——作品思维，把判断固化成会自己跑的模型
引子：一份每月重生一次的月报
先看一件大多数财务都做过的事。 月末结账后，你打开上月那张月报模板，把新数据粘进去，调三处图表，改一下月份标题，导出 PDF，发到群里。耗时两个下午。下个月，重来一遍——数据是新的，动作是旧的，模板是三年前的。 某天领导在会上说了句"小王对数据的感觉不错"，你心里一暖，然后又觉得哪里不对：三年了，你的产出物没有任何变化——每个月都是从零开始的单件交付，像手工课上每人捏一个杯子。 再想一层：如果下月你休假，这张月报能自己出来吗？ 答案决定了一件事的分野——技能，还是作品。技能长在人身上，人不在就停摆；作品是离开创作者仍能运行的结构——技能的载体，判断的固化，可以交付、可以迭代、可以在你不在场时继续产生价值的机器。 简历上那行"熟悉数据分析"说的是技能；面试官要看的东西，是作品。上一篇讲 BP 的第一份底稿，这一篇讲数据财务的第二件作品——从一份月报，长成一个滚动预测模型。
一、月报的死穴：它只回答"过去怎么样"
先给月报应有的尊重：它没错，它是所有财务模型的起点。但要看清它的三个先天局限： **它是快照，不是流水。**每月一张静态图，月中发生的一切变化都不会让它动一下。领导月中问"这个月会不会超"，月报没有答案——它的使命在月末才生效。 **它解释不了偏差。**预测缺口 500 万、实际缺口 700 万，那 200 万偏差来自哪——回款慢了？付款提前了？某项费用炸了？静态月报无法回答，预测做一轮错一轮，错误却从不沉淀成改进。 **它没有出口。**月报的终点是"看完了"，然后就停在会议室里。没有一个动作挂在它后面。 所以月报的进化方向，不是做得更漂亮，而是让那三个死穴各长出一个器官：会动的、能解释的、连着决策的——这三个器官装上，它就不再是一张月报，是一个滚动预测模型。
二、核心概念：滚动预测，是"自己会跑的一套判断"
滚动预测的机理，先看清楚： **预测周期恒定。**永远向前看 12 个月（或 13 周），每关掉一个月，实际数替换掉预测数，末端加上一个新的未来月——像传送带，前面吞掉一个月实况，后面吐出一个月预测。 **实际数自动替换。**关账后，实际值直接盖掉预估值，预测永远踩在最新的事实上。 偏差是学习信号，不是考核指标。同一类偏差反复出现，说明的不是"这个月表现不好"，而是"这个假设本身错了"——修正假设，下轮预测就准一分。这一点是整个体系的灵魂，后面单独展开。 而模型背后的方法论，四个字：假设驱动——不拿历史数据做直线外推，而是把利润拆成一组可被业务动作影响的驱动因子（销量、单价、折扣、回款天数、产能利用率……），每个因子独立假设、独立验证。Aberdeen 的研究给过一个数：用驱动型滚动预测的企业，预测准确率比用财务外推的高 24%。 机理很直白：每个假设单独可测，错在哪一查便知；一锅烩的总量外推，错了只能整体蒙。 翻译成一句大白话：滚动预测不是一张更聪明的报表，是一套把财务判断固化下来、让数据自己推着走的机器。驱动假设是你定的，替换逻辑是你写的，偏差监控是你设的——模型跑起来之后，每月做的只剩一件事：看偏差、修假设。
三、演进路径：三步，一件作品的三次脱壳
从月报到预测模型，不是一步跳到位，是三次蜕皮。每一步的用户、产出、时间指向都不同：
| 阶段 | 产出形态 | 回答的问题 | 用户 | 判断藏在哪 |
|---|---|---|---|---|
| 一：月报看板 | 静态月报 → 自动刷新看板 | 过去发生了什么 | 领导（看） | 口径和维度设计 |
| 二：偏差分析 | 看板 + 预算/预测对比 | 差异来自哪里 | 领导 + 业务负责人 | 归因的拆解逻辑 |
| 三：滚动预测 | 驱动因子模型 + 恒定周期 | 接下来会怎样、该怎么办 | 决策层（用） | 假设与修订规则 |
| 三步各有各的判断，串起来才是一件作品。逐个说。 |
第一步：月报看板——先让"粘数据"这件事消失
起点不是预测，是把手工月报升级成自动刷新。第十篇到第七篇教的全套家当，在这里一次用齐：
- 数据进管道：Power Query 从 ERP、CRM、报销系统各接一根管子，每月刷新一次（第七篇）；
- 管道进模型：数据模型里搭好客户、产品、区域、日期四张维度表围着一张事实表（第六篇）；
- 模型出口径：每个报表指标是 DAX 度量值——“营业收入"的公式写一次，处处可用（第六篇）；
- 口径出看板：Power BI 画布上拖出利润、毛利、费用三大块，配同比环比（第五篇）。 这一步交付之后，月末出报表从两个下午变成十分钟——这是作品的第一块试金石：创作者不在场时，它还转吗。 但此时的看板仍然只看过去。第二步在它身上接一个对照系。
第二步：偏差分析——给看板装上"差异从哪来"的透镜
在自动看板旁边，并排挂上预算数和上期预测数，每关一个月，三列并比。 关键动作只有一个：偏差拆解。不是报一个总差异，而是拆到驱动因子：量变了还是价变了、临时性还是持续性、一单的事还是一片的事。某客户回款晚了是一回事，整组客户的回款天数在漂移是另一回事——决策含义完全不同。 这一步开始有了预判的雏形：看板能告诉你"为什么上月的预测错了”，于是隐约指出了"下月哪些假设该改"。距离一个真正的预测模型，还差最后一块：把假设管起来。
第三步：滚动预测——让假设成为模型的"心脏"
真正的滚动预测，在整套结构里多出一个此前没有的房间：关键假设区。 驱动因子假设表（示例）：
| 驱动因子 | 假设值 | 历史依据 | 责任人 | 修订记录 |
|---|---|---|---|---|
| 月均销量 | 42,000 件 | 近 12 月均值 41,300 | 销售总监 | 6 月由 45,000 调降 |
| 客单价 | 86 元 | 上季均价 85.2 | 销售总监 | 未修订 |
| 回款天数 | 45 天 | 近 6 月均值 43 天 | 区域经理 | 7 月由 40 天调升 |
| 折扣率 | 4.5% | 上年同期 5.1% | 销售总监 | 未修订 |
| 变动成本率 | 62% | 标准成本 + 价格联动 | 采购经理 | 6 月因涨价上调 |
| 五个假设，五个业务口的人——这是运营环节最重要的一条铁律：财务不能独占所有假设。销售管销量和报价、采购管成本、运营管产能和交付、财务管模型和合并。假设全攥在财务手里的预测，业务只会说"那是你们算出来的数"——预测一旦没有业务认领，就注定只是财务部的自娱自乐。 | ||||
| 模型里再配一个情景层，不另起炉灶：基础/乐观/保守三套情景就架在同一个模型上，只是关键假设的取值不同。乐观情景不是"所有假设都乘以 1.2"，而是"两个关键驱动因子各上一档，剩下不动"——逻辑清楚，才经得起质询。 | ||||
| 每月的运营动作只有四件事，一个循环： |
关账 → 实际数自动替换上月预测 →
偏差拆解（哪个假设错了、是偶发还是惯性） →
修订假设、在末端加上新的未来月
十五分钟一轮。模型建成之日，就是手工制作终结之时——这四件事做完，你的"分析能力"就住进了一件作品里，从此不用每月重造一遍。
四、实操骨架：一个最小可用模板
三步演进讲完，给一个能直接照着搭的分区结构——五个房间，各管各的，互不混杂： **房间一：关键假设区。**所有驱动因子假设、责任人、历史依据、修订记录，集中一处。这是模型的驾驶舱——任何人打开模型，第一眼该看见的就是这里。假设是全模型唯一允许"拍脑袋"的地方，所以必须放在明面上，让人看得见、改得着、追溯得到。 **房间二：自动刷新区。**实际数据接入、预算/预测表、所有度量值口径。这块是纯机器领地——人不干预，刷新即新。 **房间三：偏差监控区。**逐因子列示"上期预测 vs 本期实际"，并标注"偶发/惯性"。惯性偏差标红的，就是下月假设修订的必改项。 **房间四：滚动输出区。**未来 12 个月恒定窗口的预测值，三套情景并排。末端那个月永远是最远的新增月。 **房间五：假设修订记录区。**谁、什么时候、为什么把哪个假设从多少改成了多少。这是整个模型最重要的房间，却最常被省略——没有修订记录，模型每轮都像重新拍了一次脑袋；有了它，模型的每次"变准"都有出处可查。 五间房加一个假设表，就是一个最小可用的滚动预测模型。不用贪大——行数控制在 12 到 20 行核心驱动因子，足够大多数业务用。预测模型被放弃，头号原因是贪大——六十行的模型没人会每周更新，二十行的活模型胜过两百行的死文档。
五、避坑清单：三个一上线就会踩的坑
坑一：假设硬编码埋在公式深处。“月均销量 42000"直接写死在度量值里——想改假设，得改公式。这是作品思维的第一反例：假设必须住进驾驶舱，不许埋进引擎。防御方法只有一条：所有可变参数集中到假设区，公式只引用、不存储。 坑二：预测口径与财务口径不一致。销售说的"回款"含税、财务记的不含税；业务算的"销量"按发货日、财务确认收入按验收日——两套口径一碰头，预测和实际永远差一截，而你说不清差的是业务还是口径。第一篇讲过的"文本数字"坑，在这里升级成了体系性风险。防御：模型上线前，把每个字段的口径写成半页说明，挂进假设区旁边——口径统一是自动化的前提，不是它的副产品。 坑三：没有偏差复盘，预测做成了形式。月月做预测，月月对不上，但从不回头问"哪个假设错了”——于是预测准确率永远原地踏步。这正是死穴之二没解决的样子。防御：偏差监控区设一条触发规则——同一因子连续三个月同方向偏差，强制启动假设修订评审**。预测模型的价值不在"准"，在于"每次不准之后都知道该改哪。
六、结语：作品是判断的存款
回望系列：公式解决一格，函数解决一类，封装解决一套准则，递归解决一层深度，Power Query 解决一个循环，数据模型解决一张网，Power BI 解决一次分发，SQL 解决一个源头——工具篇九篇，练的全是这台机器的零部件。 职业篇走到这里，零件组装成了两件作品：BP 的第一份底稿（往业务走），数据财务的预测模型（往数据走）。 看清楚这一篇真正在说什么：模型不是一堆公式，是把判断固化成结构的过程。你在假设区写下"回款天数 45 天"的那一刻，就是在把经验变成参数；你在偏差区记下"这个假设连续三个月偏了 5 天"的那一刻，就是在把纠错变成机制。 技能是收入，月月清零；作品是资产，逐月增值。技能离开你就停转，作品在你不在场时照样跑。第二曲线真正的启动资金，不是又学一门新工具，而是把前九篇的零件和十年的判断，组装进一件能自己跑的东西里。 母题这一篇这样说：
会计人精通的从来不是工具，是业务。 工具篇里，这句话是劝你"别背函数"；职业篇里，它变成一个动作——把你对业务的判断，写进模型的假设区；把你的纠错直觉，写进偏差监控的触发规则。模型跑得越久，你的判断在里面存得越厚。 这才是作品思维和技能清单思维的分界线：技能清单上写的是"会用 Power BI、会写 DAX、懂 SQL"——这些都是形容词；作品的交付物是一个假设表、一条替换规则、一份修订记录——这些是名词。市场上形容词永远供过于求，名词永远稀缺。
下篇预告：职业篇第三讲——《内控与 AI 治理的第三件作品：一份让 AI 不闯祸的使用守则》 。BP 往业务走，数据财务往模型走，第三条路往规则走：当公司里人人都在用 AI 出数、出分析、出报告，谁来做那道"人审的闸门"？财务人写 AI 使用守则，凭什么最有资格？
系列目录：《Excel 函数的本质》 →《LAMBDA 实战》 →《部门函数库十讲》 →《递归》 →《Power Query》 →《Power Pivot 与数据模型》 →《终点站 Power BI》 →《下一程 SQL》 →《和 AI 同桌》 →《会计人的第二曲线》 →《财务 BP 的第一张底稿》 → 本篇。