这一单到底赚了多少？零售财务开始用 AI 盯账
顾客线上买、店里取、跨店退，一笔买卖在账上却拆成好几条。Databricks 的 Genie 被写成财务的 AI 帮手：先问清这一单到底赚了多少，再盯被套的钱和该不该打折。
材料来自 Databricks 官方博客与联合利华公开案例。文中金额、用户规模与行业预测均沿用原文表述；利润瀑布里的数字仅作讲解示意，方便对照概念，并非某一门店实账。
痛点：顾客买得越爽，财务账越难算
先忘掉产品名。这篇文章先讲一件事：现在买东西的路径太杂，一笔买卖的钱会在半路悄悄少一截。报表还在汇总，现场又变了。
举个最常见的例子：
你在手机 App 下单买了一件外套，选「附近门店发货，今晚到」。三天后你觉得不合身，退回了另一家门店。对你来说，这就是「买了又退」。对公司账房来说，至少要拆成三笔麻烦：
用手点：一件货，账面利润怎么一层层变少
点下面四步。数字是示意，帮你看「计划赚很多 → 实际剩更少」是怎么发生的。
表格里写：这件外套计划能贡献 $40。这时候货还没出门，也没人退，是「理想账」。
实际从门店发出去，拣货、占库存更贵，到手只剩 $29。少的那截，就是「看不见的发货成本」。
顾客退货，钱要退、货要处理，利润再被冲到 $19。若退货记在另一条渠道账上，网店报表还可能仍显示「卖得不错」。
口袋里真正留下 $19。若财务只看「计划 $40」或「网店卖得欢」，就会误判。Genie 要先帮人回答：扣完发货和退货，每个渠道、每类货，到底赚了多少？
破局：找个 AI「财务搭子」，别再只堆一张表
Databricks 的答案叫 Genie：一个数据智能 AI 助手，定位是财务能用大白话问、敢拿结论去推动动作的「同事」，不是只会刷图的看板。
传统数据看板
生硬展示「数据说了什么」。指标定义常静态。人要自己拼业务含义，会前准备好的图，讨论一岔就不够用。
Genie 财务搭子
懂人话，也懂业务上下文（ontology / 本体）。回答要溯源、受权限和成本治理约束。准备改价、调拨、守价选项，人拍板。
它为什么强调「懂业务逻辑」
财务从来不怕抠数，怕的是：数是对的，故事是错的。定义、渠道、成本驱动因子一过时，答案可以算得极准，决策却踩空。主文把这叫 ontology：把「这个数在你们公司到底指什么」抓住，并跟着业务变。Databricks CEO Ali Ghodsi 被引为：多数企业 AI 是虚假自信的猜，根子是上下文问题，不是智力问题。
安全这一层主文也写死了：每个数字能追到源、权限生效、AI 自身成本受治理，答案才安全到能行动。Genie 准备 reprice / transfer stock / hold a price，人不让位。
Genie 帮财务盯的「灵魂三问」
不是三个互不相关的 KPI，而是一环喂下一环的赚钱回路：先看清真利润，再把被套现金挪出来，再在需求还在时守住原价。
第一问：扣完履约和退货，到底赚多少？
按渠道、按商品，快递费、店配、退货折旧都扣完，实际利润落在哪？看不清这一层，后面调拨和守价都可能打在错误货品上。
- 对应上面的利润瀑布终点
- 计划加价 ≠ 真留下
- 促销引擎超卖会塞进计划外折扣
第二问：哪些货把现金套牢了？
过量、老化、放错仓的库存，报表上「有货」，钱却动不了。要在货变老、被迫打折之前，把现金解放出来（调拨、停补、清理，由供应链/商品拍板）。
- 真利润热图会标出：哪里贡献差、哪里却在堆货
- 早挪现金，才少走强制 markdown
第三问：原价销售从哪里开始滑坡？
别等卖不动了才打折。需求还旺盛时，用 AI 提早看见滑坡，能不打折就不打折。Genie 可准备 hold / reprice，决定仍在商品与运营。
- 降价令落下时，侵蚀往往已经开始
- Agent 加速定价时，财务更需要「形成中的风险」
闭环：三场仗合成一条赚钱回路
看清真利润 → 找对被套现金 → 守住还撑得住的原价 → 反哺下一轮利润。主文：turns three separate fights into one reinforcing mechanism。Genie 在三问上持续学习；人在回路里点头。
第二问细拆：现金三种「看起来有货」
过量：账上库存好看，周转变慢，钱压在卖不掉的深度里，投不到真正缺货的 SKU。
老化：时间在吃原价。再不动就滑向被迫打折，第三问提前失败。
错位：货在错误仓/店坐着，别处缺货丢销售。动作是调拨，不是再生产。Genie 明确会准备 transfer stock。
实际结果：联合利华把「几天」压成「几分钟」
主文结果段薄，客户页才有可核对的规模与效果。这是「财务搭子」不是口号的旁证。
联合利华财务要管跨 SAP、客户交易与报告的大体量数据。花了多年建集中财务数据湖，接入 30 多个 SAP 源和遗留系统。底座有了，取用却仍靠人工准备、表格拼接。会上带着定稿分析进场，讨论一岔，又是一轮抽数。
“With Genie, we've changed how finance works. What used to take days now takes minutes, and we can explore questions much more freely.”
Cyro Souza · Unilever · 财务用大白话问，几分钟出分析“Validating a single hypothesis could require significant analytical effort… If the initial assumption proved incorrect, teams often needed to restart… With Genie, you can test multiple hypotheses in minutes.”
假说验证：错了几乎重来 → 同场连试多个市场假设“Configuration is the heart of Genie. You need clear definitions and structure, but once that is in place, people can just ask questions and move forward.”
前提：治理数据 + 为财务配好的 Genie space（指标、同义词、业务语境）。不是丢个大模型就会说话。价值变现上，案例把更快、更自由的客户信用风险与市场假设分析，对应到「数百万欧元级」年成本规避预期。信用风险也从周期性复盘，推到更接近持续盯盘。底座解决「有没有统一数」；Genie 解决「讨论现场能不能连续追问」。
边界：Genie 帮盯账，不替人做定价老板
- 不直接做定价、促销、降价决定。这些归商品、营销、供应链、运营。Genie 给准、受治理的视图，早看风险，引导动作负责人。
- 财务使命没变，变的是速度与复杂度。更多毛利相关决策由 Agent 做出；工具要跟得上并接得住治理。
- 本体 + 治理 = 敢拍板的答案。含义正确，且溯源、权限、AI 成本可控。
- 配置是心脏。联合利华：定义和结构不到位，对话分析站不住。
这一单到底赚多少？AI 帮零售财务把账对上
零售财务团队用 Databricks 的 Genie 盯真利润、被套现金和原价销售，一页带图讲完。
↓ 一页读完 · 有一张会动的图
一件外套线上下单选门店就近发货，顾客三天后退到了另一家店。对财务账要过三关：发货比大仓贵、退货可能记在别的渠道、价格有时被系统自动调过，钱在这几关悄悄漏一截，等月报出来才发现。
Databricks 把这套盯账工具叫 Genie，一个用大白话问的 AI 助手，定位是财务同事。同一个毛利率数字，验算无误只是准确，挂回渠道、需求、服务成本才算正确，这条边界，Genie 要补上。
把「数据说了什么」摆出来，指标定义常年不更新，人要自己拼业务含义，会上一追问就接不住。
听得懂人话，也懂哪个数字挂哪个渠道、哪笔成本，回答能追溯来源、受权限管住；调价调拨这类动作只是准备好选项，人拍板。
Genie 帮财务追的是一条环环相扣的赚钱回路：先看清这一单真赚多少，再把被套住的库存现金挪出来，再赶在需求还在时守住原价。
Databricks 博客里结果说得少，数字大多来自联合利华公开案例。联合利华财务早前接了 30 多个 SAP 数据源建好数据湖，但取数仍要人工拼表，一追问就得重新抽数；接上 Genie 后，现场能连续问下去。
Genie 盯账、准备好调价调拨的选项，拍板这件事还是人来做。
✔ 揪出把现金套住的库存
✔ 提前看到原价销售开始滑坡
退到了离公司更近的另一家店
- × 门店发货，比大仓贵一截
- × 退货记到了另一家店头上
- × 价格被系统自动调过一轮
联合利华预期年省 ≈€300万