多维表格 + AI:公益机构怎么把 Excel 变成一套数据系统(上)

在公益机构的数据工作中，我们常常面对这样的场景：项目申请表、活动签到表、服务记录表、进度监测表……表格越建越多，数据越积越厚。当有人问一句"这个项目到底服务了多少人""这家机构的参与情况怎么样"时，答案往往不是"没有"，而是"要算一下"。

"算一下"的背后，是大量重复的筛选、核对和公式搬运。数据明明就在那里，却无法直接回答问题。这不是工具的缺失，而是组织方式的局限。

本文想讨论的，是如何把一份只会逐条累积的原始数据，变成一套可以从不同角度审视、彼此关联、可持续维护的数据系统。

实现这套系统，需要三个要素协同：

• 人负责判断——数据怎么分层、哪些实体该合并、业务关心哪些视角，只有人能做主；

• AI负责执行——建表、关联、清洗、统计这些技术工作都可以交给它，通过 AI 工作台连接飞书后，AI 能直接读写多维表格，真正动手帮你完成搭建；

• 飞书多维表格提供载体——数据存储、关联引用、自动计算与视图切换都在同一处完成。

三者缺一不可。人没有判断，系统建不对；AI 没有，执行全靠人力；载体没有，想法落不了地。

📋 本文索引：

• 一、重新认识问题：不是表格太多，而是数据没有被组织
• 二、什么是"系统"：让数据之间建立关系
• 三、数据分层：词典、选项、流水与看板

一、重新认识问题：不是表格太多，而是数据没有被组织

大多数公益机构的数据工作流是相似的：通过表单工具收集信息，定期导出为 Excel，再用公式将明细汇总成监测表。这套流程在项目初期运转良好。

但随着项目推进，数据量增大，一些问题浮现出来。

• 信息重复出现。机构名称、课程名称、志愿者姓名等信息，在同一张表里反复出现，在不同表格间反复复制。比如一个服务了 200 家机构、开展了上百场活动的项目，"机构名称"这一列有 200 个不同的值，但在几千条活动记录里，这些名称被重复写了几千次。

• 维护成本增加。当某家机构改了名，需要在每张相关的表里逐一修改。汇总表里的数字依赖公式链条，链条越长，维护越吃力。

• 视角切换受限。数据按某种方式组织好之后，想换一个角度观察——比如从"按时间排列"切换到"按机构排列"——意味着重新筛选、重新汇总、重新制作。

这些问题的根源相同：数据停留在"平铺"状态。所有信息堆在同一张表里，实体之间没有建立关系，事实与统计混在一起，录入和呈现没有分离。

当数据量足够大、业务需求足够复杂时，我们需要一种更结构化的方式来组织数据。

📸 数据"平铺状态"示意图

二、什么是"系统"：让数据之间建立关系

系统不是换个地方存数据，而是让数据获得新的能力：

• 底层数据只记录一次，其余各处都靠引用获得。一家机构的名字只在一个地方维护，但当你在活动记录、统计报表、看板图表中看到它时，它指向的是同一个对象。机构改了名，所有引用自动更新。

• 凡是算出来的数字，都由系统实时计算。完成率、累计人次、机构排名——这些不是被填进去的静态数字，而是从底层数据中实时派生的结果。任何一个汇总数字都可以点开，一路下钻到构成它的每一条明细。

• 牵一发而动全身。新增一条活动记录，相关机构的场次、人次、完成率立即重新计算。数据是"活"的——一处变化，全局呼应。

在飞书多维表格里，这种"关系"通过关联字段实现。我们把"机构"做成一张独立表，把"课程"做成另一张独立表，然后在"活动记录"表里，用关联字段指向机构表和课程表中的具体条目。

📸通过“双向关联”，实现在两个不同维度的记录中互查详情

以一个儿童教育支持项目为例：合作了 200 多家机构，开展了上百门课程，积累了 3000 多条活动记录，每条记录包含：机构名称、课程名称、主讲志愿者、活动日期、服务人次等字段。

在"平铺"的组织方式下，这些数据是 3000 多行独立的记录。想回答"某家机构累计服务了多少人次"，需要筛选出这家机构的所有活动，再求和。

在"系统"的组织方式下：

• 机构：成为飞书多维表格中的一张独立表；
• 课程：成为另一张独立表；
• 活动记录：不再把机构名称、课程名称写成文本，而是通过关联字段指向机构表和课程表中的具体条目。

这样做之后，回答"某家机构累计服务了多少人次"不再需要手工筛选——飞书多维表格会自动汇总所有关联到这家机构的活动记录。机构改了名，所有关联的活动记录和统计结果自动更新。

单独看一条记录，意义有限；但当它们连成一个整体，趋势、对比与差异便自然浮现。

三、数据分层：词典、选项、流水与看板

要建立起这样的系统，需要先建立分层的意识。

但在动手之前，更高效的做法是：先把原始数据交给 AI，让它帮你做去重统计。在 AI 工作台里，你可以直接把 Excel 文件丢给它，AI 会自动读取、解析、分析。

比如 AI 会告诉你："机构名称有 285 个不同的值，课程名称有 31 个，活动类型有 4 个，志愿者有 990 个。"

这份统计结果是分层的关键依据。根据每个字段的取值数量和复用频率，我们可以把它们归入不同的层级：

• 第一层：词典。取值多、且会被反复引用的实体——机构、课程、人员。在飞书多维表格里，这些建成独立的数据表。

• 第二层：选项。取值有限且稳定的字段——活动类型（如 4 种）、城市（如 6 个）、状态（如 10 种）。这些不需要独立成表，在飞书多维表格里做成单选或多选字段即可。轻量、够用，还能限定填法、统一口径。

• 第三层：流水。每一件实际发生的事——一次活动、一笔捐赠、一条服务记录。流水表中的每一行对应一次真实发生，通过关联字段指向词典表中的相应实体，而不是把机构名称、课程名称等文本重复抄写。

• 第四层：看板。各类统计结果——完成率、累计值、排名。看板不应该被"手工制作"，它应该由系统根据流水数据自动计算。在飞书多维表格里，这通过视图和仪表盘实现。

分层的重心在前两层。把词典和流水组织好、关联好，看板会随之而来。

回到那个儿童教育项目的例子，根据 AI 给出的去重统计，分层方案可能是：

你可以把这个方案拿给 AI 看，让它帮你检查有没有遗漏：有没有哪些字段其实也值得拆出来？有没有哪些关联关系你没考虑到？AI 会根据数据结构给出建议，但最终拍板的还是你。

用一个比喻：词典是骨骼，选项是关节，流水是血肉，关联是经络。骨骼和血肉就位了，经络自然会连通；而如果你试图跳过骨骼直接搭建"肌肉线条"，它注定站不起来。

上篇小结：想清楚，再动手

到这里，我们拿到了一份可以落地的方案：哪些字段该独立成表，哪些该做成选项，哪些是流水，看板交给系统自动算。

但方案清楚了，下一个问题是：谁来建？建表、关联、导数据、清洗——这些工作量不小，全靠人工做不动；交给 AI，又有一个前提要先解决：它得够得着你的表格。

下篇接着讲这件事：人和 AI 怎么分工，以及一个绕不开的现实问题——脏数据。

如果你也想把这件事做下去

我们建了一个公益数字化交流群，欢迎同行一起聊

扫码加入「全思科技_AI工具交流」由广州全思信息科技有限公司发起并维护