AI 数据分析-周报工具
将需要花半天来整理周报的工作量，压缩成几分钟的自动化业务分析流程。
工作流
项目背景
- 在之前的工作经历中，我每周都需要整理产品周报，对业务数据进行观测和分析
- 包括拉取 Excel、整理字段、计算指标、对比数据变化、异常定位和结论输出，整个过程通常需要半天以上
- 后来在学习 AI Coding 的过程中，我重新审视这个场景
- 每周的重复性工作，很多时间和精力都花在数据整理和报告的整理输出上，然而对数据的洞察和业务的思考，才是这项工作的核心
- 结合一定的业务背景，以及LLM的推理、总结能力，应该可以有效提升数据分析的效率和深度
- 所以做了这个 Demo，希望验证：
- 能否通过 AI 自动理解业务场景和数据结构
- 自动完成指标分析、异常识别和结论生成
- 将这类高频、重复、但又需要业务判断的分析工作，沉淀成一个自动化工具
我做了什么
- 还原线下实际整理周报的过程，并抽象为可执行的分析流程
- 设计系统交互逻辑，包括 LLM 的接入节点、上下文结构和结构化输出规范
- 基于 AI Coding 工具，快速完成自动化分析工具的原型验证
核心流程
- 程序接收 Excel 文件，并自动读取所有 Sheet 数据
- 解析数据结构，完成字段识别、指标计算和数据画像生成
- 根据业务规则和指标口径相应文档，动态构建 Prompt，并发送给 LLM 分析
- 接收 LLM 返回的结构化结果，包括异常提醒、经营结论和产品建议
- 根据 JSON 结构动态渲染分析报告，输出给用户
验证结果
- 能覆盖周报中大量重复性的整理、计算和初步归纳工作
- 结合业务背景和指标口径后，LLM能识别出数据缺口、异常指标以及提出相对合理的后续行动建议
- 可以让人把更多时间放在判断和决策上
阶段思考
- 核心启发
- 借助 AI 做通用的数据分析，通常结果不尽人意，但是结合业务经验、规则后，AI输出的分析报告比较贴合实际业务情况。
- 只有先把业务知识结构化，AI 的输出才更容易进入真实工作流
- 分工边界
- AI 更适合负责生成第一版分析、发现异常和整理问题
- 人仍然需要判断这些结论是否成立、背后是否有业务原因、哪些建议值得推进
- 在未来的工作中，希望把重复性的业务分析、运营分析和产品复盘，逐步沉淀成内部工具
- 在现有 Demo 的基础上，后续增加数据库存储每次上传的原始数据以及分析结果，以及AI得出的异常指标的业务原因备注等，都可以给 AI 提供更多的上下文信息，AI 分析工具会「越用越强」。