案例复盘

三个工作日,从一份需求书
到一场交付级演示

客户的需求书很典型——六大类业务数据要统一管、质量要可控、跨部门要能用;窗口只有三个工作日。这是我们怎么把一份需求书,变成一场客户现场看得懂、信得过的演示。

浩瀚数据晟财 · 数据平台交付团队 发布于 2026-09-29 更新于 2026-10-08 阅读约 9 分钟

客户递来一份需求书,和一条死线

某电力企业售电事业部发来一份《业务需求说明书——电力基础数据库》。诉求不复杂,但非常典型,几乎是所有数据平台项目的共同起点:

  • 六大类业务数据要统一管理:基础结算类、交易实时类(负荷与价格曲线)、市场信息类、辅助数据类、业务知识库,以及和财务风控的衔接数据
  • 数据质量要可控:异常能发现、问题能订正、订正必须留痕、历史数据不可删
  • 跨部门要能用:财务对账、运维取数、报表分析,都要从同一份数据出发

难点不在需求本身,而在时间:客户希望三个工作日内看到一场可以当面演示的系统——不是概念片,不是效果图,而是能点、能查、能问的真系统。

这类项目我们做过不少,经验是:能不能按期交付一场有说服力的演示,取决于第一天做对了什么,而不是第三天加了多少班。

第一步不是写代码,是把需求拆开

接手当天,我们做的第一件事是把需求书拆成 40 多个需求点,逐条判断它们属于哪一类:

需求类型典型内容交付方式
平台开箱即用多源数据接入、元数据管理、数据字典、质量规则引擎、权限体系、报表分析底座直接覆盖,零开发
配置即可用质量规则(唯一性 / 完整性 / 及时性 / 一致性 / 关联性 / 准确性六类都有配置界面)、数据服务发布、定时调度按客户业务配置,无需写代码
必须按业务定制业务级订正工作流、业务知识库、曲线对比分析定制开发——也正是客户日常真正会用的部分

逐条映射后的结论很清楚:通用底座能力已经覆盖客户需求中约四到五成,剩下要投入人力的是「业务语义层」——也就是客户业务人员每天会点、会看、会问的那些界面和流程。

这个判断决定了三天的资源投放:底座不重复造,把全部精力押在客户真正看得见的业务环节上。如果顺序反过来、先写代码再对需求,三个工作日只够做出一个「看起来像」的东西。

让演示「像真的」:我们故意埋了问题

演示有没有说服力,八成取决于数据像不像真实业务。我们按电力业务的真实结构,梳理出 25 张业务数据表——覆盖零售用户、合同、结算明细、负荷曲线、现货价格、场站、分省月度结算、业务指数,以及订正留痕、财务对账、风控、知识库、跨部门交互等专项数据,一共生产了 31.6 万行业务数据。

但真正让演示活起来的,是接下来的两个「反常规」动作:

  • ① 刻意埋入问题数据:248 份合同里埋了 2 条编号重复;现货价格的 33 个月历史里,埋了 232 个时段缺失、约 10.4 万条超期入库。没有这些问题,数据质量模块在演示里就无戏可演——而质量管控恰恰是客户需求书里的重点条款。
  • ② 预置业务闭环样例:8 条订正记录(含订正人、订正前后值、订正原因)、67 条对账差异、60 条跨部门交互日志——让「留痕」「对账」「审计」这些需求书关键词,在系统里都有真实可点的数据。

一句话总结这条经验:干净的演示数据没有故事。每一条被刻意设计的问题数据,都对应需求书里的一条管控要求,这样演示时才不是「展示功能」,而是「回应你的关切」。

把平台调成客户的语言

系统跑起来只是及格线。接下来的一系列调整,全部围绕一个问题:客户在演示现场看到的每一眼,是否都在替他自己的业务说话?

① 质量规则讲「电力话」。通用规则引擎配置成三条电力业务规则后,质量概览页从一份技术报表,变成了一份业务体检报告:

级别规则客户听得懂的后果
高现货出清价格完整性核查缺失时段无法结算
中现货价格及时性核查(T+30)超期入库,属于流程问题
低零售合同编号唯一性核查编号重复会导致结算关联到错误合同

② 菜单按客户的心智顺序重排。把功能目录调整成客户理解业务的顺序:元数据管理 → 数据标准 → 数据质量 → 数据集成 → 数据加工 → 数据资产 → 数据应用 → 数据市场 → 系统监控 → 运维管理。讲解逻辑和菜单顺序一致,客户才不会「迷路」。

③ 界面净化与细节修补。补齐图标、隐藏与客户无关的页面元素。都是小事,但它们共同决定客户的第一印象:这是一个给企业用的正式系统,还是一个工程师的实验台。

45 分钟演示动线:客户在现场看到什么

45 分钟的演示窗口,客户领导的注意力不会全程在线,动线必须提前设计好——前半程抓注意力,中段放互动,结尾收价值。我们反复推敲后排定的流程是:

环节时长客户看到什么
登录与总览3 分钟系统可用、界面干净,不是半成品
资产盘点10 分钟元数据、数据地图:「我们的数据资产第一次被看清了」
质量体检8 分钟质量概览:三类异常数字,对应需求书的质量管控条款
质量闭环8 分钟高潮环节:现场点击执行质量任务,数字当场刷新
集成与消费8 分钟订正留痕、数据对外服务:「发现问题到解决问题」的完整闭环
智能问数互动5 分钟客户用大白话自由提问,系统自动取数、直接出图
价值总结与答疑3 分钟回到需求书,逐条对应今天看到的画面,现场答疑

整场演示的高潮,是质量任务的现场执行:点一下「执行」,规则立即跑一遍数据,回到概览页,异常数字按最新一轮刷新。「配置规则 → 自动巡检 → 生成报告」这件事,在 3 分钟内被客户亲眼看到了。没有什么比现场跑通更能说明系统是真的。

另一个记忆点是智能问数:客户可以直接用大白话提问,比如「分省月度结算金额是多少」,系统自动理解、自动取数、直接出图。这一环节在演示现场几乎必然引发提问,也是客户停留最久的地方。

演示当天:数字对上了需求书

演示当天的实际效果,比预期更顺:

  • 12 个功能目录全部正常渲染,菜单顺序与讲解逻辑一致,全程没有卡壳
  • 质量概览的三类异常(232 个缺失时段 / 2 条重复编号 / 约 10.4 万条超期)直接对应需求书「数据质量管控」条目——客户当场对照自己的需求书在看
  • 现场执行质量任务成功,数字按最新一轮刷新
  • 智能问数环节自然语言出图,客户的提问在这里最集中

客户最关心的三个问题,也都在演示前备好了答案:

客户的问题我们的回答要点
这个数据规模能撑生产吗?演示是演示量级;平台架构支持横向扩容,数据库可替换为企业级方案,性能随规模平滑扩展
怎么和我们现有的交易、财务系统对接?数据集成支持多种数据源接入方式,配置即可用,不改造客户现有系统
业务模块全部做完还要多久?底座已验证;业务模块按每个 3-5 个工作日的节奏叠加,可以按优先级分批上线

三条可复用的经验

  • ① 需求映射先行,开发放在最后。40 多个需求点逐条判断「用底座、靠配置、还是必须定制」,才敢把三天全部投在业务语义层。先对需求再动手,是快的前提而不是慢的原因。
  • ② Demo 的灵魂是「设计过的脏」。合同编号重复、价格时段缺失、超期入库——每一条都对应需求书里的一条管控要求。演示的价值不是「功能很多」,而是「你要的每一条,我都已经替你想到了」。
  • ③ 迭代以「客户视角」为单位,不以技术为单位。图标补齐、菜单重排、界面净化,每一件都是小事,但它们共同回答一个问题:客户在 45 分钟里每一眼看到的东西,是否都在替你说话?

这套打法适用于所有「底座能力趋同、业务理解决定成败」的行业——电力、燃气、水务、金融风控、能源集团,都可以直接迁移。

本文要点

  • 客户诉求:六大类业务数据统一管理 + 质量可控可留痕 + 跨部门可用,窗口三个工作日
  • 第一步是把 40 多个需求点逐条拆解:底座开箱覆盖约四到五成,其余集中投入业务语义层
  • 演示数据的秘诀是「设计过的脏」:31.6 万行数据里刻意埋入 2 条重复编号、232 个缺失时段、约 10.4 万条超期
  • 质量规则全部翻译成业务语言(编号重复会导致结算关联错合同)
  • 45 分钟演示动线,高潮是质量任务现场执行、数字当场刷新
  • 智能问数支持自然语言提问直接出图,是现场提问最集中的环节
  • 业务模块后续按每个 3-5 个工作日的节奏分批叠加,底座已验证

常见问题

演示里 31.6 万行数据,这个规模能撑起生产环境吗?

演示数据是演示量级,主要用来验证业务模型和管控流程是否跑得通。平台本身支持横向扩容,数据库可替换为企业级方案,性能随数据规模平滑扩展——所以演示验证的是「流程对不对」,生产规模由架构和资源投入决定,不需要重新设计。

演示数据是模拟的,能说明什么?

我们的模拟数据是按客户真实业务结构建的,而且刻意设计成「有问题的数据」:合同编号重复、价格时段缺失、超期入库等等,每一条问题都对应需求书里的一条管控要求。这样演示时验证的不是「界面好看」,而是「你提出的每一条要求,系统里都有对应的处理路径」。当然,正式上线前会用客户真实数据做一轮验证。

从演示到真正上线,通常还要多久?

取决于业务模块的数量和复杂度。平台底座在演示阶段已经验证完成,后续主要是业务功能按模块叠加,一般每个模块 3-5 个工作日。建议按优先级分批上线,先上业务部门最急需、见效最快的模块,让系统早一点开始产生价值。

我们不是电力行业,这套做法能复用吗?

可以。通用能力是平台自带的,不同的是业务语言——燃气、水务、金融风控、能源集团这类「数据密集、管控要求高、跨部门协同多」的行业,需求和这次高度相似,通常只需要替换业务模型与规则语义,方法论可以直接迁移。

宋运奎 — 浩瀚数据晟财创始人
宋运奎
浩瀚数据晟财 · 创始人 / CEO
原小米之家数据负责人国际数据和人工智能管理协会中国分会理事中国电子信息行业联合会数据治理专委会委员工信人才大模型应用创新与数据要素高级人才

原小米新零售小米之家数据负责人,主导搭建业内领先的智能数据体系;曾任金山软件核心数据产品负责人,主导研发业内最早的移动端数据产品 KBOSS 平台。专注 AI 场景化应用与企业数据资产化运营,本文由其主笔并负责内容审核。

RELATED · 相关阅读

继续往下看

也有一份需求书和一条死线?

我们习惯先用一场看得懂的演示对齐认知——不是概念片,是能点、能查、能看数字当场刷新的真系统。三个工作日,先让你看到结果。

预约能力交流 看数据能力