AI Case Drill Workbook 30 Days

定位: 面向 AI BA / AI PM / AI Architect 的 30 天高强度 case drill 工作簿。 目标: 把金融零售场景中的 AI 机会, 业务流程, 需求, 架构, eval, 风险控制和 adoption 训练成可复用的职业资产。 使用方式: 每天完成一个 case drill, 每周做一次复盘, 第 30 天形成一套可用于面试和作品集展示的 evidence pack。

---

1. 为什么需要 30 天 Case Drill

阅读 AI 架构, RAG, Agent, EvalOps, Governance 资料只能建立概念框架。求职和实际项目需要的是另一种能力:

• 能从模糊业务痛点中判断是否适合 AI。
• 能把 AI 方案放进真实流程, 而不是停留在聊天界面。
• 能区分 BA 的需求澄清, PM 的取舍判断, Architect 的系统设计。
• 能把 "准确, 安全, 有用" 转成可测试的 eval 和 release gate。
• 能在金融零售语境下说清 human-in-the-loop, audit trail, model risk, data governance 和 adoption。

本工作簿不是替代既有学习计划, 而是连接以下资产的实战训练层:

• docs/AI_BA_PM_PRACTICE_LAB.md: 练习方法和能力循环。
• docs/FINANCIAL_RETAIL_AI_CASE_PORTFOLIO.md: 金融零售 AI 深度案例库。
• docs/AI_REQUIREMENTS_TO_EVAL_COOKBOOK.md: 需求到 eval 的转换方法。
• docs/AI_OPERATING_MODEL_RACI_RUNBOOK.md: 上线后的运营模型和事故处理。
• docs/AI_ARCHITECTURE_REVIEW_GATE_CHECKLISTS.md: AI 架构评审 gate。
• docs/AI_CONTEXT_ENGINEERING_PLAYBOOK.md: RAG, context stack 和 evidence-first 输出。
• docs/abpa/README.md: ABPA 模板资产栈。

---

2. 30 天训练目标

完成 30 天后, 你应能输出并讲清:

1. 10 个以上金融零售 AI use case 的 business problem, baseline 和 success metric。
2. 10 张 AS-IS / TO-BE 流程或 decision flow, 标出 AI 插入点, 人工复核点和异常路径。
3. 10 组 requirements-to-eval matrix, 覆盖 functional, quality, guardrail, adoption 四类需求。
4. 6 份 architecture decision notes, 说明 RAG, rules+LLM, classifier, workflow agent, human-in-the-loop, observability 的取舍。
5. 6 份 risk/control register, 覆盖 PII, bias, hallucination, excessive agency, prompt injection, vendor risk, audit gap。
6. 3 个可面试讲述的 flagship case: 一个低风险知识助手, 一个中风险运营 copilot, 一个高风险受监管决策辅助。
7. 一套 30 秒, 2 分钟, 8 分钟三层面试 story bank。

---

3. 使用方式

每日节奏: 90-120 分钟

每周节奏

• 第 1-4 天: 每天完成一个独立 drill。
• 第 5 天: 完成当周综合 drill, 并把前 4 天产出收敛为一个 case pack。
• 每周末: 用 Rubric 给 5 个 drill 打分, 选 1 个升级为作品集资产。

工作规则

• 默认所有金融关键决策保留 human-in-the-loop。
• 默认 AI 输出必须区分事实, 推断, 建议和无法判断。
• 默认所有引用型回答要有 evidence source。
• 默认涉及客户权益, 资金, 信贷, 合规结论的动作需要审批和审计。
• 不把 prompt 当成产品方案; 需要流程, 数据, 权限, eval, monitoring 和 adoption。

---

4. 评分 Rubric

每个维度 0-4 分, 单日满分 32 分。低于 20 分说明只是完成了文本, 还没有形成可执行方案。高于 26 分可以进入作品集候选。

单日通过线

• 20 分: 合格练习, 可保留。
• 24 分: 可作为复盘材料。
• 26 分: 可扩展为作品集 case。
• 30 分: 可直接转成面试 flagship story。

---

5. 标准输出模板

每个 day 结束时都要保存以下 7 项:

1. Business problem: 谁在什么流程中遇到什么损耗, 现状基线是什么。
2. AI opportunity: AI 插入哪一步, 解决速度, 质量, 风险, 体验还是规模化问题。
3. BA task: stakeholder, AS-IS / TO-BE, 输入输出, 规则, 例外, 数据和验收。
4. PM judgment: MVP scope, success metric, ROI, no-AI alternative, product trade-off。
5. Architect design point: pattern, components, integration, permissions, context, observability, fallback。
6. Eval / Risk / Adoption: 测试集, 指标, threshold, controls, pilot, RACI, monitoring。
7. 当天产物: 一页 memo, matrix, process map, ADR, risk register, dashboard sketch 或 interview story。

---

6. 30 天训练总表

---

7. 每周主题

Week 1: AI Opportunity And Workflow Fit

重点训练从业务流程出发, 判断 AI 是否该介入, 介入哪一步, 责任边界在哪里。覆盖 AML, KYC, 客服知识, 支付争议四类基础场景。

Week 2: Regulated Decision Support

重点训练高风险金融决策辅助。关注信贷, 欺诈, 财富推荐, 催收等场景中的客户权益, 公平性, 合规审查和 human oversight。

Week 3: Operations Copilot And Agent Workflow

重点训练运营 copilot, 受控 agent, 工具调用, RACI 和 runbook。目标是能设计一个可上线, 可监控, 可回退的 AI 运营能力。

Week 4: Retail, Inventory, Promotion And Supply Chain AI

重点训练零售业务中的预测, 优化和建议型 AI。关注预测不等于决策, 需要把 AI 输出嵌入采购, 促销, 供应链和门店管理流程。

Week 5: Governance, EvalOps And Architecture Review

重点训练跨场景治理能力。输出 quality dashboard, release gate, vendor due diligence, compliance reporting controls 和 architecture review board pack。

Week 6: Portfolio And Interview Conversion

重点训练把 case drill 升级成作品集证据和面试故事。最终形成三个 flagship case, 一个 executive memo, 一套 story bank。

---

8. Daily Case Drills

Day 1: AML Alert Triage Copilot

• 业务问题: AML 团队每天收到大量 transaction monitoring alerts, investigator 把时间消耗在查客户资料, 交易链路, counterparty, 历史 case 和规则命中原因上, 高误报导致 backlog 增长。
• AI 机会: 设计 evidence-first copilot, 自动汇总 alert context, 生成 red flag checklist, 找出缺失证据, 草拟 case narrative, 但不自动关闭案件或决定是否提交 SAR/STR。
• BA 任务: 画 AS-IS alert investigation flow; 标出 investigator, supervisor, MLRO/BSA officer, data team; 定义输入字段, 输出 schema, 低置信度路径, supervisor QA 和 audit note。
• PM 判断: MVP 只做 evidence gathering + narrative draft; 成功指标为 time-to-first-summary, QA rework rate, backlog age; 不以 SAR 数量增加作为单一成功指标。
• Architect 设计点: Case UI -> orchestration service -> transaction/profile retrieval -> policy and typology RAG -> LLM summarizer -> citation store -> review workflow -> immutable audit log。
• Eval/Risk/Adoption: 用历史 QA cases 建 golden set; 指标包括 evidence recall, citation precision, narrative factuality, missing-evidence detection; 风险包括 hallucinated rationale, prompt injection from adverse media, PII leakage; pilot 选择 senior analysts shadow mode。
• 当天产物: AML opportunity canvas, AS-IS / TO-BE 流程, AI 输出模板, 10 条 eval cases, risk/control register。

Day 2: KYC Remediation And Document Gap Assistant

• 业务问题: KYC 周期复核和监管整改中, 客户资料缺件, 证件过期, UBO 信息不一致, tax form 缺失, 运营团队反复联系客户且完成周期长。
• AI 机会: 用 AI 识别缺口, 提取文档字段, 生成客户友好的补件说明, 推荐优先级, 但高风险客户和关键身份变更必须人工审批。
• BA 任务: 建立 stakeholder map: KYC ops, RM, customer service, compliance, data quality, customer; 定义缺件 taxonomy, 文档状态, 字段冲突, 客户沟通模板和审批规则。
• PM 判断: 先从低风险 expired ID reminder 和 address mismatch 开始; 指标为 remediation cycle time, first-contact completion, reviewer override rate, customer complaint rate。
• Architect 设计点: Data quality rules engine -> gap classifier -> document OCR/extraction -> policy RAG -> task queue -> communication generator -> reviewer workbench -> customer master update API。
• Eval/Risk/Adoption: 测试 field extraction accuracy, missing-field recall, false accept of invalid docs; 控制包括 PII minimization, role-based access, policy versioning, four-eyes review; adoption 通过 RM 和 ops 双角色 pilot。
• 当天产物: KYC gap taxonomy, remediation workflow, requirements-to-eval matrix, customer outreach examples, data lineage sketch。

Day 3: Customer Service Knowledge Assistant

• 业务问题: 客服处理账户, 卡, 贷款, 费用, 退款, 投诉等问题时需要查多个系统和知识库, 答复不一致, AHT 高, 监管禁语和版本过期风险明显。
• AI 机会: 建立 RAG-based knowledge assistant, 根据客户问题检索权威知识, 给 agent 提供答案草稿, 引用来源, 风险提醒和下一步操作, 不直接面向客户自动承诺。
• BA 任务: 梳理知识源: 产品手册, SOP, FAQ, 费率表, 投诉政策, 合规禁语; 定义回答必须包含 source, version, confidence, escalation flag; 建立无答案和冲突答案路径。
• PM 判断: MVP 聚焦 20 个高频非交易类问题; success metrics 包括 first-contact resolution, AHT, answer QA score, policy error rate, agent adoption。
• Architect 设计点: Agent desktop plugin -> query rewriting -> retrieval over approved KB -> reranker -> answer generator -> citation validator -> CRM note helper -> feedback capture。
• Eval/Risk/Adoption: golden queries 覆盖高频, 边界, 版本冲突, 注入攻击; 风险包括 hallucination, stale policy, unauthorized advice; pilot 采用 side-by-side answer with mandatory agent confirmation。
• 当天产物: RAG requirements, knowledge source inventory, answer schema, 30 条 golden queries, agent feedback loop。

Day 4: Payment Dispute Intake And Case Packet Agent

• 业务问题: 银行卡支付争议涉及客户陈述, 交易记录, 商户信息, 卡组织规则, 证据材料和 SLA, 人工 intake 容易漏材料, 导致补件和超时。
• AI 机会: 设计受控 agent 协助争议 intake, 识别争议类型, 检查材料完整性, 生成 case packet, 提醒 SLA, 关键提交动作由人工确认。
• BA 任务: 定义 dispute taxonomy, required evidence by type, SLA, customer communication, exception path; 画 agent state machine: intake -> evidence check -> draft -> review -> submit -> monitor。
• PM 判断: MVP 不自动提交 chargeback, 只做材料清单和草稿; 指标为 first-pass completeness, cycle time, SLA breach rate, customer repeat contact。
• Architect 设计点: Dispute case UI -> workflow engine -> card transaction API -> rule library retrieval -> document parser -> packet generator -> human approval -> submission connector -> replay log。
• Eval/Risk/Adoption: eval 覆盖争议类型分类, 材料缺失识别, 规则引用准确性; 风险包括 excessive agency, wrong submission, sensitive data exposure; adoption 从一个卡组织和两类争议开始。
• 当天产物: dispute state machine, tool permission matrix, evidence checklist, eval cases, kill-switch design。

Day 5: Week 1 Synthesis - AI Fit Comparison Memo

• 业务问题: 团队容易把 AML, KYC, 客服, 支付争议都说成 "AI 提效", 但这些场景风险等级, 数据准备度, 上线边界和成功指标完全不同。
• AI 机会: 建立 AI fit comparison matrix, 比较 RAG, classifier, rules+LLM, workflow agent, no-AI process improvement 的适用性。
• BA 任务: 汇总前四天的 stakeholder, workflow point, data source, exceptions, audit needs; 用统一模板列出每个场景的 baseline 和 pain metric。
• PM 判断: 给四个 use case 排 MVP 优先级: 客服知识助手优先做低风险演示, KYC 做运营效率, 支付争议做 agent workflow, AML 保持高控制 pilot。
• Architect 设计点: 对比四类模式的 shared platform capability: identity/access, retrieval, workflow, eval service, audit log, monitoring dashboard。
• Eval/Risk/Adoption: 建立 risk-tiered release gate: low-risk answer assistant, medium-risk workflow copilot, high-risk regulated investigation; 每档定义 human approval, evidence, monitoring 和 incident path。
• 当天产物: 1 页 AI fit comparison memo, use case priority matrix, shared architecture capability map, Week 1 self-score。

Day 6: Lending Pre-Screening And Underwriting Assistant

• 业务问题: 小微或个人信贷审批需要整合申请表, 收入, 流水, 征信, 负债, 抵押品, 行业风险和政策例外, underwriter 写 memo 慢且风格不一致。
• AI 机会: AI 做资料摘要, policy checklist, risk factor extraction, memo draft 和 adverse action reason suggestion, 但不做最终信用决策。
• BA 任务: 定义贷款流程中的 AI 插入点: document intake, income normalization, policy check, memo drafting; 标出 underwriter, credit officer, compliance, model risk, borrower。
• PM 判断: MVP 从已人工决策案件的 memo draft shadow mode 开始; 成功指标为 memo completeness, policy citation accuracy, rework rate, time-to-decision, subgroup consistency。
• Architect 设计点: LOS -> document processing -> deterministic calculation service -> policy RAG -> LLM memo assistant -> reason-code service -> underwriter review -> decision record。
• Eval/Risk/Adoption: golden set 使用历史 approved/declined files; 指标覆盖 calculation extraction, missing risk detection, reason-code consistency; 风险包括 bias, proxy features, overreliance, adverse action wording error。
• 当天产物: underwriting requirements-to-eval matrix, decision authority boundary, fair lending control list, shadow-mode pilot plan。

Day 7: Credit Card Fraud Alert Prioritization

• 业务问题: 信用卡实时欺诈告警误报多, 客户被错误拦截会投诉, 但漏报会造成 fraud loss 和监管压力。
• AI 机会: 设计 AI ranking layer, 结合交易金额, 商户, 位置, 设备, 历史行为和规则命中, 推荐优先级和验证方式, 不直接冻结账户。
• BA 任务: 画 fraud alert handling flow; 定义 high-risk non-downgrade rules, customer verification paths, analyst override, feedback to fraud strategy。
• PM 判断: trade-off 不是单纯降低告警量, 而是优化 false positive cost 与 fraud loss; MVP 用 shadow mode 排序, 不改变现有拦截策略。
• Architect 设计点: Fraud event stream -> feature service -> existing rules/model score -> LLM case explainer -> action recommendation -> analyst console -> feedback pipeline。
• Eval/Risk/Adoption: 指标包括 missed fraud, false positive release time, analyst agreement, explanation usefulness; 风险包括模型漂移, 欺诈对抗, 客户备注注入; adoption 需要 fraud strategy 每周 review。
• 当天产物: fraud prioritization PRD, risk-tiered action table, eval metric tree, monitoring dashboard sketch。

Day 8: Wealth Suitability And Advisory Guardrail

• 业务问题: 理财/财富顾问需要推荐基金, 保险, 投资组合或再平衡建议, 但必须满足 suitability, risk profile, disclosure 和销售合规要求。
• AI 机会: AI 提供产品知识检索, 客户需求摘要, 适当性检查提示和话术 guardrail, 不直接替代持牌顾问建议。
• BA 任务: 定义客户风险等级, 产品风险等级, 投资目标, 禁售规则, disclosure, exception approval; 梳理 advisor, compliance, customer, product team。
• PM 判断: MVP 做 advisor-facing compliance co-pilot, 不做自动个性化投资建议; 指标为 unsuitable recommendation prevention, disclosure completeness, advisor adoption, complaint rate。
• Architect 设计点: CRM/profile -> suitability rules engine -> product knowledge RAG -> advisory draft assistant -> compliance guardrail checker -> advisor approval -> interaction record。
• Eval/Risk/Adoption: 测试产品匹配, 禁售规则, disclosure presence, hallucinated return promises; 控制包括 deterministic suitability rules before LLM, audit transcript, compliance sampling。
• 当天产物: suitability control matrix, advisory answer schema, red-team cases, advisor workflow adoption plan。

Day 9: Collections Next-Best-Action Assistant

• 业务问题: 逾期催收团队需要在合规边界内选择提醒, 分期, 减免, 升级或暂停联系, 既要控制损失, 又要保护客户权益和品牌声誉。
• AI 机会: AI 汇总账户, 还款历史, 联系记录和政策, 推荐 next-best-action 选项和话术, 但不得越过催收法规和人工审批。
• BA 任务: 建立 delinquency stage taxonomy, hardship signals, contact rules, vulnerable customer escalation, complaint path; 定义禁止话术和必须披露内容。
• PM 判断: MVP 从低风险 early-stage reminder 和 agent script suggestion 开始; 成功指标为 promise-to-pay conversion, complaint rate, QA defect, agent handle time。
• Architect 设计点: Collections platform -> customer/account context -> policy rules -> hardship classifier -> script generator -> QA checker -> agent approval -> outcome feedback。
• Eval/Risk/Adoption: 指标包括 policy compliance, vulnerable customer detection, tone QA, wrong-action rate; 风险包括 unfair treatment, prohibited contact, coercive language; adoption 需培训和 QA 抽检。
• 当天产物: collections workflow, compliant script examples, risk/control register, pilot QA checklist。

Day 10: Week 2 Review Gate - Regulated Decision Support Memo

• 业务问题: 信贷, 欺诈, 财富, 催收都接近客户权益和资金风险, 如果用同一套 "AI 助手" 表达, 会掩盖监管和责任差异。
• AI 机会: 建立 regulated decision support review gate, 明确哪些 AI 输出可以 read/summarize, 哪些可以 recommend/draft, 哪些不得 decide/act。
• BA 任务: 汇总四个场景的 decision rights, data sensitivity, human review, audit evidence, exception paths; 标注所有会影响客户权益的节点。
• PM 判断: 形成 go / pilot / no-go 判断; 优先上线低 agency, 高可审计, 高 adoption 的流程片段; 对高风险动作要求 mandatory approval。
• Architect 设计点: 设计 shared guardrail pattern: deterministic rules before LLM, policy citation, confidence, reviewer attestation, immutable logs, rollback。
• Eval/Risk/Adoption: 输出 release gate: minimum eval threshold, red-team pass, compliance sign-off, model risk review, pilot scope, monitoring owner。
• 当天产物: regulated AI decision support memo, risk-tiered capability matrix, Week 2 interview story draft。

Day 11: Payments Exception Operations Copilot

• 业务问题: 支付失败, 重复扣款, 清算差异, 退款卡单和 settlement mismatch 需要跨支付网关, 核心账务, 清算文件和客服工单排查。
• AI 机会: AI 聚合交易状态, 解释错误码, 推荐处理路径, 生成操作记录, 但不直接改账或发起资金调整。
• BA 任务: 定义 exception taxonomy: authorization fail, capture fail, refund pending, chargeback, settlement mismatch; 梳理 ops, finance, payments engineering, customer service。
• PM 判断: MVP 聚焦 top 10 error codes 和只读诊断; 指标为 mean time to diagnose, handoff count, SLA breach, incorrect escalation。
• Architect 设计点: Ops console -> transaction timeline service -> gateway/core/ledger connectors -> error-code knowledge RAG -> recommendation engine -> approval workflow -> audit note。
• Eval/Risk/Adoption: 测试 root-cause classification, evidence completeness, recommendation safety; 风险包括 stale status, wrong refund advice, unauthorized financial action; adoption 先给 senior ops 只读使用。
• 当天产物: payment exception flow, API/data source inventory, no-action boundary, eval set, runbook entry。

Day 12: Complaint Classification And Root Cause Analysis

• 业务问题: 投诉来自电话, 邮件, App, 分行和社交渠道, 分类口径不一致, 严重投诉升级慢, 产品团队难以看到系统性问题。
• AI 机会: AI 自动分类, 多标签识别, 根因聚类, 严重投诉优先级和监管标签提示, 但最终分类和监管上报由人工确认。
• BA 任务: 定义 complaint taxonomy, severity levels, regulatory tags, product line, root cause, channel; 设计人工复核和 taxonomy change process。
• PM 判断: MVP 做 post-call/post-ticket classification; 成功指标为 classification agreement, severe complaint recall, root-cause actionability, product feedback cycle time。
• Architect 设计点: Complaint ingestion -> PII redaction -> classifier -> embedding cluster -> taxonomy manager -> reviewer queue -> analytics dashboard -> product action log。
• Eval/Risk/Adoption: golden set 覆盖低频高风险投诉; 指标关注 severe complaint recall 高于整体准确率; 风险包括严重投诉降级, 偏见分类, privacy leakage。
• 当天产物: complaint taxonomy, classification eval plan, dashboard mock data, escalation control rules。

Day 13: Frontline Staff Knowledge Assistant

• 业务问题: 分行员工和一线运营频繁查询产品政策, 资格条件, SOP, 费率, 促销和例外处理, 但不同角色权限不同, 误答会影响销售合规和客户体验。
• AI 机会: 建立 role-aware internal knowledge assistant, 按员工角色和地区返回授权答案, 引用政策来源, 对冲突或无权限问题拒答并升级。
• BA 任务: 盘点知识源, 角色权限, 地区差异, 产品版本, 禁止回答范围; 设计 frontline query journey 和 feedback process。
• PM 判断: MVP 从低风险 SOP 和产品 FAQ 开始; 指标为 self-service resolution, answer helpfulness, policy error rate, employee adoption, escalations avoided。
• Architect 设计点: SSO/RBAC -> query router -> permission filter -> retrieval -> conflict detector -> answer generator -> citation validator -> feedback and analytics。
• Eval/Risk/Adoption: 测试权限隔离, 制度冲突, jailbreak, 过期政策; 控制包括 source allowlist, version labels, no-answer behavior; adoption 通过 branch champion 和 weekly office hour。
• 当天产物: permission-aware RAG design, role-answer matrix, golden query set, adoption dashboard。

Day 14: Regulatory Change Impact Analysis Assistant

• 业务问题: 监管新规或内部政策变更发布后, 需要判断影响哪些产品, 流程, 文案, 系统, 数据字段和报表, 人工影响分析慢且容易漏。
• AI 机会: AI 解析条款, 检索内部制度, 映射流程和系统, 生成影响清单和证据引用, 但法律解释和整改结论由合规确认。
• BA 任务: 定义 regulation-to-control mapping, affected asset inventory, impact severity, owner, due date; 设计 compliance, legal, product, architecture, operations 协作流程。
• PM 判断: MVP 做 evidence-backed impact draft; 成功指标为 impact recall, time-to-first-impact-list, reviewer acceptance, missed obligation rate。
• Architect 设计点: Regulation ingestion -> clause extraction -> policy/process/system retrieval -> impact graph -> task generator -> reviewer workflow -> change log。
• Eval/Risk/Adoption: golden set 使用历史监管变更和整改记录; 风险包括漏判, 过度解释, 引用错误; adoption 需要合规 reviewer 标注 rejection reason 反哺检索。
• 当天产物: impact analysis template, RAG retrieval strategy, reviewer workflow, eval cases, governance gate。

Day 15: Week 3 Operating Model And Runbook Pack

• 业务问题: 多个运营 copilot 上线后, 部门往往缺少统一 owner, 质量监控, 事故升级, 知识更新和反馈闭环, 造成 AI 资产不可持续。
• AI 机会: 为 Week 3 场景设计 operating model, 让支付异常, 投诉分类, 前线知识, 合规影响分析共享质量管理和 runbook。
• BA 任务: 定义 RACI: business owner, product owner, BA, data owner, engineering, compliance, security, operations lead, model risk; 梳理 change request 和 incident process。
• PM 判断: 指标要覆盖 business outcome, model quality, risk signals, cost, adoption; 不能只看回答满意度。
• Architect 设计点: Shared AI operations layer: logging, eval service, feedback, knowledge versioning, access review, incident dashboard, rollback config。
• Eval/Risk/Adoption: 定义 hallucination incident, prompt injection, data leakage, provider outage, eval regression 的 runbook; adoption 以 monthly governance review 驱动。
• 当天产物: operating model RACI, AI incident runbook, weekly quality dashboard, Week 3 synthesis memo。

Day 16: Retail Inventory Replenishment Forecast Assistant

• 业务问题: 零售门店和仓库需要决定补货数量, 传统规则难以同时考虑季节, 促销, 天气, 价格, 库存周转, 供应延迟和门店差异, 造成缺货或积压。
• AI 机会: AI 提供 demand forecast, stockout risk, overstock risk 和补货建议解释, 采购经理保留最终下单权。
• BA 任务: 定义 SKU-store-day 粒度, 需求信号, 库存状态, lead time, substitution, markdown, service level; 画 replenish decision flow。
• PM 判断: MVP 选择高销量且供应稳定的品类; 成功指标为 stockout rate, inventory days, forecast bias, planner override rate, gross margin。
• Architect 设计点: POS/ERP/WMS data -> forecast model -> business rules -> explanation generator -> planner UI -> order approval -> actuals feedback。
• Eval/Risk/Adoption: backtesting 按 SKU, store, season 分层; 风险包括过度依赖预测, 数据延迟, 促销漏录; adoption 需要显示 why + override capture。
• 当天产物: inventory forecast problem statement, feature/data map, planner workflow, evaluation design, adoption plan。

Day 17: Retail Promotion Recommendation And Margin Guardrail

• 业务问题: 促销活动要平衡销量, 毛利, 库存清理, 会员增长和品牌定位, 手工选择 SKU 和折扣容易造成低利润或 cannibalization。
• AI 机会: AI 推荐促销组合, 预测 uplift, margin impact 和库存消化, 并标记不适合促销的商品或客群。
• BA 任务: 定义 promotion objective, eligible SKUs, customer segments, constraints, exclusion rules, approval workflow; 明确 marketing, merchandising, finance, store ops 的冲突。
• PM 判断: MVP 做 decision support 而非自动定价; 指标包括 incremental revenue, margin, sell-through, cannibalization, customer complaints。
• Architect 设计点: Customer/product/sales data mart -> uplift model -> optimization constraints -> scenario simulator -> approval workflow -> campaign monitoring。
• Eval/Risk/Adoption: A/B test 或 geo split 测 uplift; 风险包括歧视性定价, 过度促销, 库存错误; adoption 需要 scenario comparison 和 finance sign-off。
• 当天产物: promotion AI canvas, constraint list, experiment design, margin guardrail matrix。

Day 18: Supply Chain Delay Risk Early Warning

• 业务问题: 供应商延迟, 物流拥堵, 港口问题, 原材料短缺和异常天气会影响到货, 业务团队通常在缺货临近时才发现。
• AI 机会: AI 结合采购订单, ASN, 物流轨迹, 供应商历史, 新闻和天气信号, 预测 delay risk, 推荐替代供应或库存调拨。
• BA 任务: 定义 risk signal taxonomy, decision owner, escalation path, alternative sourcing rules, supplier communication templates。
• PM 判断: MVP 聚焦关键 SKU 和高价值供应商; 指标为 early warning lead time, precision of high-risk alerts, avoided stockout value, planner action rate。
• Architect 设计点: ERP/SCM/TMS connectors -> external signal ingestion -> risk scoring -> explanation and evidence layer -> planner workflow -> supplier action log。
• Eval/Risk/Adoption: backtest 历史延迟; 风险包括外部数据不可靠, alert fatigue, supplier relationship impact; adoption 通过 weekly S&OP review 嵌入。
• 当天产物: supply chain risk map, signal inventory, alert threshold design, response playbook。

Day 19: Store Workforce Scheduling Assistant

• 业务问题: 门店排班需要平衡客流预测, 员工技能, 劳动法规, 休假, 成本和公平性, 手工排班耗时且员工不满。
• AI 机会: AI 预测客流和工作量, 推荐排班方案, 标记法规冲突和公平性问题, 门店经理保留调整权。
• BA 任务: 定义 shift rules, skill matrix, availability, overtime, break rules, fairness constraints, manager override reason。
• PM 判断: MVP 做 schedule suggestion + violation checker; 指标为 schedule creation time, labor cost variance, service level, employee satisfaction, override reasons。
• Architect 设计点: Workforce system -> traffic forecast -> constraint optimizer -> explanation layer -> manager UI -> employee notification -> feedback loop。
• Eval/Risk/Adoption: 测试法规合规, fairness distribution, forecast accuracy; 风险包括员工感到被算法管理, 隐私, 不公平班次; adoption 需要透明解释和 appeal path。
• 当天产物: workforce scheduling flow, constraint catalog, fairness eval plan, manager adoption script。

Day 20: Week 4 Retail Case Pack - Prediction To Decision Support

• 业务问题: 零售 AI 常被误解成 "预测越准越好", 但实际价值来自预测如何进入采购, 促销, 供应链和排班决策。
• AI 机会: 将 Week 4 四个场景统一成 prediction-to-decision framework, 明确 forecast, recommendation, optimization, human approval 和 feedback。
• BA 任务: 汇总数据源, 决策频率, 责任人, override reason, downstream impact; 标出预测错误的业务后果。
• PM 判断: 选择一个最适合作品集的零售 case, 说明为什么它有清晰 baseline, 可测试指标和可落地 adoption。
• Architect 设计点: 设计 shared retail AI pattern: feature store, forecast service, constraint engine, scenario UI, approval workflow, monitoring。
• Eval/Risk/Adoption: 指标区分 model accuracy, decision quality, business outcome; 风险包括 forecast drift, optimization side effects, user override fatigue。
• 当天产物: Week 4 case pack, shared architecture sketch, prediction-to-decision rubric, retail interview story。

Day 21: Regulatory Reporting Quality Check Assistant

• 业务问题: 合规报送和监管报告需要从多个系统汇总数据, 核对口径, 生成解释和 sign-off 证据, 错报或漏报可能导致监管处罚。
• AI 机会: AI 检查报表一致性, 解释异常变动, 生成 reviewer checklist 和 evidence pack, 但不替代报送负责人签署。
• BA 任务: 定义 report inventory, field lineage, validation rules, materiality threshold, reviewer sign-off, correction workflow。
• PM 判断: MVP 从报送前 quality check 开始; 指标为 defect detection rate, review time, late correction, audit finding reduction。
• Architect 设计点: Data warehouse/reporting mart -> lineage metadata -> deterministic validation -> anomaly explanation assistant -> reviewer workflow -> sign-off archive。
• Eval/Risk/Adoption: golden set 使用历史报送缺陷; 风险包括错误解释, data lineage gap, unapproved correction; adoption 需财务/合规 reviewer 共同定义 materiality。
• 当天产物: reporting control checklist, lineage map, anomaly explanation schema, release gate。

Day 22: Finance Reconciliation Exception Explainer

• 业务问题: 月末对账差异来自总账, 子账, 支付流水, 发票, 调整分录和时间差, 财务团队需要大量人工查找原因。
• AI 机会: AI 聚合证据, 生成差异原因候选, 推荐下一步核查, 草拟 reconciliation note, 不自动入账或改分录。
• BA 任务: 定义 exception types: timing difference, duplicate, missing invoice, fee mismatch, FX difference, manual adjustment; 定义 approval 和 segregation of duties。
• PM 判断: MVP 选 payment/settlement reconciliation; 指标为 time-to-explanation, accepted explanation rate, unresolved aging, audit adjustment。
• Architect 设计点: GL/subledger/payment/invoice connectors -> matching engine -> exception classifier -> evidence retriever -> explanation generator -> finance approval。
• Eval/Risk/Adoption: 测试解释准确性, evidence completeness, inappropriate action prevention; 风险包括财务误导, unauthorized adjustment, data freshness; adoption 从 read-only note draft 开始。
• 当天产物: reconciliation exception taxonomy, data mapping table, explanation template, approval control。

Day 23: AI Vendor Model Due Diligence And Build Vs Buy

• 业务问题: 企业采购 AI 平台或模型供应商时, 常只比较演示效果和价格, 忽略数据保护, model risk, SLA, exit plan, eval ownership 和集成成本。
• AI 机会: 建立 vendor due diligence framework, 评估 foundation model, RAG platform, contact center AI, fraud AI 或 document AI 的适配性。
• BA 任务: 收集业务需求, 数据类型, 合规限制, integration needs, operational support, vendor documentation; 设计 vendor Q&A。
• PM 判断: build vs buy 不只看速度; 比较 total cost, differentiation, lock-in, control, time-to-market, internal capability; 明确 pilot success criteria。
• Architect 设计点: 评估 deployment model, data residency, encryption, audit logs, API limits, eval hooks, observability, fallback, portability。
• Eval/Risk/Adoption: 要求供应商通过企业 golden set, red-team, latency/cost test; 风险包括 data leakage, opaque model update, SLA failure, weak deletion controls。
• 当天产物: vendor scorecard, build-vs-buy decision memo, contract control checklist, exit plan sketch。

Day 24: AI Quality Dashboard Across Use Cases

• 业务问题: 多个 AI 助手上线后, 管理层只听到 adoption 或 demo 反馈, 但看不到质量, 风险, 成本, 漂移, 投诉和业务价值的综合状态。
• AI 机会: 设计 AI quality dashboard, 汇总 offline eval, online quality, user feedback, incident, cost, latency, business KPI 和 adoption。
• BA 任务: 定义指标字典, 数据来源, owner, refresh cadence, severity, drill-down; 区分每个 use case 的 guardrail metric。
• PM 判断: Dashboard 服务治理决策, 不是炫技; 指标必须能触发 continue, pause, rollback, retrain, knowledge update, training 的动作。
• Architect 设计点: App logs -> eval service -> feedback store -> incident system -> cost telemetry -> BI layer -> governance dashboard -> alert workflow。
• Eval/Risk/Adoption: 检查 dashboard 自身的数据质量和解释一致性; 风险包括 vanity metrics, false confidence, missing denominator; adoption 通过 monthly AI governance meeting 使用。
• 当天产物: AI metrics hierarchy, dashboard wireframe in text, alert rule table, governance action playbook。

Day 25: Week 5 AI Architecture Review Board Pack

• 业务问题: AI use case 如果没有 gate, 容易在数据未准备, 风险未识别, eval 不充分, owner 不清的情况下进入 pilot 或 production。
• AI 机会: 为任一前 24 天案例准备 Architecture Review Board pack, 覆盖 G0 intake 到 G7 release 的核心证据。
• BA 任务: 准备 business fit, stakeholder evidence, process map, data readiness, requirements-to-eval, risk/control, adoption plan。
• PM 判断: 用 option analysis 给出 recommendation: reject, discovery, prototype, controlled pilot, limited release; 说明业务价值和风险边界。
• Architect 设计点: 提供 component view, sequence flow, data classification, access model, model/provider choice, logging, fallback, incident flow。
• Eval/Risk/Adoption: 明确 minimum release threshold, red-team results, owner sign-off, runbook, monitoring cadence; 设计 rollback trigger。
• 当天产物: AI architecture review pack, 8 分钟评审汇报稿, gate decision record。

Day 26: Flagship Case Upgrade - AML Investigation Copilot

• 业务问题: 把 Day 1 从练习升级成作品集 case, 展示你能处理高风险金融调查 AI, 而不是只做普通 RAG。
• AI 机会: 深化 AML copilot 的 business architecture, AI pattern, eval, controls, operating model 和 interview story。
• BA 任务: 完成 redacted sample case: alert reason, customer profile, transaction timeline, red flags, missing evidence, investigator notes, supervisor QA。
• PM 判断: 给出 phased roadmap: read-only evidence assistant -> narrative draft -> QA checklist -> typology learning; 每阶段都有 release gate。
• Architect 设计点: 补齐 evidence citation store, graph relationship view, typology library, prompt injection control, case-level audit log, access segmentation。
• Eval/Risk/Adoption: 建立 20 条 AML golden cases, 5 条 adversarial cases; 控制 SAR decision boundary, MLRO approval, QA sampling; adoption 使用 senior analyst champion。
• 当天产物: AML flagship case pack, portfolio evidence map, 30 秒和 2 分钟面试答案。

Day 27: Flagship Case Upgrade - Customer Service RAG Assistant

• 业务问题: 把 Day 3 升级为低风险但高 adoption 的 flagship case, 展示你能把 RAG 做成 enterprise-grade product。
• AI 机会: 深化知识治理, answer quality eval, versioning, permissions, feedback loop 和 contact center ROI。
• BA 任务: 准备 30 条 representative queries, 5 条 conflict policy cases, 5 条 no-answer cases, 5 条 prompt injection cases。
• PM 判断: 定义 MVP, pilot group, knowledge owner workflow, adoption dashboard; 计算 AHT reduction 和 QA defect reduction 的 conservative ROI。
• Architect 设计点: 补齐 chunking/reranking strategy, metadata filter, citation validator, policy conflict detector, CRM integration, live feedback pipeline。
• Eval/Risk/Adoption: 指标包括 answer groundedness, citation precision, policy version correctness, refusal correctness, agent helpfulness; adoption 设计 coach and QA loop。
• 当天产物: Customer service RAG flagship case pack, ROI model, eval set, adoption dashboard, 8 分钟讲述稿。

Day 28: Flagship Case Upgrade - Lending Underwriting Assistant

• 业务问题: 把 Day 6 升级为高风险受监管决策辅助 case, 展示你理解 credit decision, fairness, explainability 和 human oversight。
• AI 机会: AI 只进入 document summarization, policy checklist, memo draft, reason-code consistency, 不进入自动批贷。
• BA 任务: 准备 sample loan package: application, income summary, debt profile, policy checklist, exception note, underwriter memo outline。
• PM 判断: 说明为什么不把 approval 自动化作为 MVP; 路线为 historical file shadow eval -> live shadow mode -> assisted checklist -> controlled memo draft。
• Architect 设计点: 分离 deterministic calculation, policy rules, LLM narrative, reason-code service, underwriter attestation, audit record。
• Eval/Risk/Adoption: 设计 subgroup performance review, missing-risk detection, adverse action wording check, override logging; 控制 protected attribute exclusion 和 proxy review。
• 当天产物: Lending flagship case pack, fair lending controls, architecture ADR, model risk briefing, interview follow-up answers。

Day 29: Executive Decision Memo For AI Investment

• 业务问题: 高层不会因为 "用了 AI" 批预算, 需要看到明确业务损耗, 可控方案, 投资选项, 风险边界, ROI 和决策请求。
• AI 机会: 从前三个 flagship case 中选一个, 写 executive decision memo, 请求进入 controlled pilot 或 limited release。
• BA 任务: 汇总 problem evidence, stakeholder pain, process impact, data readiness, operational constraints, regulatory considerations。
• PM 判断: 给出 3 个选项: no-AI/process improvement, limited AI copilot, broader workflow automation; 推荐一个并说明 trade-off。
• Architect 设计点: 用一页文字架构说明 integration, security, privacy, eval, monitoring, rollback; 不用模型术语堆砌。
• Eval/Risk/Adoption: 说明 pilot success criteria, stop criteria, RACI, runbook, review cadence, investment and operating cost。
• 当天产物: 2 页 executive decision memo, 3 分钟汇报稿, one-page risk and ROI appendix。

Day 30: Interview Story Bank And Portfolio Assembly

• 业务问题: 练习产出如果不能转成面试表达, 就无法证明你具备 AI BA / PM / Architect 的复合能力。
• AI 机会: 将 30 天材料整理成 story bank, 用不同岗位视角讲同一案例: BA 讲需求和流程, PM 讲取舍和价值, Architect 讲架构和治理。
• BA 任务: 为三个 flagship case 各写 problem, stakeholders, workflow, data, requirements, exceptions, acceptance。
• PM 判断: 为三个 flagship case 各写 MVP, metrics, ROI, roadmap, go/no-go, adoption strategy。
• Architect 设计点: 为三个 flagship case 各写 architecture pattern, integration, context, eval, controls, observability, rollback。
• Eval/Risk/Adoption: 准备常见追问: AI 错了怎么办, 如何证明有效, 数据不够怎么办, 合规不同意怎么办, 用户不用怎么办, 供应商换模型怎么办。
• 当天产物: 30 秒 pitch x 3, 2 分钟 story x 3, 8 分钟 deep dive x 3, portfolio evidence checklist, final self-score。

---

9. 每周产出清单

Week 1 Output

• 4 个 use case canvas: AML, KYC, 客服知识, 支付争议。
• 4 张 TO-BE workflow。
• 1 张 AI fit comparison matrix。
• 1 个 shared platform capability map。

Week 2 Output

• 4 份 regulated decision support notes: 信贷, 欺诈, 财富, 催收。
• 1 张 risk-tiered capability matrix。
• 1 份 model risk and release gate memo。

Week 3 Output

• 4 个 operations copilot / agent workflow 设计。
• 1 份 RACI。
• 1 份 incident runbook。
• 1 张 AI operations dashboard。

Week 4 Output

• 4 个零售运营 AI case。
• 1 套 prediction-to-decision framework。
• 1 张 retail AI shared architecture sketch。

Week 5 Output

• 1 个合规报送 quality control pack。
• 1 个财务对账 exception explainer pack。
• 1 份 vendor due diligence scorecard。
• 1 张 AI quality dashboard。
• 1 份 architecture review board pack。

Week 6 Output

• 3 个 flagship case pack。
• 1 份 executive decision memo。
• 1 套 interview story bank。
• 1 份 portfolio evidence checklist。

---

10. 最终作品集资产包

30 天结束后, 建议把材料整理成以下 12 个 evidence artifacts:

1. AI use case selection matrix。
2. AML Investigation Copilot case pack。
3. Customer Service RAG Assistant case pack。
4. Lending Underwriting Assistant case pack。
5. Requirements-to-eval matrix sample。
6. AI control register sample。
7. Architecture ADR sample。
8. Operating model RACI。
9. AI quality dashboard design。
10. Executive decision memo。
11. Interview story bank。
12. Portfolio evidence map: 每个 claim 对应哪份证据。

每个 case pack 推荐包含:

• 一句话业务问题。
• AS-IS / TO-BE 流程。
• AI pattern 和 no-AI alternative。
• 输入, 输出, 数据源, 权限。
• Requirements-to-eval matrix。
• Risk/control register。
• Architecture sketch。
• Pilot and adoption plan。
• ROI 和 success metrics。
• 面试 30 秒, 2 分钟, 8 分钟版本。

---

11. 面试转化方式

30 秒版本

结构:

我做过一个 [场景] 的 AI case 设计。
业务问题是 [baseline pain]。
我没有直接让 AI 做决策, 而是把它放在 [workflow point]。
方案包括 [AI pattern], [eval], [controls], [adoption]。
价值指标是 [business metric], 风险通过 [human oversight / audit / release gate] 控制。

示例:

我做过一个 AML investigation copilot 的设计。问题是 investigator 大量时间花在证据收集和 narrative 草稿上, alert backlog 高。我的方案没有让模型决定是否提交 SAR, 而是把 AI 放在 evidence retrieval, red flag checklist 和 narrative draft 环节。上线前用历史 QA cases 做 evidence recall, citation precision 和 narrative factuality eval, 并保留 supervisor review 和不可变 audit log。这样既能降低 time-to-first-summary, 又不会破坏 AML 的责任链。

2 分钟版本

结构:

1. Context: 业务流程和损耗。
2. Role: 你作为 BA / PM / Architect 负责什么。
3. Decision: 为什么选择这个 AI pattern, 为什么不自动化最终决策。
4. Design: 流程, 数据, 架构, eval, controls。
5. Outcome: 目标指标, pilot 方式, adoption。
6. Reflection: 最大风险和如何处理。

8 分钟 deep dive

结构:

1. Business architecture: capability, workflow, stakeholders, baseline。
2. Product strategy: MVP, success metric, ROI, roadmap, adoption。
3. Solution architecture: components, data flow, context, model/provider, integration。
4. EvalOps: golden set, metrics, thresholds, monitoring, regression。
5. Risk and governance: human oversight, audit, privacy, security, model risk, incident。
6. Trade-offs: speed vs control, automation vs accountability, build vs buy, accuracy vs explainability。
7. Decision request: pilot, funding, gate, owner。

常见追问准备

---

12. 自评与复盘方法

每日复盘

回答 5 个问题:

1. 这个 case 的业务 baseline 是否足够具体。
2. AI 插入点是否清楚, 是否避免了过度自动化。
3. eval 是否能真的阻止错误上线。
4. 风险控制是否有 owner, trigger 和 evidence。
5. 面试时能否在 2 分钟内讲清价值和边界。

每周复盘

给本周 5 个 drill 排序:

• 最适合作品集的 1 个。
• 最能体现 BA 能力的 1 个。
• 最能体现 PM 判断的 1 个。
• 最能体现 Architect 能力的 1 个。
• 最大风险但最值得深挖的 1 个。

最终复盘

用以下句式总结 30 天:

我通过 30 个金融零售 AI case drill, 建立了从 business problem 到 AI architecture, eval, risk control 和 adoption 的完整方法。
我最强的三个案例是 [case 1], [case 2], [case 3]。
它们分别展示我能处理 [低风险知识助手], [中风险运营 copilot], [高风险受监管决策辅助]。
我的核心方法不是追逐模型能力, 而是把 AI 放进可审计, 可评估, 可采用的业务流程。

---

13. 最终原则

AI case drill 的质量不取决于术语多少, 而取决于你能否把一个真实业务问题变成:

• 可证据化的问题定义。
• 可执行的流程改变。
• 可测试的需求。
• 可解释的架构。
• 可控的风险。
• 可持续的 adoption。
• 可复用的面试故事。

金融零售 AI 的成熟表达是:

I do not start from the model.
I start from the workflow, decision rights, evidence, controls and adoption path.
Then I decide where AI can responsibly create value.