匠人学院 JR Academy
渠道预算分析简报

用 AI 把数据变洞察

从清洗、SQL 和图表,到有数据依据的业务建议。先读一份完整分析,再沿学习路径复现每一步。

业务分析成果

渠道预算分析简报

渠道 B 的留存订单获客成本最低(A$15.63),但退款率达 20%,高于 A、C 的 5%。先调查退款原因,再决定是否小幅加预算。

  • 总花费 A$3,000
  • 180 笔订单
  • 21 笔退款
阅读完整成果
业务分析成果

渠道预算分析简报

问题:下周的新增获客预算,优先在哪个渠道做小范围试验?

渠道 B 的留存订单获客成本最低(A$15.63),但退款率达 20%,高于 A、C 的 5%。先调查退款原因,再决定是否小幅加预算。

样本范围:练习数据集 W42;三个渠道,同一周、同一退款观察窗口。金额均为 AUD。 本页筛选将退款率 ≥10% 标为需关注项,该阈值不是行业标准。

左右滑动表格,查看完整数据与复核结论

样本范围:练习数据集 W42;三个渠道,同一周、同一退款观察窗口。金额均为 AUD。 本页筛选将退款率 ≥10% 标为需关注项,该阈值不是行业标准。
渠道花费订单退款留存订单每留存单成本
渠道 A1200.006035721.05
渠道 B1000.0080166415.63
渠道 C800.004023821.05

复核方法

留存订单 = 订单数 − 退款订单数;每留存单成本 = 花费 ÷ 留存订单;退款率 = 退款订单数 ÷ 订单数。A:1200 ÷ 57 = 21.05;B:1000 ÷ 64 = 15.63;C:800 ÷ 38 = 21.05。退款率分别为 5%、20%、5%。合计 159 笔留存订单,3000 ÷ 159 = A$18.87。

WITH channels(channel, spend, orders, refunds) AS (
 VALUES ('A', 1200, 60, 3), ('B', 1000, 80, 16), ('C', 800, 40, 2)
)
SELECT channel, orders - refunds AS retained_orders,
 ROUND(100.0 * refunds / orders, 2) AS refund_pct,
 ROUND(1.0 * spend / NULLIF(orders - refunds, 0), 2) AS cost_per_retained
FROM channels;

判断边界

这份数据是三个渠道的汇总表,不能证明因果关系。缺少收入、毛利、复购和渠道归因细节,不能据此断言哪个渠道利润或 ROI 更高。退款可能尚未完全发生,正式分析须统一观察窗口。

下一步行动

  1. 运营负责人:抽查渠道 B 的 16 笔退款,按原因分组,先确认是流量质量还是产品/履约问题。
  2. 分析负责人:用相同归因与退款窗口重新导出数据,逐项核对源表和汇总表。
  3. 预算负责人:原因查清后再批准小规模试验,事先确定可接受的成本与退款率,再按同一周期复盘。

学习依据

数据分析能力自评

评估你在 6 大能力领域的掌握程度,获取个性化学习建议

数据获取与清洗

从多源获取数据,处理缺失和异常值,生成数据字典

CSV/Excel 导入导出
SQL 基础查询
API 数据获取
数据清洗(缺失值/异常值)
数据转换与标准化
数据字典编写
Pandas/Polars 操作
数据质量检测

常用 AI 数据分析工具

选择适合你的工具组合,从入门到专业全覆盖

典型业务场景

点击查看详细步骤和可复制的 Prompt 模板

📊

运营周报自动化

从 CSV 到图表结论,30 分钟出报告

▼

每周从数据库导出订单/用户数据,用 AI 生成核心指标趋势图和业务洞察,自动推送到飞书/Slack。

周报自动化流程图:从定时触发到数据导出、AI 分析、报告生成、推送

操作步骤

  1. 导出本周数据为 CSV
  2. 上传到 Code Interpreter,要求数据概览
  3. 生成 3-5 张核心图(趋势/分布/对比)
  4. 按发现-证据-建议结构输出结论
  5. 用 Zapier 定时推送 Markdown 报告
💡 参考 Prompt
这是本周订单 CSV,请:
1) 数据概览
2) 与上周对比
3) 生成 3 张核心图
4) 输出周报结论
推荐工具:Code InterpreterZapierSlack
🔬

A/B 测试解读

提供实验表,输出显著性判断和建议

▼

上传实验组/对照组数据,让 AI 计算转化率差异、统计显著性,给出是否上线的建议。

操作步骤

  1. 准备实验数据(含组别、用户ID、转化标记)
  2. 让 AI 计算各组转化率和置信区间
  3. 判断 p-value 是否显著(通常 <0.05)
  4. 输出结论:上线/继续观察/放弃
  5. 标注假设和风险
💡 参考 Prompt
这是 A/B 测试数据,请:
1) 计算转化率
2) 做显著性检验
3) 给出是否上线的建议
4) 列出风险
推荐工具:ClaudePython
👥

客服/工单分析

文本聚类,提取高频问题

▼

导入客服对话记录,让 AI 聚类主题、提取 Top N 高频问题,生成 FAQ 和改进建议。

操作步骤

  1. 导出客服对话记录为 CSV
  2. 让 AI 做文本聚类,识别主题
  3. 输出 Top 10 高频问题及样例
  4. 生成 FAQ 草稿
  5. 给出产品/流程改进建议
💡 参考 Prompt
这是客服对话记录,请:
1) 聚类主题
2) 输出 Top 10 问题
3) 生成 FAQ
4) 改进建议
推荐工具:ClaudeNotion
🗃️

SQL 助手

提供表结构,生成可执行 SQL

▼

描述数据库表结构和业务问题,让 AI 生成 SQL、解释逻辑、标注假设。

操作步骤

  1. 提供表结构和样本数据
  2. 描述要回答的业务问题
  3. 让 AI 生成 SQL 并解释
  4. 要求标注假设和数据质量风险
  5. 在测试环境验证后再用于生产
💡 参考 Prompt
表结构:orders(...), users(...)。
请统计每个区域过去 30 天的 GMV,输出 SQL 和解释。
推荐工具:ClaudeDuckDBBigQuery
💰

财务报表解读

上传 P&L,生成文字解读

▼

上传利润表/现金流表截图或 Excel,让 AI 提取关键数字、计算变化、生成解读。

操作步骤

  1. 上传财务报表(截图或 Excel)
  2. 让 AI 提取关键指标
  3. 计算同比/环比变化
  4. 生成文字解读和风险提示
  5. 标注数据来源和假设
💡 参考 Prompt
这是本季度 P&L,请:
1) 提取关键指标
2) 与上季度对比
3) 生成解读
4) 风险提示
推荐工具:GPT-4oExcel

Prompt 实验室

选择场景类型,复制 Prompt 开始你的数据分析之旅

数据清洗数据清洗
这是订单.csv,字段有 order_id, user_id, amount, created_at。请:
1) 给出数据概览(行数/缺失/异常)
2) 生成 Pandas 清洗代码
3) 输出数据字典

学习路径 & 最新动态

系统化的学习路径,从入门到精通

常见问题

关于 AI 数据分析学习的常见疑问解答

最简单的原则:上传之前先脱敏。把姓名、手机号、邮箱这些 PII 字段替换成假数据或哈希值,再丢给 AI 分析。如果你处理的是公司内部数据,优先用企业版工具(比如 Azure OpenAI 或 Claude Enterprise),数据不会被用于训练。我们在教学中反复强调一点:让 AI 展示它的计算代码和 SQL,这样你可以复核它到底读了哪些字段,有没有在输出里暴露敏感信息。
不建议。AI 擅长快速出初步结果,但它会犯一些很隐蔽的错误——比如 SQL 里漏了 WHERE 条件导致数据范围偏大,或者用错了聚合方式。我们推荐的做法是:让 AI 输出代码和计算过程,你自己跑一遍确认数字对不对,重要结论再用另一种方法(比如 Excel 手算一个小样本)交叉验证。
可以,但得摆正预期。有个学员之前做行政,完全没写过代码。她用 Code Interpreter 上传 Excel 问「帮我看看哪个月销售额最高」,AI 直接给了图表和答案——这个层面确实不需要写代码。但到了要定制清洗逻辑、调整图表样式的时候,你至少得能看懂 AI 生成的 Python 代码,知道哪里该改。课程前 3 章会带你建立这个基础,不用提前学。
Prompt 大师教的是通用 prompt 技巧,比如角色设定、思维链、few-shot 这些,适用于写作、翻译、代码等所有场景。AI 数据分析这边更垂直——你会学到怎么描述表结构让 AI 写出正确的 SQL,怎么让 AI 生成 EDA 代码而不是泛泛的建议,怎么搭建自动化周报。如果你的日常工作就是跟数据打交道,直接来这个方向。
最直接的变化是分析速度。以前写一个周报要半天,学完之后 30 分钟能搞定——包括数据清洗、画图、写结论。具体来说,你能用 AI 生成清洗代码和 SQL,自动输出带图表的分析报告,还能用 Zapier 搭定时推送。这些技能在运营分析、产品分析、BI 岗位上都用得到。
一个 ChatGPT Plus 账号就能开始。后面章节会用到 Jupyter Notebook 和 DuckDB,课程里有安装指引,跟着走就行。
关键是保留完整的代码和假设记录。让 AI 输出代码而不只是结论,把 SQL、Python 脚本、数据来源、过滤条件都存到 Git 仓库或 Notion 文档里。下次别人要复现你的分析,直接跑代码就行,不用猜你当时是怎么算的。
Excel 处理几千行数据没问题,但到了几十万行就卡了。而且 Excel 的痛点不在计算能力——是重复操作。每周导数据、做透视表、画图、写结论,这套流程用 AI 可以一句 prompt 搞定。另外 AI 能直接生成 Python/SQL 代码,方便版本管理和自动化调度,这是 Excel 做不到的。
能用,但不够精致。Code Interpreter 生成的 matplotlib 图表默认样式比较朴素,直接放到老板的 PPT 里可能不太合适。我们在课程里教了两种解决办法:一是让 AI 输出 Altair/Plotly 交互式图表,样式好很多;二是把 AI 输出的数据导入 Tableau 或 Looker 做最终呈现。初步分析用 AI 出图快速看趋势,正式汇报再用专业 BI 工具打磨。
🎯

学习更高效

让你的学习不被打断

  • ✏️做学习笔记
  • 📈追踪进度
  • 🏅获取证书
  • 💬社区答疑
免费注册 →已有账号?登录
👥5,000+ 学员在学
让你的学习不被打断
笔记 · 进度追踪 · 证书
免费注册

看完了,下一步