ERP 数据需求清单 × 数据影响逻辑 × 混合预测模型全景图
输入：已确认订单 + 已开立发票 + 已到期应付 + 工资计划 + 贷款还款计划
大模型作用：识别发票→回款的实际时间模式，预测客户真实付款日期而非合同到期日
输入：销售预测 + 采购计划 + 生产计划 + 预算数据 + 合同收款计划
模型作用：融合历史季节性、业务增长趋势、客户行为变化进行多变量预测
输入：年度预算 + 战略计划 + 宏观经济指标 + 行业趋势
大模型作用：生成多情景假设（乐观/基准/悲观），识别关键风险驱动因素
解析合同付款条款中的"月结60天""验收后付30%"等非结构化文本，转化为精确时点与金额比例
结合业务上下文提出可能的偏差原因与待验证假设，避免把相关性直接当成因果关系
当预测偏差超阈值时，自动生成归因分析（如"偏差主要来自A客户逾期，建议催收"）
接受自然语言指令（"如果原材料涨价10%会怎样"），自动调整多变量并输出新预测
检索企业制度、行业研究与历史案例，为冷启动阶段提供可追溯的参考依据
自动输出自然语言预测报告，包含逻辑说明、关键假设、风险提示，降低财务团队使用门槛
ERP 只记录"企业内部发生了什么"，不记录"客户行业是否下行"。大模型需要外部数据（PMI、客户财报、舆情）才能判断客户付款能力是否恶化。
"下个月要签一个大单""某供应商可能涨价"——这些信息在邮件、会议纪要里，ERP 没有。大模型的优势正是理解这类文本，但前提是你要把文本喂给它。
ERP 记录"客户A在到期后第10天付款"，但不记录"为什么延迟"（资金紧张？还是流程慢？）。需要补充"客户付款原因标签"才能更准确预测。
银行流水、客户回款信息存在 T+1 甚至更长的延迟。短期预测需要当日数据，否则期初现金基准就是"盲猜"。
很多企业有 ERP 外的 Excel 付款计划、口头约定的延期付款——这些是预测的"暗物质"，必须人工录入或结构化后才能纳入模型。
仅依靠 ERP 可以建立第一版预测基线，但不能预先承诺固定准确率。实际效果取决于数据完整性、业务波动、预测周期和评价口径，应通过滚动回测确定。建议优先补充：
① 外部宏观数据（利率、PMI、行业指数）
② 客户行为标签（付款习惯、信用变化、延迟原因）
③ 实时银行 API 连接（消除 T+1 延迟）
④ 非结构化业务信息（合同条款、会议纪要中的重大事项）
⑤ 预算与专项计划（融资、税务、资本开支与重大项目）
| 数据项 | 关键字段 |
|---|---|
| 销售订单（SO）明细 | 订单金额、客户、交货日期、付款条款 |
| 应收账款账龄表 | 发票号、开票日、到期日、已收金额、逾期天数 |
| 客户回款历史 | 客户ID、回款日期、金额、方式 |
| 客户信用评级 | 授信额度、信用等级、历史逾期次数 |
| 销售退货/折扣 | 退货金额、折扣率、发生时间 |
| 合同收款计划 | 分期收款合同的各期金额与时间节点 |
| 数据项 | 关键字段 |
|---|---|
| 采购订单（PO）明细 | 供应商、金额、交货期、付款条款 |
| 应付账款账龄表 | 发票日期、到期日、已付金额 |
| 供应商付款历史 | 实际付款日 vs 到期日，提前/延期记录 |
| 采购退货/索赔 | 退货金额、索赔状态、预计到账时间 |
| 合同付款计划 | 分期付款合同的各期金额与时间节点 |
| 原材料价格波动 | 品类、价格、时间序列（如有集成） |
| 数据项 | 关键字段 |
|---|---|
| 库存余额与周转 | 原材料、在制品、产成品金额与数量 |
| MRP/生产工单 | 物料需求、开工/完工日期、进度 |
| 安全库存设置 | 补货触发点、再订货量、提前期 |
| 呆滞库存/减值 | 呆滞品金额、减值准备、处理计划 |
| 仓储物流费用 | 发生金额、结算周期、付款状态 |
| 数据项 | 关键字段 |
|---|---|
| 员工花名册与薪酬 | 基本工资、津贴、发放周期 |
| 社保公积金 | 缴纳基数、比例、申报周期 |
| 奖金/绩效计划 | 发放月份、金额、考核结果 |
| 费用报销历史 | 部门、费用类型、金额、审批周期 |
| 固定费用清单 | 租金、折旧、摊销、合同期限 |
| 数据项 | 关键字段 |
|---|---|
| 银行账户余额 | 各账户实时/日终余额 |
| 银行流水明细 | 收付款方、金额、时间、用途 |
| 银行授信额度 | 总额度、已用额度、可用额度 |
| 贷款合同 | 本金、利率、还款计划、剩余期限 |
| 票据到期记录 | 银票/商票金额、开立日、到期日 |
| 外汇头寸 | 外币余额、汇率、折算损益 |
| 理财/投资到期 | 产品金额、到期日、预计收益 |
| 数据项 | 关键字段 |
|---|---|
| 增值税进销项 | 销项税额、进项税额、申报周期 |
| 企业所得税 | 预缴金额、汇算清缴时间、补缴/退税 |
| 其他税费 | 印花税、附加税等发生记录 |
| 政府补贴/退税 | 金额、申请状态、历史到账周期 |
| 资本支出（CAPEX） | 预算金额、执行进度、付款节点 |
| 股利分配 | 决议金额、支付日期、股东名册 |
| 关联公司往来 | 往来款金额、计划收付日期 |
销售、采购、库存、资金、税务等 ERP 数据，与银行流水、合同、预算和重大事项统一映射；完成主数据对齐、缺失检查、异常标记和现金流口径转换，并保留来源与更新时间。
确定性基线：按已确认收付款计划逐笔推算。
统计与机器学习：预测回款概率、季节性和业务驱动变化。
概率模拟：对长期不确定性生成区间与多情景结果。模型通过滚动回测选择，不预设必须使用某一种算法。
大模型解析合同付款条款和重大事项，调用经验证的预测工具，理解自然语言情景假设，并基于可追溯数据生成偏差归因和管理报告。关键假设、异常调整与高风险建议保留人工复核。
展示现金余额趋势、收支构成、资金缺口和置信区间；支持自然语言情景模拟与分级预警；实际数据回流后持续计算 WAPE、偏差方向和预警命中率，形成可审计的改进闭环。
Phase 1（第 1–2 周）：数据审计。拉出过去24个月ERP数据，检查缺失率。重点关注客户回款历史完整性、应付实际付款日期记录、银行流水对接可行性。
Phase 2（第 3–4 周）：建立基准。用现有ERP数据跑最简单的预测（已开票应收按历史平均回款天数推算），算出当前人工预测误差，作为AI模型对比基准。
Phase 3（第 5–8 周）：引入大模型。先用于合同付款条款解析、重大事项结构化、偏差归因报告和自然语言情景分析。
Phase 4（第 9–12 周）：补齐缺口。按回测结果决定是否接入银行实时接口、外部变量和客户行为标签，并用稳定的评价指标持续验证改进。