Data to AI™ / Claude/AFAS
Controller mit AFAS Profit fragen Claude, was sich in ihren Finanzdaten geändert hat und wie dieser Monat abschneidet, auf Basis der GetConnectors ihrer eigenen Umgebung.
Bessere Antworten, weniger Tokens.
Claude
In welchen Artikelgruppen wurden letzte Woche die meisten Artikel geändert, und wie hoch ist ihr durchschnittlicher Verkaufspreis?
ArtGroup 100 hat sich am stärksten verändert, mit 86 Artikeln nach ModifiedDate und einem durchschnittlichen SalesPrice von 42,10 €. Alle drei gezeigten Gruppen wurden bei der Preisaktualisierung letzte Woche bearbeitet.
| ArtGroup | Artikel nach ModifiedDate | Durchschnittlicher SalesPrice |
|---|---|---|
| 100 Profit_Article | 86 | 42,10 € |
| 200 Profit_Article | 54 | 118,40 € |
| 300 Profit_Article | 21 | 9,75 € |
AFAS hat keinen Datumsbereich, daher holt jeder Lauf die aktuellen Artikel bis zum Limit; die Woche wird nach ModifiedDate gezählt, und Artikel mit Blocked fließen nicht in den Durchschnitt ein.
AFAS Profit ist niederländische Unternehmenssoftware für Finanzen, HR, Lohnabrechnung und CRM. Dataddo extrahiert jeden GetConnector, den Sie in AFAS eingerichtet haben, mit den Feldern Ihrer Wahl, einschließlich benutzerdefinierter Felder. Die hier gezeigten mitgelieferten GetConnectors wie Profit_Article und Profit_Employee_Leaves sind Beispiele aus der AFAS-Dokumentation.
Liste im AFAS-Rechnungs-Flow die Datensätze mit last modified on seit dem 1. dieses Monats auf, deren created on in einem früheren Monat liegt.
Im Abschluss fragt der Controller Claude, welche älteren Buchungen nach Periodenbeginn angefasst wurden, und prüft die Liste, bevor die Bücher gesperrt werden.
Summiere die Betragsspalte unseres AFAS-Finanz-GetConnectors pro Monat für dieses und letztes Jahr anhand der Datumsspalte und zeige die Differenz.
Vor dem Management-Bericht erhält die Finanzleitung den Monatsvergleich in einer Antwort und geht den Monaten mit der größten Abweichung nach.
Hole mit dem dataddo-Server die AFAS-Datensätze dieses Monats nach created on und vergleiche Anzahl und Summe mit ledger/export.csv in diesem Repository.
Ein Finance Engineer nutzt Claude Code neben den Abstimmungsskripten und committet das Ergebnis zusammen mit der verwendeten Abfrage.
Data to AI™ wird pro Nutzerplatz abgerechnet, wie die KI-Assistenten, die Ihr Team bereits nutzt, mit ~25 % Rabatt bei jährlicher Abrechnung. Sie brauchen individuelle Verträge oder Mengenpreise? Sprechen Sie mit uns über Enterprise.
Stellen Sie Claude, ChatGPT und anderen KI-Tools governte Geschäftsdaten über MCP bereit.
$10.49/Monat
pro Nutzerplatz
Mindestens 3 Nutzerplätze
Stellen Sie Dataddo flexibel in jeder Cloud- oder Hybridumgebung bereit.
Benutzerdefiniert
Wir haben ein Zahlungsmodell, das zu Ihnen passt
| Ohne Dataddo |
Mit Dataddo
|
Ihr Ergebnis | |
|---|---|---|---|
| AFAS-Daten in Claude bringen | Jemand öffnet einen GetConnector in AFAS, exportiert ihn in eine Tabelle und hängt die Datei an einen Claude-Chat an, Export für Export. | Claude liest jeden AFAS-Flow über Dataddo Data Access, mit den ausgewählten GetConnector-Feldern einschließlich benutzerdefinierter Felder. | Keine manuellen Exporte mehr |
| Große GetConnectors | Ein Export endet bei dem, was Bildschirm oder Datei fassen, und niemand weiß, ob ältere Datensätze abgeschnitten wurden. | Historische Daten werden mit Limit und Skip in Batches von bis zu 50.000 Datensätzen geladen, und upsert hält das Data Warehouse frei von Duplikaten. | Vollständige Historie abfragbar |
| Erkennen, was sich geändert hat | Zwei Exporte von Hand zu vergleichen ist der einzige Weg zu sehen, welche Buchungen sich seit der letzten Prüfung bewegt haben. | Hat der GetConnector created on und last modified on, filtert Claude danach, und dataddo_extraction_timestamp zeigt, wann jede Zeile gelesen wurde. | Änderungen mit einer Frage gefunden |
| Zugriff für das Finanzteam | Jeder Controller hat einen eigenen Export, daher bekommen zwei Personen mit derselben Frage zwei verschiedene Zahlen. | Ein Owner bei Claude Team oder Enterprise fügt den Konnektor einmal hinzu, und jedes Mitglied meldet sich mit seinem eigenen Dataddo-Konto an. | Eine Version der Zahlen |
| Token-Verbrauch | Claude verbraucht Tokens, um rohe AFAS-Spalten zu erkunden, Zeilen zu sichten und neu anzusetzen, bis die Daten verstanden sind. | Felddefinitionen und Beziehungen werden vorab geliefert, sodass das Modell die Erkundung überspringt und direkt antwortet. | Weniger Tokens pro Antwort |
| Antwortqualität | Anfällig für falsche Joins, erfundene Felder und schwer überprüfbare Zahlen. | Antworten auf Basis definierter Felder. Im Dataddo-Benchmark wurden 78,5 % der Fragen korrekt beantwortet, gegenüber 65,5 % mit einfachen CSV-Dateien. | Bessere Antworten |
Die AFAS-Datensätze, die Finance- und RevOps-Teams am häufigsten nutzen, mit ihren echten Feldnamen. Claude fragt sie über die semantische Schicht von Dataddo beim Namen ab.
| Datensatz | Metriken und Attribute |
Fragen Sie Claude
|
|---|---|---|
| Profit_Article (example GetConnector) |
|
Welche Artikel haben in diesem Monat ein ModifiedDate, und wie hoch ist ihr SalesPrice nach ArtGroup? |
| Profit_Employee_Leaves (example GetConnector) |
|
Wie viele Abwesenheitsdatensätze haben ein StartDate in jedem Monat dieses Year? |
| ProfitGetConnectoren (example GetConnector) |
|
Welche GetConnectors bietet unsere AFAS-Umgebung, nach Naam und Omschrijving? |
| Date and key fields |
|
Wie viele Datensätze wurden laut created on an jedem Tag dieses Monats in dem GetConnector angelegt, den wir extrahieren? |
Wir haben 43 vorab registrierte Fragen zu drei echten Datensätzen gestellt - Google Search Console, HubSpot-Deals und Google Ads - und dieselben Zeilen auf vier Arten an dasselbe Modell geliefert. Nur die Datenschicht hat sich geändert.
der Fragen richtig beantwortet - der beste der vier getesteten Bereitstellungswege
weniger selbstsicher falsche Antworten - 14,0 % der Durchläufe gegenüber 24,0 % und 26,3 %
mehr richtige Antworten bei unübersichtlichen CRM-Daten - besser bei 8 Fragen, bei keiner schlechter
Dasselbe Modell, dieselben Prompts und dieselben Zeilen in jeder Bedingung; 759 bewertete Durchläufe, Referenzantworten vor dem ersten Durchlauf festgelegt. Allein bei Google Search Console schnitten dokumentierte CSV-Dateien genauso gut ab wie Data to AI™ - der Vorteil entsteht bei unübersichtlicheren Daten wie HubSpot-Deals.
Benchmark lesen →Autorisieren Sie AFAS in Dataddo mit Environment Type, Environment ID und einem AFAS-Token aus einem App Connector, und legen Sie pro GetConnector eine Quelle mit den benötigten Feldern an. Verbinden Sie die Flows mit einem Claude-Ziel oder AI Model und fügen Sie Dataddo Data Access aus dem Konnektor-Verzeichnis von Claude hinzu.
Ein AFAS-Token, das Sie beim Anlegen eines App Connectors in AFAS erhalten, sowie Ihre Environment ID und den Environment Type (Profit, Accept oder Test). Claude sieht das Token nie, es liest nur, was Dataddo extrahiert.
Die GetConnectors, die Sie extrahieren. Beim Anlegen einer Quelle wählen Sie einen GetConnector aus Ihrer Umgebung und die gewünschten Felder, und in dieser Liste können auch benutzerdefinierte Felder erscheinen.
Jeder Lauf holt Datensätze bis zum Limit in den erweiterten Einstellungen der Quelle. Laden Sie die Historie in Batches von bis zu 50.000, indem Sie Skip erhöhen, idealerweise in ein Data Warehouse mit upsert, dann kann Claude alles abfragen.
Ja. Bei Anmeldung mit Ihrem Claude-Konto lädt Claude Code den Dataddo-Konnektor, sodass Sie Ihre AFAS-Flows aus dem Terminal abfragen, während Sie in einem Repository arbeiten.
Nein. Claude fragt extrahierte Daten über die semantische Schicht nach Entitäts- und Feldnamen ab. Dataddo nimmt nie SQL vom Modell an, und nichts wird nach AFAS zurückgeschrieben.
Ja. Claude zeigt die Tool-Berechtigungen des Konnektors an, und Sie legen pro Tool fest, ob Claude es frei nutzen darf oder Sie zuerst fragen muss.
