很多人一提到“千万级供应链数据分析”，第一反应就是复杂。采购、入库、出库、供应商等多张表，不仅要先完成清洗和规范，还要处理字段对齐、跨表关联、口径统一、指标计算等一系列问题，最后才能得到库存周转、采购统计这类真正有业务价值的结果。按传统做法，这类任务往往离不开数据库、SQL 和技术人员配合，流程重、周期长，业务团队很难快速推进。

但今天我要介绍的是另一种更轻量的 AI 工作流方式：

可以直接在本地电脑上完成数据清洗、关联分析、统计汇总以及结果输出。整个过程零代码、零 SQL，无需搭建数据库，也不需要任何编程基础。数据全程保留在本地，安全可控，业务人员只需要把分析目标描述清楚，就可以。

如下配置好的工作流图：

报表可视化结果：

接下来，我们就用一个典型业务场景，来完整演示这个过程：供应链库存与采购分析。

一、案例需求分析

 在供应链分析场景里，业务真正关心的，通常不是原始数据本身，而是最后能产出哪些可直接使用的结果表。因此，这个案例先从结果导向出发，先明确最终要生成哪些统计结果，再回到数据来源和清洗过程。

1、最终输出哪些结果表

完成数据清洗、字段规范和多表关联后，这个案例最终会输出 4 个统计结果表：

• 仓库质检统计表：用来统计各仓库的入库总量和质检合格率，帮助业务了解不同仓库的收货与质检情况。
• 供应商统计表：用来统计各供应商的采购金额、供货物料数等核心指标，方便评估供应商贡献和供货表现。
• 物料进销存汇总表：用来汇总各物料的总入库量、总出库量、库存结余、平均月出库量、库存周转天数等指标，帮助业务全面掌握物料库存状态。
• 库存周转 Top50 表：用来筛选库存周转最慢的 Top50 物料，并结合供应商信息查看对应情况，帮助业务快速识别库存积压和周转风险。

生成结果统计的文件，如下图：

 同时，还会生成对应的 HTML 报表视图，方便直接查看分析结果。如图：

2、业务数据涉及哪些源表

这次案例围绕供应链库存与采购分析展开，一共涉及 4 张核心业务表。

• 采购订单表 ：主要记录采购单号、供应商ID、物料编码、采购数量、采购单价、采购金额、下单日期、预计到货日期，用来承接采购业务数据，是后续采购分析和供应商分析的重要基础表。
• 入库记录表 ：主要记录入库单号、采购单号、物料编码、入库数量、入库日期、仓库编号、质检结果，用来反映采购物料的实际到货、入库和质检情况。
• 出库记录表 ：主要记录出库单号、物料编码、出库数量、出库日期、领用部门、用途，用来反映物料实际出库和使用情况，是库存分析的重要来源。
• 供应商信息表 ：主要记录供应商ID、供应商名称、供应商等级、所在省份、合作起始日期、联系人、联系电话，用来补充供应商维度信息，支撑供应商表现分析和库存周转结果展示。

4张表的数据量在千万级，如下图示：

3、这次主要做了哪些清洗

清洗主要集中在采购订单表、入库记录表和出库记录表这 3 张业务表上，重点是统一日期格式、清理数值字段、规范物料编码和业务口径，为后续采购、库存和供应商分析打好基础。具体动作如下：

清洗采购订单表

• “下单日期”“预计到货日期”统一为 yyyy-MM-dd 格式
• “采购单价”“采购金额”去除 ￥ 和千分位逗号
•  “物料编码”去除前后空格，统一为大写
• “采购数量”提取数字

清洗入库记录表

- “入库日期”统一为 yyyy-MM-dd 格式
- “入库数量”去除单位后缀
- “质检结果”归一化处理：“合格”“OK”“PASS”统一为“合格”，“不合格”“NG”统一为“不合格”
- “物料编码”统一为大写，去除前后空格
- 只保留“质检结果”为“合格”的记录

清洗出库记录表

- “出库日期”统一为 yyyy-MM-dd 格式
- “出库数量”提取数字
- “物料编码”统一为大写
- “领用部门”去除前后空格，并做归一化处理

经过这一步清洗后，采购、入库、出库三张核心业务表的数据格式和字段口径会先统一下来，后续才能继续完成采购入库关联、物料进销存汇总以及各类统计结果表输出。

二、提示词整理

在工作流配置之前，需要先把这次业务处理逻辑整理成一份提示词。

这一步的作用，就是先明确 清洗哪些表 、 怎么关联 、 输出哪些报表 。整理好之后，这份提示词就可以作为工作流配置输入，指导后续执行。

这里也需要说明一点： 提示词不一定非要写成固定模板 。只要表达得 清晰 、 明确 、 简洁 ，让人一眼能看懂要做什么、按什么顺序做、最后输出什么结果，就可以了。

本次案例整理出的提示词如下：

第一步 - 清洗采购订单表：
  - "下单日期""预计到货日期"统一为 yyyy-MM-dd 格式
  - "采购单价""采购金额"去除￥和千分位逗号
  - "物料编码"去除前后空格，统一为大写
  - "采购数量"去除"个""件""箱"等单位后缀

第二步 - 清洗入库记录表：
  - "入库日期"统一为 yyyy-MM-dd 格式
  - "入库数量"去除单位后缀
  - "质检结果"归一化："合格""OK""PASS"统一为"合格"，"不合格""NG"统一为"不合格"
  - "物料编码"统一为大写，去除前后空格
  - 只保留"质检结果"为"合格"的行

第三步 - 清洗出库记录表：
  - "出库日期"统一为 yyyy-MM-dd 格式
  - "出库数量"去除单位后缀
  - "物料编码"统一为大写
  - "领用部门"去除前后空格，归一化

第四步 - 生成采购入库关联表：
  - 采购订单表 关联 入库记录表（按"采购单号"匹配）
  - 新增"实际到货周期" = 入库日期 - 下单日期（天数）
  - 新增"到货率" = 入库数量 / 采购数量

第五步 - 生成采购入库汇总表：
  - 采购入库关联表 按"供应商ID"+"物料编码"汇总：总采购量、总入库量、采购总额、平均到货周期、平均到货率、平均采购单价

第六步 - 生成出库汇总表：
  - 出库记录表 按"物料编码"汇总：总出库量、出库次数、平均月出库量

第七步 - 生成物料进销存关联表：
  - 采购入库汇总表 与 出库汇总表 按"物料编码"全量合并（保留"供应商ID"，两侧数据都保留）

第八步 - 生成物料进销存汇总表：
  - 基于"物料进销存关联表"新增"库存结余" = 总入库量 - 总出库量，新增"库存周转天数" = 库存结余 / 平均月出库量 * 30（平均月出库量为0时记为空）

第九步 - 生成供应商统计表：
  - 基于"采购入库汇总表" 关联 "供应商信息表"（按"供应商ID"匹配），按"供应商名称"分组，统计：采购总额、平均到货周期、平均到货率、物料种类数
  - 输出"供应商统计表"

第十步 - 生成物料库存统计表：
  - 基于"物料进销存汇总表"按"物料编码"分组，统计：采购总额、总出库量、库存结余、平均月出库量、库存周转天数
  - 输出"物料库存统计表"

第十一步 - 生成库存周转Top50表：
  - 基于"物料进销存汇总表"（沿用上一步保留下来的"供应商ID"）关联"供应商信息表"（按"供应商ID"匹配），按"库存周转天数"降序排列，取周转最慢的Top50
  - 输出"库存周转Top50表"（含物料编码、供应商ID、供应商名称、库存结余、平均月出库量、库存周转天数）

第十二步 - 生成仓库质检统计表：
  - 基于"入库记录表"（清洗后）
  - 按"仓库编号"分组，统计：入库总量、质检合格率
  - 输出"仓库质检统计表"

三、落地实现：工作流配置

 工作流是由多个智能体节点组成的，这个案例我们涉及到下面几个智能体：

• 文件助手： 获取磁盘的文件或目录。
• 内容清洗器： 专门用来做数据清洗的，只要输入清洗描述就可以对文件数据进行任意整理。
• 数据入库：将文件数据转成本地数据库，用于后面作SQL统计。
• 表统计： 对本地数据库表进行SQL统计，不需要写sql，只需要统计的描述就可以了。
• 报表导出： 对数据库表进行导出，支持导出csv，xlsx，HTML（可视化显示） 。

根据这几个智能体还有上面描述的提示词，我们就可以完成工作流的配置了。

1. 清洗数据表

清洗数据流程总共分为三步：

1. 配置文件助手 ： 获取待清洗的源文件。
2. 配置内容清洗器： 描述清洗内容。
3. 数据入库： 将文件数据搞成表放到本地数据库（后面好进行sql统计）。

打开DT-Bot工作流， 配置一个 “文件助手”智能体节点，描述原始数据文件位置，文件助手配置如图：

DT-Bot工作流，解决方案获取可以看文章末尾名片。

根据提示词描述，获取到了”采购订单表“原始表格，然后就会输出该文件，然后我们接下一个智能体“内容清洗器”，如图： 

直接将清洗的提示词写进来就可以了，清洗之后，我们需要将表格文件的数据放到数据库里面，后面好进行SQL统计，所以还要接入一个“数据入库”，不需要输入任何提示词，如下图：

第一步就完成了，同理，所有的源表清洗都是这个套路。

2. 表统计

接下来我们需要进行表统计，直接用“表统计”智能体就好了， 也是直接输入提示词描述，工作流内部会生成相关sql进行统计（全程不用你操心），下面是我配置完成的图：

导出报表

表统计后，只生成了结果表到数据库里面，还需要从数据库里面下载出来，这是要用“报表导出”智能体，可以指定哪些表，下载类型，如下图：

 配置完成后，我们发布工作流执行就可以了。下图是统计结果文件：

HTML 可视化大盘：

四、结尾语

千万级数据清洗与统计分析并不一定意味着很高的技术门槛。只要先把业务链路梳理清楚，把分析目标描述清楚，再结合 AI 工作流逐步执行，就能够把采购、入库、出库、供应商这些原始业务数据，整理成可清洗、可关联、可统计、可输出的分析结果和报表。

对于这类场景来说，真正重要的并不是写了多少 SQL、搭了多少技术环境，而是能不能把业务问题讲清楚，把分析流程跑顺，把最终结果稳定输出出来。供应链库存与采购分析只是一个典型开始，后面还可以继续扩展到人力、销售、财务、制造等更多行业和业务场景，用同样的方式完成千万级数据清洗、统计分析和报表输出。