做了 13 年商品运营，Sophia 会一点 SQL，但是完全是 0 代码经验。在观远 AI 创新赛中，她把一套快返补货思路做成了《快返补货管理台》，作品最终获得三等奖。
直播中，Sophia 说，除去数据准备，她与 AI 沟通并参与搭建这个 Demo，大约用 2 天时间。这个速度让她自己也感到惊讶。不过她也很坦率：作品还不是最佳状态，离真正投入生产还有距离。
一个不懂 App 开发，0 代码经验的业务人员，究竟怎样让 AI 理解自己做了 13 年的工作，并且按照需求落成可交互的应用呢？
01 一笔快返补货，为什么总要来回确认？
Sophia 选择从自己最熟悉的快返补货下手。
一款服饰商品上市后，团队会根据实际销售和库存，判断是否需要追加。销量如果好，只是刚刚开始，接下来还要确定补多少、主料能否及时备齐、采购预算是否够用、订单回货时间是否会影响销售。任何一环慢下来，都可能错过季节性商品有限的销售窗口。
这项工作也很难由一个人独立完成。商品买手看销售机会和补货数量，商品经理关注目标和预算，跟单人员推进备料与订单。Sophia 在直播中举过一个很具体的例子：商品运营使用的已经是本周数据，跟单人员手里的可能还是上周版本。数据并非没有，真正费力的是让几个人在同一时间、围绕同一笔补货做出连贯判断。
对 Sophia 来说，参加比赛不是为了重新做一套系统。她更想验证的是：那些沉淀在业务人员脑中、难以被通用模块完整接住的判断，能不能由业务人员亲自参与，先做成一个可演示、可修改的应用雏形？
她想接起来的，是一笔补货从发现机会到准备下单的整段判断。
02 她把"看完数据以后怎么办"做进了应用
在 Sophia 超级应用搭建的《快返补货管理台》中，一笔补货从发现需要关注的单品开始：先判断补多少，再核对备料与采购预算（OTB）是否支持，最后继续关注订单能否及时回来。
这套应用不会替业务人员直接拍板。它做的是把同一笔补货需要查看的信息和后续动作接在一起，让人看到数据之后，能继续完成下一步判断。
超级应用的价值，是让一笔补货不再停在"看见问题"，而能继续走向判断和行动。
03 她是如何和 AI 一关一关"打怪"
成品看起来已经是一条完整的补货路径。但回到起点，Sophia 面前并没有一份现成的开发方案。
她没有先写代码，也没有准备一份完整的产品需求文档，而是从熟悉的工作讲起：她想做一个快返补货应用，第一张表单里要有什么，多个版本的采购预算该怎样管理，哪些判断和动作需要被接在一起。
比赛期间，观远官方为参赛选手提供了一套辅助梳理需求的"场景卡"Skill。AI 会沿着这套 Skill 继续追问，把一个大而模糊的"我要做应用"，拆成业务人员可以逐项回答、AI 可以逐步执行的任务。
在 Skill 的引导下，Sophia 一点点说清谁来使用、数据在哪里、需要完成什么动作、做到什么程度才算可用。问题逐渐清楚后，Skill 再把后续路线排出来：从准备数据，到搭建应用，再到逐项确认。Sophia 把这个过程形容为玩游戏"打怪"——完成一步，确认一步，再进入下一步。
真正开始搭建后，过程并没有顺利到"一键生成"。AI 做出的数据加工流程（ETL）效果不理想，Sophia 仍然要进入后台检查和调整；为了管理不同版本的采购预算，当时所需的表单也由她手工准备。
她虽然不懂 App 开发，却知道一笔补货前后的数据应该怎样衔接，也知道什么样的结果不符合业务常识。AI 每完成一步，她就判断一次：结果对不对，能不能支撑下一步业务动作？发现偏差，就退回来调整；确认无误，再继续往下走。
Sophia 她说"不需要先学会开发，但始终需要看懂自己的业务，并对 AI 给出的结果负责。"
04 超级应用的起点，是业务问题，不是代码
从 Sophia 的经历里，可以看到业务人员在应用构建中的新位置：当一个人足够了解自己的工作，就可以从问题定义开始，更早参与应用的构建和验证。
超级应用是观远 BI 体系内的数据应用层。用更直白的话说，它基于已有的 BI 数据和权限，围绕一项具体工作，把业务判断、交互和后续动作组织成一个业务入口。看板帮助人看见"发生了什么"，超级应用继续承接"看完以后怎么做"。
在《快返补货管理台》这个 Demo 中，商品买手、商品经理和跟单人员需要关注的信息与动作，被放到了同一笔补货路径里。它所呈现的价值，是让不同角色围绕同一笔补货查看同一份数据，知道事情走到了哪一步，再把后续动作继续推进下去。
应用雏形只是起点。走向生产后，数据质量、权限、接口、上线验证和持续维护，仍需要业务、数据与 IT 一起负责。但业务人员不必等到学会代码才开始：先把真实问题说清，借助官方 Skill 排出路线，就可以从一个可验证的雏形开始。
如果你也有一项"报表能看，事情却还要靠人继续推进"的工作，不妨先从它开始。谁在使用？卡在哪里？看完以后还要做什么？这些问题，比"我会不会开发"更接近一款业务应用真正的起点。
想进一步体验 AI+BI 在业务分析中的落地效果，可以从这里开始。
