BI化身为PPT
——售价百万的投资尽调报告
作品概览
一、企业背景与业务目标
1.1 企业背景与业务目标
大家好，我们来自四大的咨询公司，部门核心业务是财务尽职调查（FDD）与信息科技尽调（ITDD）。私募股权基金在做数亿元投资交易决策前，会委托我们核查目标公司的经营质量、收入真实性、增长健康度等。投资人是我们的客户，一份尽职调查报告就是我们卖给投资人的产品。
本次尽调的对象是一家专注 AI 图像与视频生成的多模态 AIGC 平台（以下称“目标集团”），其主站覆盖生图、视频、AI 角色、小程序等功能，收入主要来自海外 C 端用户订阅和算力消耗。
尽调场景在我们部门的定位很明确：在有限时间内，产出一份数据算得准、分析到位的尽调报告。本项目的具体量化目标是在 3 周内交稿并汇报，报告里的每一个数字都要经得起推敲、可追溯到原始数据，分析要能直接回答投资人在会上的几个问题：增长是不是真的、能不能持续、有什么坑、值多少钱。
1.2 业务现状与差距
目标集团处于高速扩张期：月度订单金额从 2023 年 8 月的 60 万元涨到 2025 年 10 月的 2,474 万元（具体数值已脱敏），两年增长逾 40 倍；累计访问用户 1.73 亿人，注册用户 4,882 万人。目标集团商业化简明流程图：
但对于尽调工作，摆在我们面前的是目标集团 Hive 数仓里面 1.73 亿条的用户清单和 143.8 万行的订单明细，再加上埋点行为、收入成本、资产负债等几套数据。这样的体量，财务尽调人员传统使用的 Excel 已经处理不了了——根本无法打开，更别说做透视、下钻、交叉验证。传统做法只能靠抽样，但抽样越细，越容易漏掉关键异常，而恰恰是那些少数但致命的异常决定了投资风险。
1.3 工具定位与价值
本作品全程在 FineBI Next 平台上完成，不用写代码（除额外的 AI 预测算法使用 Python 进行自主开发）。相比传统的 Excel 处理数据加 PPT 写报告的方式，FineBI Next 把数据清洗、建模、画图、写报告合成了一条流水线：数据在里面处理，图表在里面生成，报告在里面产出。数字和图表始终连在一起，当发现问题后修改数据，后面的图和分析跟着变，不用再反复手动搬运，也不会再出现改完数前后对不上的情况了。因此，本作品将传统尽调项目交付方式的 Excel 数据底稿 + PDF 版图文报告+ PPT 版现场汇报，改为了 FineBI Next 的分析表 + 故事板 + 仪表板的输出方式。
二、业务痛点
2.1 人少时间紧，靠堆工时硬扛
一份尽调报告通常只有 2-3 周时间，受人力成本限制（高达1万元/人天），每个项目往往仅 3-4 人。赶项目的时候，团队经常加班到晚上 11 点以后，甚至到后半夜2点。本AI平台项目有数亿的用户数据，光是把数据理顺、算出指标、画出图表，就要耗掉大半时间。本项目体量压着，赶工期就很难分析得精细，只能靠堆时长硬扛，能算到什么程度全看命，时间和质量很难兼顾。
2.2 分析麻烦：数据到底是不是真的
尽调最有价值的不是把数算出来，而是回答一个反常识的问题——这些数据是真的吗？月收入 2 年 40 倍的涨幅，看着漂亮，但有没有虚假用户、异常订单、数据造假的信号？烧钱速度能撑多久？管理层讲的故事到底靠不靠谱？这些问题靠手工翻 Excel 几乎没法回答，抽样又容易漏，就得全量精细分析。
2.3 数据量大，Excel 处理不了，又不会写 SQL
Excel 存储数据有约 100 万的行数上限，超级表功能也不可能处理亿级用户数据，做一次全量筛选、算一个留存率，都是无法处理的。财务尽调人员不会写 SQL，无法在 Hive 数仓中直接计算，目标集团直接提供结果数据又无法判断是否人为篡改。传统做法只能缩水成抽样，而抽样就意味着漏检。FineBI 天然面向大数据量，直连数仓后 1.73 亿条的用户数据轻松处理，全量跑、全量验，这是它最实在的优势。
2.4 其他 AI 工具数据黑盒，结果不敢用
因为工期赶，我们也尝试过其他很多 AI 工具提升工作效果，但它们处理数据最大的痛点是：你给它一份数据，它直接吐出一份 Excel 结果，但是中间是怎么算的、用了什么口径，完全看不到。做尽调或审计的人最怕这个——结论是要写进报告、要担责任的，一个无法溯源的数字，再像真的也不敢交出去。
FineBI 的数据处理方式给出了最佳解决方案：它的数据处理像一条看得见的流水线，每一步工序（筛选、合并、函数、分组）都清清楚楚列在面板上，所有运算节点均可检查、修改。人类就当质检员，一道工序一道工序地核对，确认没问题了，结果就可以交付了。
2.5 其他 AI 工具画图不好看，或者不能改
另一类 AI 工具画出来的图，要么丑，要么是一次性的——生成完想微调个颜色、改个坐标轴，改不了。FineBI 的图表既好看，又能随时调、随时改，配色、格式、维度都能自己掌控，AI 不可能一次性直接做出完全令人满意的报告，人工调整在实际工作中非常关键。
三、核心方案
3.1 数据获取与处理
第一步是把原料整理清楚，分三大类数据——用户数据、订单数据和财务数据。考虑到比赛数据脱敏的原因，本作品比赛版本的数据均采用 Excel 上传的方式，其中用户数据和财务数据以处理后的结果上传，订单数据以 143.8 万行的原始明细上传，以此展示 FineBI Next 分析表的数据处理效果。
对 143.8 万行的订单明细，先让 AI 做数据结构梳理和字段计算：提取年月、日号，区分新增付费和留存付费、订阅和算力包，把国家 ISO 代码映射成中文名（覆盖约 200 个国家和地区）。这些数据清洗、关联、字段派生，全部在 FineBI 里用可见的步骤完成，每一步都可核对。以下列举部分数据处理过程：
|
・数据表左右合并：用于计算用户首单时间，来制作用户复购Cohort。
|
・分类聚合汇总：用于按照年月、金额分层、频次分层等维度聚合数据。
|
|
・字段分类赋值：用于划分产品类型。
|
・字段条件赋值：用于划分订单金额分层。
|
|
・行间排名：用于按照金额降序查看TOP订单。
|
・行间占比：用于把各国订单金额绝对值转化成比例。
|
|
・行间累计值：行间计算、排序、求和等，用于帕累托图的制作。
|
・自定义计算：进行自定义的指标计算，包括条件判断、字符串处理等。
|
3.2 指标体系构建与可视化
指标体系的搭建按业务 + 财务两条主线展开，再以"北极星指标 → 增长驱动拆解 → 风险穿透"三层架构逐一分析，最终构成覆盖 12 个分析章节的完整报告。
业务分析线：
- 用户规模与转化：累计访问 1.73 亿到注册 4,882 万到付费 30.4 万，注册到付费转化率 0.6%；按月看注册转化、付费转化趋势，按产品看 AI 应用场景之间的转化。
- 用户行为细分：区分用户的访问、浏览、功能使用、算力消耗等活跃行为，以及生图、AI视频制作等应用场景，验证用户中有没有“僵尸粉”、“机器粉”。
- 增长驱动拆解：按新增 vs 留存、订阅 vs 算力包、自然量 vs 买量、日本/美国/巴西 Top 3 国家四个维度拆解收入来源。
- 留存与复购：注册用户次月留存约 10%，付费用户次月留存约 63%；再分析订阅续费率、算力包复购率、年卡复购率。
财务分析线：
- 收入结构：订阅 vs 非订阅收入结构、产品金额占比、收入增长走向。
- 成本与利润：服务器成本、API 调用成本、结算渠道费，把毛利从负转到再下滑的原因拆出来。
- 净现金与烧钱：月均经营净流出、货币资金余额、可支撑月数。
- 盈利质量与净资产：按权责发生制模拟调整后的真实利润、资产负债表、现金流量表。
3.3 多维归因下钻与联动分析
发现问题后，沿维度逐层下钻，定位到根因：
问题示例一：为什么买量付费转化远低于自然量？买量注册转化 36% 高于自然量 20%，但付费转化 0.3% 只有自然量 1.1% 的三分之一。下钻发现买量浏览型用户占比高、次日留存只有自然量一半——买量引入的用户量大于质，浏览即走、不留存、不付费。
问题示例二：为什么毛利率由负转正后又下滑？24 年靠减少免费算力、优化成本转正，25 年视频模型 API 成本激增、叠加年卡折扣促销，毛利又被压下来。下钻看，可灵/华为云的预充值按充值额而非实际消耗确认，成本可能被高估。
整个下钻过程靠数据联动支撑，不是看一张张孤立的图。
- 国家维度——在图表上点选日本、美国、巴西，整版数据就切到对应国家数据：
↓↓↓
↓↓↓
↓↓↓
- 时间维度——按年月点选，就展示当月的数据。点一下，相关图表联动更新，一层层剥到根因：
↓↓↓
3.4 异常识别与预警
投资决策者不需要看全量数据，只需要看哪里出事了。本作品把可疑点主动筛出来：
- 账户集中度：Top 20 账户累计付费最高 19.4 万元、占总额不到 2%，排除大客户自充值。
- 异常价格：极端低价/高价订单仅零星，未发现系统性定价异常。
- 月末冲量：订阅单月末占比 15-20%，与自然日期占比（约 23%）相当，未发现异常。
- 订单时间分布：发现 25 年 9 月起各国凌晨 3 点 15 分订单集中，验证后是订阅续费扣款策略调整所致，剔除订阅单即恢复，属合理。
- 估值纠偏：测算后的模拟调整直接改变投资人对目标集团的估值基准：
- 收入修正：按权责发生制调整后，25 年 1-10 月收入约 1.37 亿，比管理层口径的订单金额 1.68 亿少 18%。
- 亏损修正：调整后 23 年由正转负，25 年 1-10 月净亏损 12,270 万，直接影响 PE 估值，建议估值重点考虑用户数据。
- 风险量化：社保少缴敞口约 1,924 万、AI 短剧无版权播放敞口，全部给出示意金额。
3.5 AI 算法预测业务前景
财报等数据主要是对历史数据的统计，而我们的客户投资人更关心目标集团的未来发展前景。未来用户留存率、未来用户 LTV、未来收入利润等都会影响投资估值，所以本作品还使用 Python 自主开发了 AI 算法来预测未来：
- 预测留存率：为每位用户打上 1,000 多个行为标签，用 XGBoost 算法做二分类预测每个用户是否付费留存及留存概率，再汇总成整体留存率。这比直接预测整体留存水平精细得多，预测值与实际值非常接近。
- 预测 LTV：用回归算法逐用户预测流失前的收入贡献，再汇总成整体 LTV，而不是用整体客单价匡算 LTV。
- 预测未来收入：用深度学习长短时记忆神经网络（LSTM）算法对历史收入时序建模，预测未来收入走势，取对数后预测值与实际值几乎没有偏差。
|
1. 用户留存预测代码截取
|
2. LTV 预测代码截取
|
3. 财务预测代码截取
|
|
|
|
|
↓↓↓
本作品借助 AI Agent 做 AIGC 公司的尽调报告，分析中还用了 AI 预测算法，算是三重 AI 呈现。
3.6 撰写价值百万的尽调报告
分析的最终交付物，是一份 12 章、50 页“PPT”、350+ 图表、近 2 万字的尽调报告。采用 PPT 风格但超越 PPT 效果，图表呈现更高级，有下钻、联动的交互功能，转场特效更丝滑。内容覆盖全面且有深度，章节包括背景概览、用户规模与行为、自然量与买量、重点国家、产品收入、成本与利润、净现金与烧钱、关联交易与模拟调整、盈利质量与预测、净资产与现金流、数据验真，以及核心发现。总结性的 14 个核心发现用“维度-主要发现-建议事项-风险等级”四级呈现，重点风险一目了然。
3.7 决策动作与闭环，沉淀 Skill
分析结论直接嵌入投资决策，并把这一整套方法以 Skill 沉淀下来复用：
- 核心发现驱动估值调整：14 条发现中 5 条高风险，把模拟调整后的真实净亏损修正进估值模型，直接影响交易对价，如果风险过大则直接终止投资。
- 待核实事项转谈判清单：25 条待核实事项覆盖收入、成本、人工、烧钱、内控，可直接转成股权协议里的陈述保证条款。
- 沉淀 Skill：完整分析流程可以存成尽调报告模板——人工改过文字、配色、评级之后，一键存成一个 Skill。这个 Skill 把 12 章分析框架、指标体系、验真规则、配色和数字格式都固化了，下次换一个项目，只改数据源和时间范围就能复用。尤其同目标集团的多期尽调，二期及以后几乎无需人工投入，Skill 便可复用。
3.8 作品链接
https://next.finebi.com/decision/application/6748d7b7fbe04bf5996310b1ddc8d8
作品包含：
某多模态 AI 创作平台尽调报告Word版（故事板）
某多模态 AI 创作平台尽调报告PPT版（仪表板）
四、价值量化
4.1 直接业务价值——售卖报告
高质量的报告是咨询公司的核心产品，一份尽调报告通常卖数十万到上百万元。本尽调项目按人天收费，平均 1 万元/人天，4 人 3 周合计 60 万元，且同时卖给了 3 家投资机构，合计收入超过 100 万元。该项目后续做了多期，分别售卖给了国内多家私募股权投资机构和头部互联网公司。
这种同类咨询报告的复用价值更加显著。因为分析框架被沉淀成了模板，在不降低分析深度的前提下，可将报告产出的边际成本压缩至接近零，第二份同类报告几乎可以直接复用，其人力成本只有第一份的 5%，这意味着同样的团队编制能承接更多的咨询项目。预计每个咨询团队一年多承接 50-60 个项目，对应增量收入约 5,000-6,000 万元/年，公司 20 个咨询团队合计增收约 10-12 亿元/年。
4.2 管理效率价值——提升人效
我们咨询公司的人力成本约 1 万元/人天，是互联网大厂产研成本的 3 倍，提效对我们至关重要。
|
效率维度
|
传统方式
（Before）
|
FineBI Next 方案
(After）
|
提升
|
|
数据清洗
|
多 Excel 手工整理拼接，3-4 天
|
10 分钟
|
95%+
|
|
图表制作
|
Excel 做表、画图 2-3 天
|
2-3 轮对话
|
90%+
|
|
异常筛查
|
人工抽查，覆盖率不到 5%
|
全量，覆盖率 100%
|
20x+
|
|
报告撰写
|
3-4 人协作 1-2 周
|
单人 1 天
|
95%+
|
|
口径统一
|
不同人算出的数不一致
|
一套口径，可溯源
|
质的飞跃
|
|
总体耗时
|
3-4 人 × 2-3 周
|
1 人 2-3 天
|
95%+
|
4.3 复制推广——用 BI 写 PPT 式报告
传统模式下，数据在 Excel 里、报告在 PPT 里——分析做完，还要花大量精力手工搬运、排版，数字一更新，两套内容就脱节。本作品的思路是：让工具直接长出可交付的报告，以“数据获取→指标加工→图表制作→文字分析→演示报告”的方式一条龙完成。每个数字都锚定在后台图表上，能点回验证，不会出现凭印象写数的错漏。最终 BI 的播放报告的视觉效果也更强，转场、图表、交互等效果优于传统 PPT。相信很多公司也在用 PPT 进行汇报，不妨试试用 FineBI Next 写 PPT 式报告吧。
总结
本作品「BI化身为PPT」以真实私募股权尽调项目为场景，在 FineBI Next 上完成了从 1.73 亿条的用户数据到 12 章、50 页 “PPT”、350+ 图表、近 2 万字的专业尽调报告全流程。核心创新在于让 BI 工具赋能定制化报告，把尽调验证经验和分析思路固化成了可复用的规则和模板，使尽调分析的内核从传统人工经验升级为可复用的数字资产，让老手艺焕发新活力。
在 BI 与 AI 的加持下，一份报告卖了 100 万，一年多赚 10 个亿。这不只是换了个工具，而是让数据分析的产出直接变成了能高效赚钱的交付商品。
鸣谢
感谢帆软各位老师组织本次 AI 大赛并提供产品支持。
