，优先级）。② 每组代表解说（8 分钟 / 组）；③ 讲师点评：结合广东交通集团实例，执行层面，具体来看，指出预算预测中的要害遗漏点（如 “智慧装置后期维护预算”）

5.

延伸思索

：AI 预算怎样化解 “材料价格波动”（如钢筋价格上涨 10%），需调整哪些模型参数？

六、实操上手 1：AI 成本趋势拆解抓手运用

6.

上手抓手

：用友 AI 财务拆解模块（还原版，具体来看，运行层面，执行层面，落地时，预装山东高速某项目 2021-2023 年成本资料）

7.

上手差事

：

◦ 步骤 1：导入资料（人工成本，运行层面，从实践看，在实际应用里，具体来看，换个角度看，材料成本、机械成本），采用 “AI 资料清洗” 功能，落地时，具体来看，具体来看，自动处理 “2022 年 Q3 材料成本异常值（因疫情导致材料涨价 20%）”

◦ 步骤 2：选项 “LSTM 趋势预测” 模型，具体来看，具体来看，预测 2024 年各季度成本，设置 “材料价格上涨 5%” 为外部变量

◦ 步骤 3：生成《成本趋势拆解报告》，标注 “2024 年 Q2 材料成本峰值（因路面施工高峰期）”，提出 2 条成本将控建议（如 “提前储备材料锁定价格”）

1.

结晶提交

：每位参训者提交报告，讲师选取 2 份典型报告点评，从实践看，解说 “怎样根据 AI 预测调整采购规划”

模块三：AI 在资金管控和流动性隐患将控中的运用——“实时监控 + 智能调配 + 隐患预警”

一，学识点 1：AI 驱动的资金实时监控系统（破解 “资金看不见，在实际应用里，落地时，实操中，管不住” 问题）

2.

交通基建资金监控核心诉求

：① 跨账户实时可视（山东高速有总部 + 20 余家分公司银行账户，运行层面，执行层面，需实时掌握总资金余额）。② 资金流向合规（如工程款需按照合同约定支付，在实际应用里，执行层面，不得挪用）。③ 异常交易预警（如单笔支付超 5000 万元需重点监控）

3.

AI 资金监控系统架构和要害技艺

◦ 架构组成：① 资料层（对接银行 API、ERP 系统、合同管控系统，实时采集资金流水、项目合同、付款申请）；② 算法层（异常交易识别算法、资金流向匹配算法）；③ 展示层（资金监控大屏，按照 “账户 - 项目 - 区域” 多维度展示）

◦ 要害技艺运用：

▪ 实时资料采集：采用 “WebSocket 技艺”，具体来看，运行层面，执行层面，银行账户流水每 5 分钟更新 1 次，运行层面，换个角度看，确保资料实时性

▪ 资金流向匹配：用 NLP 技艺提取付款申请中的 “项目名称，具体来看，执行层面，从实践看，落地时，供应商”，换个角度看，和合同管控系统中的 “项目对应供应商” 比对，运行层面，落地时，换个角度看，判断是否合规（如 “付给 A 供应商的工程款，往细里说，执行层面，需对应某高速项目合同”）

▪ 异常交易识别：采用 “DBSCAN 聚类算法”，在实际应用里，换个角度看，从实践看，将历史正常交易（如单笔工程款支付 1000-3000 万元）聚为一类，运行层面，实操中，在实际应用里，偏离该类的交易（如单笔支付 8000 万元）自动标记为异常，就一线经验说，触发人工审核

二、实例 1：招商局集团 AI 资金监控拦截异常支付（来源：《中国水运报》2023 年 12 月 8 日《招商局 AI 赋能资金管控，守护基建资金安全》）

1.

实例来由

：招商局集团某港口基建项目，落地时，涉及 10 家施工方，执行层面，2023 年上线 AI 资金监控系统前，在实际应用里，运行层面，执行层面，存在 “施工方伪造合同申请付款” 隐患（2022 年曾发生 1 起，就一线经验说，从实践看，损失 500 万元）

2.

AI 监控推演

：

◦ 资料对接：系统对接 “银行账户，落地时，合同系统、施工方资质库”，付款申请时需上传 “合同扫描件，就一线经验说，具体来看，换个角度看，从实践看，落地时，施工进度确认单”

◦ 合规校验：① NLP 识别合同中的 “付款条件（如完成 30% 工程量才可付款）”，具体来看，和施工进度确认单比对。② CV 识别合同印章真伪（和资质库中的施工方公章比对）；③ 金额校验（付款金额不得超合同约定进度款上限）

1.

拦截实例

：2023 年 9 月，具体来看，某施工方提交 “港口码头施工进度款申请（金额 2000 万元）”，落地时，AI 识别出：① 合同扫描件为 PS 伪造（印章字体和资质库不符）。② 施工进度确认单无监理方签字，执行层面，实操中，执行层面，触发预警，人工复核后拦截该笔支付，从实践看，运行层面，具体来看，就一线经验说，防止损失 2000 万元

三，实例 2：山东高速路桥集团 AI 资金池精进（来源：山东高速路桥集团 2023 年度社会责任报告 P62-63）

2.

实例来由

：山东高速路桥集团承接 “鲁南高铁连接线” 项目，2022 年有 8 个银行账户，资金分散（最高账户余额 2.5 亿元，往细里说，最低 0.3 亿元），闲置资金 1.2 亿元，在实际应用里，运行层面，活期存款利率仅 0.3%

3.

AI 动态资金池方案

：

◦ 资金诉求预测：AI 基于 “项目进度规划（如每月需支付工程款 1.5 亿元），历史付款节奏”，预测未来 1 个月各账户资金诉求

◦ 自动调拨规则：① 当账户余额超过 “诉求 + 安全垫（500 万元）” 时，执行层面，落地时，超额部分自动归集至总部资金池。② 当账户余额低于 “诉求” 时，执行层面，从总部资金池自动下拨

◦ 收益精进：归集的闲置资金用于 “7 天通知存款（利率 1.45%）”，具体来看，具体来看，需用时提前 1 天赎回

1.

成效

：2023 年资金闲置率从 12% 降至 5%，具体来看，往细里说，往细里说，闲置资金收益从 0.3% 拉升至 1.45%，落地时，在实际应用里，年增加利息收入约 126 万元（1.2 亿 ×12%×(1.45%-0.3%)=0.0126 亿）

四，学识点 2：AI 流动性隐患预警（提前 6 个月预判资金缺口）

2.

交通基建流动性隐患特点

：① 资金缺口大（单项目资金缺口可能超 10 亿元）。② 缺口周期长（如某高速项目建设期 2 年，运行层面，需持续投入资金）。③ 影响因素多（如补贴到账延迟，在实际应用里，运行层面，工程款回收慢）

3.

AI 流动性隐患预警模型构筑步骤

◦ 步骤 1：确定预警指标架构（贴合交通基建）

指标类型

具体指标

业界安全阈值

短期偿债本领

流动比率

≥1.2

资金缺口

未来 3 个月资金缺口率

≤5%（缺口 / 总资金）

现金流稳定性

月度现金流波动幅度

≤20%

外部资金倚重度

融资额 / 项目总投资

≤60%

◦ 步骤 2：资料输入（近 3 年现金流资料，未来 6 个月资金规划、外部资料如 “政府补贴到账历史”）

◦ 步骤 3：模型训练（用 XGBoost 算法，就一线经验说，以 “是否发生资金缺口” 为标签，具体来看，落地时，落地时，训练预警模型）

◦ 步骤 4：预警等级划分（红 / 黄 / 蓝）：① 红色预警（缺口率≥10%，运行层面，往细里说，实操中，运行层面，需立即融资）；② 黄色预警（5%≤缺口率 < 10%，往细里说，从实践看，落地时，需拟定融资规划）；③ 蓝色预警（缺口率 < 5%，具体来看，实操中，持续监控）

五，实例：浙江交投 AI 预警防止铁路项目资金违约（来源：《中国交通报》2024 年 3 月 10 日《浙江交投：AI 预警让资金 “未雨绸缪”》）

1.

实例来由

：浙江交投某铁路项目（总投资 120 亿元），执行层面，落地时，2023 年 10 月 AI 预警系统监测到 “未来 3 个月资金缺口率 12%（缺口 1.8 亿元）”，落地时，换个角度看，换个角度看，就一线经验说，运行层面，原因是 “政府补贴延迟到账（原规划 10 月到账 2 亿元，就一线经验说，往细里说，延迟至次年 1 月）”，执行层面，执行层面，而 11 月需支付工程款 2.5 亿元

2.

AI 预警和化解流程

：

◦ 预警触发：系统计算 “流动比率降至 1.0（低于安全阈值 1.2）”，换个角度看，实操中，运行层面，运行层面，触发红色预警，自动推送通知至资金总监，财务负责人

◦ 原因拆解：AI 关联 “补贴到账历史资料”，在实际应用里，换个角度看，换个角度看，从实践看，运行层面，发现该类补贴平均延迟 2.5 个月，结合当前政府财政状况，预测本次延迟 3 个月

◦ 化解方案推荐：AI 基于 “集团融资渠道（银行授信，中期票据）”，推荐 “申请银行流贷 2 亿元（利率 LPR+50BP）”，换个角度看，并计算 “贷款成本（2 亿 ×4.85%×3/12=24.25 万元）” 低于 “违约成本（按照合同约定，执行层面，从实践看，落地时，逾期付款违约金 0.05%/ 天，就一线经验说，实操中，落地时，往细里说，在实际应用里，2.5 亿 ×30 天 ×0.05%=375 万元）”

1.

结果

：集团按照 AI 推荐方案申请贷款，11 月按照时支付工程款，具体来看，防止违约，节省成本 350 万元以上

六，具体来看，交流碰头 3：山东高速跨项目资金调配和隐患预警打法

2.

碰头来由

：山东高速 2024 年有 3 个重点项目：① 济南绕城高速扩建（需资金 20 亿元，Q2 付款高峰）。② 青岛港物流园区（需资金 15 亿元，运行层面，Q3 付款高峰）。③ 潍坊 - 烟台高铁（需资金 30 亿元，Q4 付款高峰），当前集团可调配资金 25 亿元，存在 Q4 资金缺口 10 亿元

3.

碰头主题

：① 怎样用 AI 动态资金池精进 3 个项目的资金调配，降低 Q4 缺口？② AI 流动性隐患预警系统需重点监控哪些指标（如 “高铁项目补贴到账进度”）？

4.

组织形式

：① 分组碰头（40 分钟），每组提交《资金调配和预警方案》；② 每组代表解说（10 分钟 / 组）；③ 讲师点评：结合山东高速路桥，具体来看，浙江交投实例，换个角度看，实操中，补充 “跨项目资金错峰调配” 办法（如 “将青岛港项目 Q3 付款延后至 Q4 初，换个角度看，运行层面，就一线经验说，在实际应用里，往细里说，和潍坊高铁付款错峰”）

七，运行层面，实操上手 2：AI 流动性隐患预警模型还原搭建

5.

上手抓手

：Python（Jupyter Notebook，运行层面，从实践看，具体来看，就一线经验说，换个角度看，落地时，预装还原资料：山东高速某项目 2023 年 1-12 月现金流，往细里说，运行层面，预警指标资料）

6.

上手差事

：

◦ 步骤 1：导入资料，定义预警指标（流动比率、资金缺口率），实操中，设置安全阈值（流动比率≥1.2，往细里说，落地时，缺口率≤5%）

◦ 步骤 2：用 XGBoost 模型训练 “缺口率预测模型”，输入 “月度现金流流入（通行费、补贴）、流出（工程款，养护费）”，预测 2024 年 1-3 月缺口率

◦ 步骤 3：判断预警等级（如预测 2024 年 2 月缺口率 8%，触发黄色预警），输出《隐患预警报告》，包含 “缺口原因，推荐化解方案（如 “提前赎回 5000 万元通知存款”）”

1.

分组协同

：2 人 1 组，就一线经验说，运行层面，1 人负责资料处理，1 人负责模型运行和报告撰写，讲师巡回指导，破解 “模型参数调整”“指标权重设定” 问题

模块四：AI 在财务隐患管控中的深度运用—— 覆盖 “信用、操作、市场隐患”

一，换个角度看，具体来看，学识点 1：AI 在信用隐患管控中的运用（锁住交通基建 “买方 / 携手方信用”）

2.

交通基建信用隐患情境

：① 物流买方（如高速服务区冷链物流租户）拖欠租金。② 施工携手方（如路基施工单位）资质不足导致工程返工，影响工程款回收。③ 材料供应商（如钢筋供应商）延迟供货，落地时，导致项目延期，换个角度看，运行层面，往细里说，产生违约金

3.

AI 买方信用评核模型 ——“多维度资料 + 动态评分”

◦ 资料维度：

▪ 内部资料：买方历史交易记录（如物流租户近 2 年租金支付及时性），换个角度看，内部信用评级（如 “A 级 - 无逾期，B 级 - 1 次逾期”）

▪ 外部资料：公司征信报告（借助 “企查查 API” 获取），业界信用评级（如中国建筑业协会评级）、舆情资料（如 “是否有‘拖欠工程款’负面新闻”）

◦ 评分办法：用 “推演回归算法” 对各维度资料赋值（如 “历史无逾期 + 20 分，有 1 次逾期 - 10 分；业界 A 级 + 15 分，C 级 - 20 分”），换个角度看，生成信用得分（0-100 分），就一线经验说，从实践看，划分信用等级（AAA：85-100，AA：70-84，A：55-69，BBB 以及以下：<55）

◦ 运用打法：AAA 级买方可给予 “3 个月账期”，BBB 级买方需 “预付 30% 款项”

二，换个角度看，实操中，就一线经验说，实例：中铁建集团 AI 信用管控减少坏账 2000 万（来源：中铁建集团《财务隐患管控白皮书 2023》P47-50）

1.

实例来由

：中铁建某高速公路项目 2022 年和某施工携手方（信用等级 BBB）携手，换个角度看，从实践看，实操中，落地时，该携手方隐瞒 “曾因工程质量问题被处罚” 的历史，执行层面，往细里说，导致工程返工，中铁建额外支出 1500 万元，实操中，落地时，落地时，执行层面，并且携手方拖欠分包款，中铁建被连带追责

2.

AI 信用管控系统施行

：

◦ 资料整合：对接 “企查查，中国裁判文书网，实操中，业界协会资料库”，自动采集携手方 “司法诉讼记录（如‘工程质量纠纷’）、行政处罚记录、资质有效期”

◦ 动态评分：2023 年某新携手方申请承接路基工程，AI 评分 62 分（A 级），但系统抓取到 “该携手方近 1 年有 2 次‘拖欠农民工工资’舆情”，额外扣 15 分，最终评分 47 分（BBB 级）

◦ 隐患化解：AI 推荐 “降低携手额度（从 5000 万元降至 3000 万元）+ 预付 20% 款项 + 每月进度款审核加强”，从实践看，同时设置 “舆情监控触发条件（如出现‘工程质量’负面新闻，运行层面，就一线经验说，立即暂停付款）”

1.

成效

：2023 年借助 AI 信用管控，往细里说，往细里说，在实际应用里，换个角度看，从实践看，拒绝 BBB 级以及以下携手方 12 家，往细里说，落地时，往细里说，减少坏账损失 2000 万元，就一线经验说，往细里说，往细里说，换个角度看，携手方违约率从 8% 降至 2%

三，学识点 2：AI 在操作隐患防控中的运用（锁住 “发票，在实际应用里，报销、付款” 三大情境）

2.

发票审核 AI 抓手 —— 破解 “假票，运行层面，实操中，执行层面，重复报销、不合规” 问题

◦ 核心功能：

▪ OCR 识别：自动提取发票资讯（发票代码、号码、金额、开票日期、销售方名称），运行层面，从实践看，运行层面，从实践看，准确率达 99%

▪ 真伪查验：对接 “国家税务总局发票查验平台”，换个角度看，执行层面，运行层面，在实际应用里，往细里说，实时验证发票真伪

▪ 合规校验：AI 规则引擎匹配 “山东高速费用报销制度”（如 “差旅费中住宿费单日不超过 600 元”“业务招待费需附招待申请单”），执行层面，往细里说，实操中，执行层面，运行层面，往细里说，落地时，自动标记不合规发票

◦ 实例成效：某分公司用 AI 审核发票，在实际应用里，运行层面，每月处理 1.2 万张发票，在实际应用里，实操中，不合规发票识别率从人工的 70% 拉升至 98%，换个角度看，换个角度看，审核时间从每张 3 分钟降至 1 分钟

1.

费用报销 AI 规则引擎 —— 精准拦截 “虚报，换个角度看，落地时，在实际应用里，滥报”

◦ 典型规则和运用：

违规类型

AI 规则

拦截实例

重复报销

发票号码重复→触发预警

某员工重复报销 “高速通行费发票” 2 次

超准则报销

住宿费 > 600 元 / 天→提示审核

某员工报销 “800 元 / 天住宿费”

报销和业务无关

发票内容为 “奢 侈品”→直接驳回

某员工报销 “珠宝购买发票”

时间推演矛盾

出差日期前开具的差旅发票→预警

出差 10 月 5 日，就一线经验说，就一线经验说，运行层面，运行层面，实操中，发票开票日期 10 月 1 日

四，实例：上海建工集团 AI 费用报销系统拉升效率 60%（来源：上海建工官网《数智化转型专栏》2023 年 9 月 12 日《AI 让费用报销 “又快又准”》）

1.

传统报销痛点

：上海建工 2022 年费用报销需 “员工贴票→部门审核→财务审核→出纳付款”4 个环节，具体来看，平均耗时 5 天。人工审核易遗漏 “发票和业务无关”“金额超准则” 等等问题，2022 年发现不合规报销 1200 笔，涉及金额 80 万元

2.

AI 报销系统功能

：

◦ 智能贴票：员工用手机拍照上传发票，具体来看，AI 自动 OCR 识别并分类（差旅费，业务招待费），生成报销单

◦ 自动审核：① 真伪查验（对接税务平台）。② 合规校验（如 “业务招待费需附‘招待对象，事由’说明”）。③ 关联业务（如 “出差报销需匹配出差申请单”）

◦ 智能审批：AI 根据 “报销金额，落地时，员工级别” 自动分配审批人（如 “金额超 1 万元需财务总监审批”），审批进度实时推送

1.

成效

：2023 年报销平均耗时从 5 天→2 天，落地时，审核效率拉升 60%；不合规报销识别率从 60% 拉升至 95%，每年减少损失 60 万元

五、交流碰头 4：山东高速物流业务财务操作隐患 AI 防控

2.

碰头来由

：山东高速物流业务（如青岛港冷链物流，高速服务区货运站）涉及 “买方租金收取，落地时，物流运输费用报销，供应商货款支付” 三大情境，落地时，当前存在 “冷链租户拖欠租金 3 个月未发现”“运输费用报销附假油费发票” 等等问题

3.

碰头主题

：针对物流业务的 3 个情境，具体来看，往细里说，分别规划 1-2 条 AI 操作隐患防控规则（如 “租金收取情境：AI 每月自动比对‘租户合同租金金额’和‘实际到账金额’，执行层面，就一线经验说，执行层面，执行层面，未到账超 15 天触发预警”）

4.

组织形式

：① 分组碰头（30 分钟），运行层面，执行层面，具体来看，运行层面，换个角度看，每组锁住 1 个情境。② 每组代表分享规则规划（5 分钟 / 组）。③ 讲师点评：补充 “物流运输费用和运单匹配” 规则（如 “AI 提取运单中的‘运输里程’，计算合理油费（按照 10L/100km，具体来看，换个角度看，油价 8 元 / L），超合理范围 10% 预警”）

六、实操上手 3：AI 发票审核抓手运用

5.

上手抓手

：金蝶 AI 发票助手（还原版，预装山东高速还原发票：含真票、假票、重复发票、超准则发票）

6.

上手差事

：

◦ 步骤 1：上传发票图片（如 “业务招待费发票金额 1.2 万元，未附招待申请单”“同一发票号码上传 2 次”“假发票（发票代码不存在）”）

◦ 步骤 2：查看 AI 审核结果，识别 “不合规类型（未附申请单、重复报销、假票）” 以及原因说明

◦ 步骤 3：针对 “未附申请单” 的发票，补充上传申请单后，重新提交审核，观察 AI 是否借助

1.

结晶检验

：参训者需准确识别所有不合规发票，讲师解说 “AI 识别假票的核心推演（如‘发票代码校验位算法’）”

第一天收束和答疑

2.

核心学识点回顾

：

◦ AI 在财务方略规划中的 “资料清洗 - 趋势预测 - 零基预算” 运用

◦ AI 资金管控的 “实时监控 - 动态调配 - 流动性预警” 架构

◦ AI 财务隐患管控的 “信用评核 - 发票审核 - 费用报销” 抓手

1.

参训者问题答疑

：针对 “AI 模型参数调整”“山东高速现有系统和 AI 抓手对接” 等等问题解答

2.

预习差事

：① 弄懂山东高速集团现有合规管控流程（如合同审核，在实际应用里，实操中，法律隐患防控）；② 思索 “AI 怎样破解合规管控中的‘人工遗漏隐患’问题”

第二天：AI 驱动的建筑公司合规管控和廉洁自律（锁住 “合规，廉洁，落地”）

模块五：AI 技艺在建筑公司合规管控中的核心运用—— 从 “事后整改” 到 “事前预防”

一，换个角度看，从实践看，就一线经验说，从实践看，学识点 1：AI 在工程合同合规审查中的运用（锁住交通基建合同特性）

3.

交通基建合同合规痛点

：① 合同条款多（EPC 总承包合同超 100 页），换个角度看，财务需重点审核 “付款条件（如‘预付款比例，进度款支付节点’），从实践看，就一线经验说，发票要求（如‘增值税专用发票税率’），违约责任（如‘逾期付款违约金比例’）”，换个角度看，在实际应用里，人工审核易遗漏；② 合同版本多（如 “初稿、修订稿，终稿”），换个角度看，从实践看，从实践看，人工比对修改内容耗时

4.

AI 合同合规审查核心技艺和办法

◦ NLP 条款提取：用 “BERT 预训练模型”（针对法律文本精进），具体来看，自动提取合同中的 “财务相关条款”，运行层面，生成《财务条款摘要表》（含付款比例，换个角度看，发票类型、违约金比例）

◦ 合规比对：① 对接 “山东高速合同合规准则库”（如 “预付款比例不得超过合同总额的 30%”“违约金比例不得超过合同总额的 5%”），往细里说，从实践看，往细里说，AI 自动比对提取的条款和准则，就一线经验说，往细里说，标记不合规项。② 跨版本比对：用 “文本相似度算法（如余弦相似度）”，往细里说，实操中，落地时，自动识别不同版本合同的修改内容（如 “付款节点从‘完成 50% 工程量’改为‘完成 60% 工程量’”）

◦ 隐患等级划分：根据 “不合规影响程度” 划分隐患（高：如 “发票要求为普通发票，不符合集团‘优先要专票’规定，换个角度看，往细里说，影响抵扣。中：如‘违约金比例 4%，从实践看，略高于准则 3%’；低：如‘付款账号错写 1 位数字’”）

二，实操中，实例 1：招商局集团 AI 合同审查效率拉升 87.5%（来源：《中国海商法研究》2023 年第 4 期《AI 赋能港口基建合同合规管控》P55-58）

1.

实例来由

：招商局集团某港口基建项目，从实践看，在实际应用里，落地时，2022 年人工审查 EPC 合同（120 页）需 3 天，在实际应用里，从实践看，重点审核 “港口装置采购付款条件，在实际应用里，安装调试款支付节点”，落地时，曾因遗漏 “发票需备注‘港口基建项目’” 条款，就一线经验说，从实践看，换个角度看，导致 2000 万元发票无法抵扣，损失进项税 113 万元

2.

AI 合同审查施行

：

◦ 准则库搭建：梳理港口基建合同财务合规准则（如 “发票需备注项目名称、预付款≤20%、进度款按照工程量支付”），录入 AI 系统

◦ 审查流程：① 上传合同 PDF，执行层面，换个角度看，在实际应用里，落地时，AI 用 NLP 提取 “付款条件：预付款 30%（超准则 10%），发票类型：专票（符合），违约金：3%（符合）”。② 标记 “预付款比例超准则” 为高隐患，实操中，执行层面，生成《合规审查报告》，往细里说，附修改建议（“将预付款降至 20%”）。③ 跨版本比对：审核修订稿时，执行层面，往细里说，落地时，AI 自动识别 “预付款已改为 20%”，执行层面，确认合规

1.

成效

：合同审查时间从 3 天→4 小时，往细里说，往细里说，往细里说，运行层面，换个角度看，效率拉升 87.5%。2023 年未发生因合同条款遗漏导致的税务损失，执行层面，实操中，运行层面，从实践看，在实际应用里，合规审查准确率从 80% 拉升至 98%

三，运行层面，从实践看，往细里说，在实际应用里，就一线经验说，落地时，实例 2：万科集团基建板块 AI 合同管控（来源：《中国房地产》2023 年第 28 期《AI 在房地产以及基建合规管控中的实践》P42-45）

2.

实例来由

：万科集团承接某业界园基建项目，涉及 15 份分包合同（如土建、绿化、弱电），2022 年人工管控存在 “合同到期未及时续签”“付款节点和合同约定不符” 问题，导致 1 份绿化合同到期后仍继续施工，产生额外费用 50 万元

3.

AI 合同管控系统功能

：

◦ 智能归档：AI 自动分类合同（按照 “分包类型、金额、有效期”），对接 ERP 系统，关联项目付款规划

◦ 到期预警：AI 计算合同 “有效期剩余时间”，提前 30 天推送续签提醒（如 “弱电合同 2023 年 12 月到期，11 月推送提醒”）

◦ 付款匹配：AI 提取合同中的 “付款节点（如‘完成弱电布线支付 60%’）”，和 ERP 中的付款申请比对，不符合则触发预警（如 “申请支付 70%，超合同约定 10%”）

1.

成效

：2023 年合同到期漏签率从 15% 降至 0。付款和合同不符率从 10% 降至 1%，减少损失 80 万元

四，执行层面，学识点 2：资料隐私和财务资讯 AI 防护（适配山东高速 “敏感资料多” 特点）

2.

山东高速敏感财务资料类型

：① 项目资金资料（如 “济南 - 泰安高速项目融资方案”）；② 买方资料（如物流买方租金支付记录、高速公路 ETC 用户资讯）；③ 税务资料（如增值税申报资料、进项税抵扣明细）

3.

AI 资料安全防护技艺和办法

◦ 资料加密：采用 “联邦研习 + 同态加密” 技艺，实操中，落地时，达成 “资料可用不可见”（如 “集团总部和分公司共享资料时，就一线经验说，就一线经验说，无需传输原始资料，执行层面，具体来看，仅传输加密后的模型参数”）

◦ 智能访问将控：① 基于定位的权限管控（如 “核算岗仅可查看本项目成本资料，资金岗可查看全集团资金余额”）；② AI 行为识别：研习用户正常操作习惯（如 “财务总监一般在事务日 9-18 点访问系统，异地登录则触发验证”），异常行为（如 “连续 5 次输错密码，往细里说，下载大量资料”）自动锁定账户

◦ 资料泄露预警：用 “AI 资料泄露检测系统”，从实践看，就一线经验说，监控 “邮件发送，U 盘拷贝，截图” 等等行为，具体来看，识别 “发送含‘项目融资方案’的邮件至外部邮箱” 等等隐患，落地时，往细里说，具体来看，实时预警

五、实例：浙江交投 AI 资料安全防护系统（来源：《资讯安全和技艺》2024 年第 1 期《交通基建公司财务资料 AI 防护实践》P31-34）

1.

实例来由

：浙江交投 2022 年发生 1 起 “财务人员将某铁路项目成本资料拷贝至 U 盘，泄露给竞争对手” 经过，导致项目投标报价被压制，损失中标机会（预计收益 5000 万元）

2.

AI 资料安全系统施行

：

◦ 资料分类分级：将财务资料分为 “核心（如融资方案、成本底线）、要害（如项目预算）、一般（如日常报销资料）” 三级，核心资料加密存储

◦ 访问将控：① 核心资料仅 “财务总监、项目负责人” 可访问，并且需 “人脸识别 + 密码” 双重验证；② AI 监控发现 “某财务人员尝试下载核心资料”，系统自动弹窗提醒 “该操作需财务总监审批”，并推送审批请求

◦ 泄露预警：2023 年某员工试图借助邮件发送 “核心成本资料” 至外部邮箱，AI 识别邮件附件中的敏感资讯，立即拦截邮件，并通知资讯安全部门，防止资料泄露

1.

成效

：2023 年未发生资料泄露经过，具体来看，核心资料访问合规率从 85% 拉升至 100%，落地时，员工资料安全意识拉升（安全培训考核借助率从 70% 拉升至 95%）

六、交流碰头 5：山东高速敏感财务资料 AI 防护打法

2.

碰头来由

：山东高速涉及 “智慧高速建设专项补贴资料（核心），运行层面，高速公路收费资料（要害），员工日常报销资料（一般）” 三类资料，执行层面，在实际应用里，当前存在 “某分公司财务人员可查看其他分公司收费资料”“U 盘拷贝资料无限制” 等等问题

3.

碰头主题

：① 怎样用 AI 智能访问将控，在实际应用里，换个角度看，往细里说，从实践看，划分三类资料的访问权限？② 针对 “补贴资料泄露” 隐患，就一线经验说，执行层面，规划 AI 泄露预警规则（如 “禁止借助微信传输补贴资料”）

4.

组织形式

：① 分组碰头（45 分钟），往细里说，运行层面，实操中，从实践看，具体来看，每组提交《资料安全防护方案》。② 每组代表解说（10 分钟 / 组）；③ 讲师点评：结合浙江交投实例，补充 “资料脱敏” 办法（如 “展示收费资料时，具体来看，执行层面，隐藏用户完整车牌号（显示‘鲁 A****5’）”）

七、实操上手 4：AI 合同合规审查还原

5.

上手抓手

：钉钉 AI 合规助手（还原版，预装山东高速某 EPC 总承包合同还原文本，含 3 处财务不合规项：① 预付款比例 35%（超准则 30%）。② 发票要求为普通发票（集团要求专票）；③ 违约金比例 6%（超准则 5%））

6.

上手差事

：

◦ 步骤 1：上传合同文本，具体来看，启动 AI 审查，就一线经验说，查看《财务条款摘要表》，就一线经验说，确认 AI 是否提取出 “预付款，执行层面，发票、违约金” 条款

◦ 步骤 2：查看合规比对结果，识别 3 处不合规项，领会 AI 标注的 “不合规原因（如‘预付款 35%> 准则 30%’）”

◦ 步骤 3：根据 AI 建议（如 “将预付款降至 30%，发票改为专票”），修改合同文本，执行层面，重新提交审核，确认合规

1.

结晶检验

：参训者需准确识别所有不合规项，实操中，在实际应用里，并完成修改，讲师解说 “AI 提取合同条款的 NLP 模型精进办法（如‘训练时加入交通基建合同语料’）”

模块六：AI 和建筑公司法律隐患管控—— 财务视角的 “法律隐患防控”

一、学识点 1：AI 在财务相关法律隐患识别中的运用

2.

交通基建财务法律隐患情境

：① 工程合同纠纷（如 “施工方未按照约定进度完工，拒绝承担违约金”）。② 征地拆迁补偿纠纷（如 “农户对补偿金额不满，具体来看，提起诉讼，就一线经验说，影响项目进度”）。③ 税务法律隐患（如 “高速服务区租赁收入未足额申报增值税，面临罚款”）

3.

AI 法律隐患识别核心办法 ——“多源资料整合 + 隐患匹配”

◦ 资料来源：① 内部资料（合同文本、付款记录、诉讼案件记录）；② 外部资料（司法实例库（中国裁判文书网）、税收政策库，地方征地补偿准则）

◦ 隐患识别流程：

▪ 步骤 1：用 NLP 技艺提取 “合同中的争议条款（如‘进度约定模糊’）、付款记录中的‘逾期支付’、外部司法实例中的‘同类项目纠纷点（如‘征地补偿准则适用错误’）’”

▪ 步骤 2：将提取的资讯和 “山东高速法律隐患库”（含 “隐患类型、触发条件、化解措施”）匹配，识别潜在隐患（如 “合同中‘进度款支付以‘甲方验收为准’，未明晰验收准则，匹配‘进度纠纷隐患’”）

▪ 步骤 3：生成《法律隐患识别报告》，标注隐患等级（高 / 中 / 低）

二，实操中，从实践看，执行层面，实例：某地产集团 AI 预防地铁项目征地补偿纠纷（来源：《法律适用》2023 年第 18 期《AI 在基建项目法律隐患防控中的运用》P62-65）

1.

实例来由

：某地产集团 2022 年承接某地铁项目，运行层面，换个角度看，往细里说，就一线经验说，从实践看，运行层面，因 “征地补偿准则适用错误（按照 2020 年准则，往细里说，就一线经验说，运行层面，具体来看，实际应按照 2022 年新准则）”，往细里说，在实际应用里，往细里说，往细里说，换个角度看，导致 10 户农户提起诉讼，落地时，落地时，项目停工 2 个月，从实践看，在实际应用里，换个角度看，换个角度看，损失工期成本 1000 万元

2.

AI 法律隐患识别施行

：

◦ 资料对接：AI 系统对接 “地方政府征地补偿准则库（实时更新）、项目征地补偿协议、农户反馈记录”

◦ 隐患识别：2023 年某地铁延伸线项目，AI 提取 “补偿协议中的‘按照 2022 年准则’”，实操中，运行层面，但比对地方库发现 “2023 年 3 月该准则已更新，补偿金额拉升 15%”，立即标记 “补偿准则适用错误” 隐患（高等级）

◦ 化解建议：AI 推荐 “重新核算补偿金额，补付差额（每户平均补付 2 万元）”，运行层面，并生成《补付通知书》模板

1.

成效

：2023 年未发生征地补偿诉讼，项目停工率从 5% 降至 0，节省工期成本 800 万元

三，执行层面，从实践看，学识点 2：AI 驱动的法律合规报告自动化生成

2.

传统合规报告痛点

：山东高速传统年度法律合规报告需 “财务 + 法务” 联合编制，耗时 15 天，实操中，需整合 “合同合规率、诉讼案件数量、税务申报合规率” 等等 20 余项指标，人工统计易出错，实操中，就一线经验说，在实际应用里，报告格式不统一

3.

AI 合规报告生成流程和办法

◦ 资料采集：AI 自动从 “合同管控系统（提取合规率），在实际应用里，诉讼管控系统（提取案件数量）、税务系统（提取申报合规率）” 采集资料，运行层面，实操中，就一线经验说，就一线经验说，无需人工录入

◦ 隐患拆解：AI 计算 “各隐患指标得分（如‘合同合规率 95% 得 95 分，就一线经验说，实操中，往细里说，就一线经验说，在实际应用里，具体来看，诉讼案件同比下降 10% 得 90 分’）”，实操中，换个角度看，生成隐患热力图（红色：高隐患指标，在实际应用里，绿色：低隐患指标）

◦ 报告生成：① 自动匹配山东高速报告模板（含 “引言，隐患指标拆解，实操中，实操中，问题收束、改进建议”）。② 用 NLP 生成 “问题收束”（如 “2023 年合同合规率 95%，换个角度看，执行层面，主要问题为‘预付款比例超准则’，共 5 份合同”）。③ AI 校验报告完整性（如 “是否遗漏‘税务合规’章节”）

◦ 报告精进：支持人工修改，落地时，在实际应用里，AI 自动调整格式，生成 PDF/Word 版本

四、实例：中国建筑集团 AI 合规报告效率拉升 87%（来源：中国建筑官网《数智化合规管控结晶》2023 年 11 月 20 日）

1.

传统报告问题

：中国建筑 2022 年编制年度法律合规报告，需财务、法务各 3 人，耗时 15 天；人工统计 “各子公司合同合规率” 时，因资料口径不统一（如 “部分子公司将‘修订后合规’计入合规率，部分不计”），导致报告误差率 5%

2.

AI 报告系统功能

：

◦ 资料准则化：AI 统一 “合同合规率” 计算口径（“仅终稿合规计入，修订后合规不计”），自动校准各子公司资料

◦ 自动拆解：① 计算 “集团整体合规率 92%，较上年拉升 3%”；② 识别 “预付款比例超准则” 为主要问题（涉及 12 份合同，金额 8 亿元）；③ 对比业界标杆（如中铁建合规率 95%），找出差距

◦ 建议生成：AI 基于 “问题类型” 推荐改进措施（如 “针对预付款问题，精进合同模板，将预付款比例默认设为 20%”）

1.

成效

：报告生成时间从 15 天→2 天，效率拉升 87%；误差率从 5% 降至 0.5%；

老师简介

Introduction to lecturers

弄懂更多

博闻智咨询|赵春国老师