新書推薦：
《
玫瑰花园
》
售價：HK$
54.8
《
智能体时代
》
售價：HK$
86.9
《
镇馆之宝 精讲66家博物馆文物珍品 从新石器时代到大清王朝
》
售價：HK$
756.8
《
周期与财富
》
售價：HK$
108.9
《
STEM科学新知：炫酷科技
》
售價：HK$
75.9
《
文化的曜变：日本国宝中的唐风汉骨
》
售價：HK$
86.9
《
好孕，从卵子开始（第3版）
》
售價：HK$
86.9
《
父母会规划，孩子能成才
》
售價：HK$
65.8
|
| 內容簡介： |
《AIGC辅助数据分析与数据化运营：场景化解决方案与案例分析》：
來源：香港大書城megBookStore,http://www.megbook.com.hk
内容简介
这是一本能从业务、方法、场景3个维度帮助读者使用AI技术提升数据分析和数据化运营能力的著作。用扎实的理论框架、丰富的实践案例、实用的操作技巧，全面展示了如何用AI延伸业务分析广度、拓展业务分析深度、优化业务分析效能，从而达到帮助企业用智能的数据化运营实现业务持续增长的目的。
阅读并实践本书，你将有以下收获：
（1）理解并掌握AI辅助数据分析的思路，以及应该具备的AI能力、方法和工具。
（2）系统掌握AI在数据分析报告中的创新应用，包括思维导图生成、报告材料整理、核心内容撰写以及报告试讲和优化等。
（3）掌握AI在市场分析和行业分析中的应用，包括数据采集、宏观分析、行业与市场概况分析、市场细分与目标市场定位、市场发展趋势与市场风险分析。
（4）掌握AI在竞争分析中的应用，包括收集竞争分析报告与数据、竞品调研、竞争识别与分析、竞争对手分析模型以及竞争对手事件跟踪分析等。
（5）掌握AI在客户运营分析中的应用，包括客户标签体系设计、客户服务与管理分析、客户全生命周期分析、社交管理分享、客户舆论与口碑分析、客户调研分析以及专题性客户与社群分析等。
（6）掌握AIGC在广告分析中的应用，包括广告创意生成、广告创意分析、广告目标受众选择、广告投放时机分析、广告落地页A/B测试与假设检验分析、广告效果分析以及广告价值因素解读与投放预测等。
（7）掌握AI在商品运营分析中的应用，包括商品选品分析、爆款商品运营分析、商品库存分析、商品定价分析、商品流量运营分析、商品销售分析以及商品序列销售分析等。
（8）掌握AI在促销活动运营分析中的应用，包括优惠券分析、促销活动营销组合与引流分析、促销活动页面热图分析、促销活动主会场流量来源与导流分析、促销活动内容个性化推荐、促销活动复盘与总结以及竞品促销活动信息分析等。
本书采用案例驱动的写作方式，通过实际业务案例详细拆解AI技术在各个场景中的应用步骤和技巧。语言简洁易懂，理论与实践结合，注重实用性和可操作性，帮助读者快速掌握核心知识。提供丰富的实际案例和操作指南，涵盖多种AI工具和交互技巧，确保读者能够学以致用。
《AIGC辅助数据分析与挖掘：基于ChatGPT的方法与实践》：
内容简介
这是一本能指导数据分析师和数据挖掘工程师在AIGC时代快速实现能力跃迁的著作，教会他们使用ChatGPT等AIGC工具，大幅提升数据分析与挖掘的能力和效率。
全书围绕Excel、SQL和Python这3大常用的数据分析和挖掘工具展开，从方法和实践2个维度系统讲解了如何使用ChatGPT和Bing Copilot等AIGC工具来辅助提升效率。
全书一共8章，内容可以分为四个部分：
1.AIGC工具使用和Prompt撰写
首先详细介绍了数据分析与挖掘能用到的各种AIGC工具的使用方法和注意事项，然后全面讲解了如何面向数据分析与挖掘场景构建高质量的Prompt，包括大量的方法和最佳实践。
2.AIGC辅助Excel数据分析与挖掘
方法角度，详细阐述了AIGC工具如何辅助Excel数据分析与挖掘，包括数据集生成、数据管理、数据处理、数据分析和数据展示等；实践角度，通过RFM分析、时间序列分析和相关性分析等3个方面的案例讲解了AIGC工具与Excel在不同场景中的结合使用。
3.AIGC辅助SQL数据分析与挖掘
方法角度，详细讲解了AIGC工具如何辅助SQL数据分析与挖掘，包括数据准备、查询、清洗、转换、分析等；实践角度，通过广告渠道评估、归因报表、留存报表等3个方面的案例讲解了AIGC工具与SQL在不同场景中的结合使用。
4.AIGC辅助Python数据分析与挖掘
方法角度，详细讲解了AIGC工具如何辅助Python数据分析与挖掘，包括环境构建、数据探索、数据处理、AutoML等；实践角度，通过广告预测、商品分析和KPI监控等3个方面的案例讲解了AIGC工具与Python在不同场景中的结合使用。
除此之外，本书还全面总结了用AIGC辅助这3种数据分析与挖掘工具时会遇到哪些问题以及有哪些注意事项。
|
| 關於作者： |
|
宋天龙(TonySong)，触脉咨询合伙人，Webtrekk中国区前技术和咨询负责人。在数据领域工作15年，积累了大量的数据工作经验、案例、场景和方法，并且在数据分析领域颇有口碑。擅长数据挖掘、建模、分析与运营，精通端到端数据价值场景设计、业务需求转换、数据结构梳理、数据建模与学习以及数据工程交付。在跨境、电子商务、零售、银行、保险等多个行业拥有丰富的数据项目工作经验，参与过集团和企业级数据体系规划、DMP与数据仓库建设、标签和画像系统、大数据产品开发、网站流量系统建设、个性化智能推荐与精准营销、企业大数据智能营销与应用等。服务客户包括联合利华、Webpower、德国OTTO集团电子商务（中国）、Esprit中国、猪八戒网、顺丰优选、乐视商城、泰康人寿、酒仙网、国美在线、迪信通等。著作成果：《AIGC辅助数据分析与挖掘：基于ChatGPT的方法与实践》《Python数据分析与数据化运营》《企业大数据系统构建实战：技术、架构、实施与应用》《网站数据挖掘与分析：系统方法与商业实践》等。
|
| 目錄：
|
《AIGC辅助数据分析与数据化运营：场景化解决方案与案例分析》
目 录 Contents
前言
第一部分 数据分析基础
与报告交付
第1章 AIGC辅助数据分析2
1.1 AIGC在数据分析中的应用2
1.1.1 应用背景2
1.1.2 应用价值3
1.1.3 应用流程5
1.2 利用AI的逻辑推理能力进行
因果分析6
1.2.1 因果分析的场景和价值7
1.2.2 交互式因果分析过程8
1.2.3 AI辅助因果分析案例8
1.2.4 设计和实施因果实验10
1.2.5 AI辅助因果实验案例11
1.3 利用AI的智能思维进行异常
诊断分析13
1.3.1 异常诊断的场景和价值13
1.3.2 发现和识别异常问题14
1.3.3 构建和完善分析思路14
1.3.4 定位和解决异常根源15
1.3.5 分享同类型问题的解决思路16
1.4 利用AI的资深经验完善数据
分析思维17
1.4.1 从业务需求到数据分析目标17
1.4.2 从数据分析目标到数据分析
框架17
1.4.3 从数据分析框架到数据分析
方法18
1.4.4 从数据分析方法到数据分析
结论18
1.4.5 从数据分析结论到业务落地19
1.5 利用AI知识推荐合适的数据
分析工具19
1.5.1 市场分析类工具推荐19
1.5.2 竞争分析类工具推荐20
1.5.3 数据分析、挖掘与建模类
工具推荐21
1.5.4 数据可视化分析类工具推荐22
第2章 AIGC辅助数据分析
报告撰写24
2.1 AIGC在数据分析报告撰写中
的应用24
2.1.1 应用背景24
2.1.2 应用价值25
2.1.3 应用流程26
2.2 生成数据分析报告的思维导图27
2.2.1 思维导图在报告中的多重
用途27
2.2.2 利用AIGC引导生成分析
思路27
2.2.3 使用开源工具Markmap将
AIGC内容转化为思维导图29
2.2.4 使用商业工具Xmind将AIGC
内容转化为思维导图30
2.3 生成数据分析报告所需的材料32
2.3.1 利用AIGC生成报告模板33
2.3.2 利用AIGC生成自定义数据
表格34
2.3.3 利用AIGC生成数据图形35
2.4 撰写数据分析报告的核心内容36
2.4.1 从零开始创建数据分析报告36
2.4.2 扩展已有数据分析报告的内容38
2.4.3 提供支撑观点的事实论据40
2.4.4 提炼核心要点41
2.4.5 提炼报告摘要41
2.4.6 给出有价值的行动建议44
2.4.7 润色和优化报告表达45
2.4.8 生成多语言类型的报告47
2.5 数据分析报告试讲与优化48
2.5.1 报告试讲的价值和主要应用
场景49
2.5.2 如何通过与AI交互试讲报告49
2.5.3 为AI定义目标受众角色51
2.5.4 准备报告试讲的腹稿52
2.5.5 模拟报告试讲的过程53
第二部分 外部业务场景分析
第3章 AIGC辅助市场及行业分析60
3.1 AIGC在市场及行业分析中的应用60
3.1.1 应用背景60
3.1.2 应用价值61
3.1.3 应用流程61
3.2 数据采集与宏观分析62
3.2.1 寻找可靠的宏观分析数据源62
3.2.2 有效收集宏观分析数据64
3.2.3 利用AIGC清洗宏观数据65
3.3 行业与市场概况分析66
3.3.1 行业概况分析66
3.3.2 竞争格局分析69
3.3.3 消费者洞察分析70
3.3.4 市场PEST分析72
3.4 市场细分与目标市场定位分析73
3.4.1 市场细分分析73
3.4.2 目标市场定位分析76
3.4.3 目标市场生命周期分析78
3.5 市场发展与趋势研究80
3.5.1 分析市场影响因素80
3.5.2 掌握行业最新趋势82
3.5.3 发现行业热点话题83
3.5.4 持续追踪行业热点85
3.6 市场风险分析86
3.6.1 分析行业内的潜在风险87
3.6.2 分析跨行业的潜在风险87
第4章 AIGC辅助竞争分析89
4.1 AIGC在竞争分析中的应用89
4.1.1 应用背景89
4.1.2 应用价值90
4.1.3 应用流程90
4.2 收集竞争分析报告与数据91
4.2.1 寻找竞争分析的数据源91
4.2.2 寻找公开的竞争分析报告93
4.3 利用Edge浏览器的Copilot
进行竞品调研95
4.3.1 利用“聊天”功能提炼网页
报告概要95
4.3.2 利用“见解”功能分析竞争
对手网站98
4.4 竞争识别与分析101
4.4.1 识别并分析竞争对手101
4.4.2 识别并分析竞争产品或服务103
4.5 竞争对手分析模型105
4.5.1 SWOT分析105
4.5.2 波特五力分析108
4.5.3 GE/McKinsey矩阵分析112
4.6 竞争对手事件跟踪分析118
4.6.1 发现竞争对手重大事件118
4.6.2 持续跟踪竞争对手事件的
进展120
第三部分 企业内部运营分析
第5章 AIGC辅助客户运营分析124
5.1 AIGC在客户运营分析中的应用124
5.1.1 应用背景124
5.1.2 应用价值125
5.1.3 应用流程125
5.2 客户标签体系设计125
5.2.1 让AI完善客户标签体系126
5.2.2 让AI初步进行客户标签
细化128
5.2.3 让AI转换身份再次完善
标签体系129
5.2.4 通过补充专家经验让AI
优化标签体系设计130
5.3 客户服务与管理分析132
5.3.1 基于图片自动识别客户需求
关键字132
5.3.2 从投诉文本中自动提取客户
需求关键字134
5.3.3 从客户建议中梳理信息并完
成摘要136
5.3.4 基于自然语言的推介服务与
销售方案137
5.4 客户生命周期分析139
5.4.1 利用AI分析新客留存异常139
5.4.2 AIGC辅助Python完成客户
预测分析141
5.4.3 AIGC辅助Python完成客户
生命周期价值预测144
5.5 社交管理分析146
5.5.1 利用AI撰写社交活动策划
方案147
5.5.2 利用ChatGPT-4找到裂变数
据中的关键节点148
5.6 客户舆论与口碑分析151
5.6.1 利用AI发现网络媒体中的
危机事件151
5.6.2 利用AI监测网络口碑和
关键字153
5.7 客户调研分析156
5.7.1 利用AI设计调研问卷156
5.7.2 利用GPTs完成客户调研：
设计调研功能158
5.7.3 利用GPTs完成客户调研：
实施调研过程164
5.8 利用ChatGPT-4分析上传的
客户数据167
5.8.1 让AI提出数据分析思路168
5.8.2 让AI完成客户商品偏好
分析170
5.8.3 让AI完成客户互动分析172
5.9 基于AIGC Python完成复杂
客户社群分析176
5.9.1 客户社群特征分析概述176
5.9.2 准备客户社交关注数据177
5.9.3 基于PageRank的个人影响力
分析177
5.9.4 基于聚类系数的社区紧密度
分析179
5.9.5 基于标签传播算法的社区发
现与结构分析181
5.9.6 社区群组特性统计：大小、
密度与平均度182
5.9.7 使用ABC法则划分社区群组
的运营优先级184
5.9.8 小结186
第6章 AIGC辅助广告分析187
6.1 AIGC在广告分析中的应用187
6.1.1 应用背景187
6.1.2 应用价值188
6.1.3 应用流程188
6.2 广告创意生成189
6.2.1 展示广告：利用ChatGPT-4
生成创意素材189
6.2.2 社交媒体广告：利用
ChatGPT-4生成推广
文案和配图191
6.2.3 关键字广告：利用AI扩展
长尾关键词192
6.2.4 关键字广告：利用New Bing
Chat挖掘新词193
6.2.5 关键字广告：利用AI优化
广告标题和描述文案195
6.3 广告创意分析196
6.3.1 利用AI分析高质量广告
文案特征196
6.3.2 利用New Bing Chat分析
高质量广告图片特征198
6.4 广告的目标受众选择200
6.4.1 利用ChatGPT-4从Ads数据
中提炼高价值人群特征200
6.4.2 利用ChatGPT-4提取全量
数据下的目标人群202
6.4.3 AIGC辅助Python确定目标
广告投放受众列表206
6.5 广告投放时机分析209
6.5.1 AIGC辅助Python完成多
目标广告曝光频次分析209
6.5.2 AIGC辅助Python完成多
目标广告投放时间分析211
6.6 广告落地页A/B测试与假设
检验分析212
6.6.1 A/B测试与假设检验概述213
6.6.2 准备A/B测试数据213
6.6.3 让AI设计假设检验实施
方案214
6.6.4 基于AI方案在Excel中
实现两组曝光数据均衡215
6.6.5 利用AI完成T检验217
6.6.6 利用AI解读假设检验结果218
6.7 广告效果评估分析219
6.7.1 利用AI分析并确定最优
广告归因模型219
6.7.2 AI辅助Python分析广告
投放因素对广告效果的影响222
6.8 基于AIGC Excel实现广告
价值因素解读与投放预测226
6.8.1 准备广告费与订单量数据226
6.8.2 研究自变量和因变量的关系226
6.8.3 基于AI的推理能力完成
回归分析227
6.8.4 AI辅助Excel趋势线的
回归分析228
6.8.5 AI辅助Excel数据分析
工具的回归分析228
6.8.6 让AI解读回归模型结论231
6.8.7 基于广告费预测订单量232
6.8.8 小结232
第7章 AIGC辅助商品运营分析234
7.1 AIGC在商品运营分析中的应用234
7.1.1 应用背景234
7.1.2 应用价值234
7.1.3 应用流程235
7.2 商品选品分析235
7.2.1 基于New Bing Chat从海量
数据中发掘季节性热点商品236
7.2.2 利用AI从上传的网站搜索
关键字中挖掘商品需求237
7.2.3 利用AI从提示信息的网站
搜索关键字中挖掘商品需求239
7.2.4 AI辅助Python进行商品关
联组合选品240
7.3 爆款商品运营分析244
7.3.1 利用ChatGPT-4生成潜在的
爆款商品分析数据244
7.3.2 利用AI拓展潜在的爆款商
品的初步识别规则247
7.3.3 利用ChatGPT-4上传数据并
识别潜在爆款商品248
7.3.4 理解ChatGPT-4任务实现
逻辑250
7.3.5 AI辅助Python揭示爆款
商品的关键特征253
7.4 商品库存分析256
7.4.1 AI辅助Python完成库存
ABC分级分析256
7.4.2 利用AI智慧驱动库存ABC
分级的应用落地259
7.4.3 利用AI提供计算安全库存
阈值的最佳方法261
7.4.4 AI辅助Excel计算安全库
存阈值262
7.4.5 AI辅助Python完成商品库
存预测263
7.5 商品定价分析265
7.5.1 利用AI确定价格与销量关
系的分析思路265
7.5.2 AI辅助Python分析价格
对销量的影响266
7.6 商品流量运营分析268
7.6.1 利用AI诊断大流量下商品
转化差的问题269
7.6.2 寻找内部优质网站运营流
量来源271
7.6.3 利用AI分析资源位位置与
点击量的关系274
7.6.4 利用AI排除商品品类因素
对资源位点击量的影响277
7.7 商品销售分析281
7.7.1 利用AI定义商品销售转化
漏斗281
7.7.2 利用AI完成竞品波士顿
矩阵分析282
7.7.3 利用AI扩展波士顿矩阵
应用场景285
7.8 利用AIGC Python完成商品
序列销售分析286
7.8.1 准备商品销售数据286
7.8.2 AIGC辅助Python完成两
项序列模式的销售分析287
7.8.3 利用New Bing Chat的图片
识别能力解决代码报错问题289
7.8.4 AIGC辅助Python完成多项
序列模式的销售分析291
7.8.5 商品序列关联分析结果的落
地应用292
7.8.6 小结293
第8章 AIGC辅助促销活动
运营分析294
8.1 AIGC在促销活动运营分析中
的应用294
8.1.1 应用背景294
8.1.2 应用价值294
8.1.3 应用流程295
8.2 优惠券分析295
8.2.1 利用AI完善优惠券的生命
周期漏斗分析296
8.2.2 利用AI设计优惠券发放渠
道的数据采集方案298
8.2.3 利用AI分析优惠券对订单
量和订单收入的参与度300
8.2.4 利用AI设计不同群组的销
售对比方案302
8.2.5 AI辅助Python分析优惠券
数量与订单量的相关性303
8.2.6 AI辅助Python分析优惠券
数量对订单量的解释程度304
8.2.7 拓展分析：优惠券对企业运
营的更多贡献场景307
8.3 促销活动营销组合与引流分析307
8.3.1 AI辅助Python完成热门
转化路径分析307
8.3.2 AI辅助Python完成渠道
转化角色分析311
8.3.3 AI辅助Python完成基于渠
道序列访问的组合分析312
8.3.4 AI辅助Python完成基于渠
道无序访问的组合分析314
8.4 利用热图分析促销活动页面的
用户互动317
8.4.1 利用Clarity收集数据并生成
热度地图317
8.4.2 利用Clarity的AI能力生成热
度见解319
8.4.3 利用New Bing Chat生成热度
见解322
8.5 促销活动主会场流量来源与
导流分析324
8.5.1 AI辅助Python分析主会场
站外流量来源325
8.5.2 AI辅助Python分析主会场
站内流量来源326
8.5.3 AI辅助Python分析主会场
下一步流量出口328
8.6 促销活动内容个性化推荐330
8.6.1 AI辅助Python实现基于
协同过滤的促销活动推荐330
8.6.2 AI辅助Python完成基于
用户浏览序列关联模式的
商品推荐333
8.7 促销活动的复盘与总结335
8.7.1 利用AI分析全年促销活动
对销售的拉动价值335
8.7.2 利用AI进行促销活动废
单分析338
8.8 利用New Bing Chat分析竞争
对手促销活动信息341
8.8.1 分析竞争对手活动节奏信息341
8.8.2 分析竞争对手主打商品信息343
8.8.3 分析竞争对手优惠券信息345
8.8.4 针对竞争对手促销活动的
SWOT分析346
《AIGC辅助数据分析与挖掘：基于ChatGPT的方法与实践》
序
前言
第一部分 AIGC基础知识
第1章 AIGC赋能数据分析与挖掘2
1.1 探索主流的AIGC产品2
1.1.1 ChatGPT：AIGC的行业标杆2
1.1.2 New Bing Chat：Bing聊天助手3
1.1.3 GitHub Copilot：智能编程伙伴3
1.1.4 Microsoft 365 Copilot：Microsoft一站式办公AI4
1.1.5 Azure OpenAI：Azure云平台服务4
1.1.6 Claude：Anthropic AI工具5
1.1.7 Google Bard：Google AI对话工具5
1.1.8 文心一言：百度AI工具6
1.1.9 通义千问：阿里AI工具6
1.2 选择适合数据工作的AIGC产品6
1.2.1 产品选择攻略：应用场景与关键要素6
1.2.2 应用集成AIGC：一站式AI助手7
1.2.3 SaaS模式AIGC：灵活的AI as a Service 7
1.2.4 私有化部署AIGC：企业定制版AI 9
1.3 ChatGPT实操指南9
1.3.1 ChatGPT的常用技巧9
1.3.2 ChatGPT的高级功能12
1.4 New Bing Chat实操指南14
1.4.1 New Bing Chat的常用技巧14
1.4.2 New Bing Chat的高级功能15
1.5 AIGC驱动数据分析与挖掘变革18
1.5.1 技能要求：数据从业者的技能演进18
1.5.2 应用场景：数据工作的加速器19
1.5.3 人机协作：数据工作的新范式19
1.6 AIGC在数据工作中的注意事项20
1.6.1 基于最新知识的推理限制20
1.6.2 “一致性”观点的挑战20
1.6.3 数据结果审查与验证21
1.6.4 数据安全、数据隐私与合规问题21
1.6.5 知识产权及版权问题22
1.6.6 社会认知偏差影响数据推理22
1.6.7 难以解决大型任务的统筹与复杂依赖问题22
1.6.8 垂直领域数据和知识缺失问题22
1.6.9 上下文数据容量限制23
1.6.10 多模态语境的输入限制23
1.6.11 编造事实24
1.6.12 合理设置AIGC使用期望24
第2章 构建高质量Prompt的科学方法与最佳实践25
2.1 Prompt的基本概念25
2.2 Prompt对AIGC的影响和价值25
2.2.1 模型的输入来源25
2.2.2 控制模型复杂度26
2.2.3 提高内容生成质量26
2.2.4 个性化体验和内容定制27
2.3 Prompt输入的限制规则27
2.3.1 信息类型的限制27
2.3.2 数据格式的约束规则27
2.3.3 内容长度的合理限制28
2.3.4 对话主题的限制原则28
2.3.5 语法和语义的严格限制28
2.4 高质量Prompt的基本结构29
2.4.1 角色设定：明确AI角色与工作的定位29
2.4.2 任务类型：明确AI任务的类别与性质29
2.4.3 细节定义：准确定义期望AI返回的输出30
2.4.4 上下文：让AI了解更多背景信息30
2.4.5 约束条件：限制AI返回的内容31
2.4.6 参考示例：优质示例的参考借鉴31
2.5 提升Prompt质量的关键要素32
2.5.1 指令动词：精确引导模型行动32
2.5.2 数量词：明确量化任务要求33
2.5.3 函数和公式：运用数学逻辑的威力34
2.5.4 标记符号：有效提示引用信息34
2.5.5 条件表达：准确限定输出条件35
2.5.6 地理名词：地理位置信息的界定35
2.5.7 日期和时间词：数据周期的明确表达36
2.5.8 比较词：精确比较与对比要求36
2.5.9 参考示例词：基于样板输出内容36
2.5.10 语言设置：设定合适的输出语言37
2.5.11 否定提示词：反向界定与排除歧义37
2.6 构建Prompt的最佳实践38
2.6.1 明确目标和场景：精准设定任务目标38
2.6.2 任务分解：拆解大型、复杂任务39
2.6.3 交互反馈：基于正负向反馈的优化40
2.6.4 让AI提问：引导模型主动提问41
2.6.5 控制上下文：合理管理对话信息量41
2.6.6 引导、追问和连续追问：优化对话交互42
2.6.7 语言简明扼要：语言表达精炼43
2.6.8 使用英文Prompt：借助英文提升质量43
2.6.9 输入结构化数据：让AI充分理解数据44
2.6.10 提供参考信息：确保信息完整性44
2.6.11 增加限制：避免输出宽泛内容45
2.6.12 明确告知AI：不知道时请回答“不知道”45
2.7 精调Prompt示例：引爆AIGC优质内容46
2.7.1 逐步启发和引导式的Prompt精调46
2.7.2 从广泛到收缩的Prompt精调47
2.7.3 利用反转角色的Prompt精调48
2.7.4 基于少样本的先验知识的Prompt精调49
2.7.5 基于调整模型温度参数的Prompt精调50
2.7.6 基于关键问题的Prompt精调51
2.8 Prompt构建工具：轻松撰写提示词52
2.8.1 Prompt构建工具简介52
2.8.2 New Bing Chat的提示词构建和引导功能52
2.8.3 ChatGPT第三方客户端工具的Prompt模板53
2.8.4 ChatGPT Prompt Generator：AI驱动的Prompt构建工具56
2.9 常见问题56
2.9.1 为什么Prompt相同AIGC答案却不一样56
2.9.2 会写Prompt就能做数据分析与挖掘吗57
2.9.3 如何避免Prompt的内部冲突和矛盾57
2.9.4 如何避免Prompt的内部歧义和模糊性58
2.9.5 在New Bing Chat中如何选用合适的对话风格来适应不同的数据分析与挖掘场景59
2.9.6 如何积累高质量Prompt并形成知识库59
第二部分 AIGC辅助Excel数据分析与挖掘
第3章 AIGC辅助Excel数据分析与挖掘的方法62
3.1 利用AIGC提升数据分析师的Excel技能62
3.1.1 利用AI指导Excel操作62
3.1.2 利用AI辅助VBA自定义编程63
3.1.3 利用Office AI在Excel中实现对话式数据分析65
3.1.4 利用Copilot或AI插件增强Excel功能65
3.1.5 利用第三方工具扩展Excel应用65
3.2 Excel应用中的Prompt核心要素66
3.2.1 明确Excel版本环境：确保兼容性66
3.2.2 确定数据文件和工作簿来源：导入数据67
3.2.3 描述数据字段和格式：规范数据结构67
3.2.4 指定确切的数据范围：有效数据引用68
3.2.5 提供具有代表性的数据样例：建立引用样本69
3.2.6 描述确切的处理逻辑：清晰定义需求69
3.2.7 确定清晰的输出规范：定制输出结果70
3.3 AIGC辅助生成数据集70
3.3.1 AIGC直接生成数据集71
3.3.2 AIGC辅助Excel随机数发生器生成数据集72
3.3.3 AIGC辅助Excel函数生成数据集72
3.4 数据高效管理：AIGC助力数据整合与拆分73
3.4.1 数据合并：按行批量追加并合并数据73
3.4.2 数据合并：按业务逻辑关联整合75
3.4.3 数据拆分：按业务逻辑分割并保存文件78
3.5 数据处理助手：AIGC让Excel数据清洗更智能81
3.5.1 多条件的数据替换与填充81
3.5.2 按条件查找和匹配值82
3.5.3 字符串的查找、提取、分割与组合83
3.5.4 日期的转换、解析与计算85
3.5.5 复杂数据类型的抽样87
3.5.6 多条件的数据筛选88
3.5.7 数据替换与缺失值填充89
3.5.8 多条件自定义排序91
3.6 AI驱动的数据分析：Excel用户的洞察利器92
3.6.1 输出并解读描述性统计分析结果92
3.6.2 按条件汇总数据94
3.6.3 利用数据透视表汇总所有数据95
3.6.4 计算不同记录之间的相似度96
3.6.5 不需要汇总的合并计算97
3.6.6 预测工作表：自动趋势预测99
3.6.7 规划求解：优化数据决策100
3.6.8 方案管理器：方案效果对比与分析102
3.7 数据展现魔法：AIGC助力Excel数据展示105
3.7.1 图形化展示：信息传达利器105
3.7.2 插入迷你图：数据一目了然108
3.7.3 条件格式化：数据美观有序112
3.8 常见问题115
3.8.1 如何实现AIGC自动化操作Excel115
3.8.2 能否将Excel数据直接复制到AIGC的提示中116
3.8.3 如何解决输入和输出表格数据过长的问题116
3.8.4 如何实现Excel与Markdown表格数据转换116
3.8.5 AIGC能否完成数据计算、分析或建模117
3.8.6 能否将所有数据输入AIGC进行处理118
第4章 AIGC辅助Excel数据分析与挖掘的实践119
4.1 AIGC Excel RFM分析与营销落地：提升客户生命周期价值119
4.1.1 RFM模型初探119
4.1.2 准备用户交易的原始数据120
4.1.3 转换订单时间：从字符串类型转换为日期类型121
4.1.4 计算消费频率、消费金额和最近一次消费时间122
4.1.5 确定RFM分级标准以及分级实现122
4.1.6 基于R、F、M分级形成RFM组合123
4.1.7 解决RFM数据记录重复问题124
4.1.8 RFM洞察与营销应用126
4.1.9 跟踪分析用户个体的RFM变化127
4.1.10 跟踪分析用户群体的RFM变化129
4.1.11 案例小结130
4.2 AIGC Excel时间序列分析的妙用：发掘用户增长规律131
4.2.1 时间序列分析基础131
4.2.2 准备用户增长数据132
4.2.3 完善时间序列业务分析思维132
4.2.4 完善时间序列Excel分析思维133
4.2.5 用户增长趋势分析、模型解读与优化尝试134
4.2.6 用户增长周期性波动分析136
4.2.7 用户增长异常数据分析138
4.2.8 用户增长预测及结果解读141
4.2.9 案例小结144
4.3 AIGC Excel相关性分析与热力图展示：揭示网站KPI指标的隐秘联系145
4.3.1 相关性分析概览145
4.3.2 准备网站KPI数据146
4.3.3 在一个散点图中绘制21组变量关系146
4.3.4 输出7个变量的相关性得分矩阵149
4.3.5 使用热力图强化相关性分析结果149
4.3.6 相关性判断及相关性结果解读150
4.3.7 相关性分析的业务应用151
4.3.8 案例小结152
第三部分 AIGC辅助SQL数据分析与挖掘
第5章 AIGC辅助SQL数据分析与挖掘的方法154
5.1 利用AIGC提升SQL数据分析与挖掘能力154
5.1.1 利用AI辅助SQL语句编写与调试154
5.1.2 利用AI辅助SQL客户端使用155
5.1.3 利用IDE集成SQL Copilot/AI工具156
5.1.4 使用基于ChatGPT的第三方SQL集成工具或插件156
5.2 SQL数据库应用中的Prompt核心要素158
5.2.1 说明数据库环境信息158
5.2.2 提供数据库表的Schema159
5.2.3 描述SQL功能需求160
5.2.4 确定SQL输出规范161
5.2.5 输入完整代码段161
5.2.6 反馈详细的报错信息161
5.3 AIGC辅助数据库构建：轻松完成环境准备162
5.3.1 选择合适的数据库类型162
5.3.2 下载、安装和配置MariaDB数据库163
5.3.3 加载和导入数据164
5.3.4 将数据库数据导出为普通文件166
5.3.5 获取数据库Schema信息167
5.4 AIGC解决SQL复杂数据查询之谜169
5.4.1 示例1：跨表关联查询169
5.4.2 示例2：条件判断与过滤171
5.4.3 示例3：标量子查询、子查询和子查询嵌套174
5.4.4 示例4：带有窗口函数的排名、首行、末行查询175
5.4.5 示例5：分组、聚合查询和多重排序177
5.4.6 示例6：使用临时查询表、视图等方法简化查询过程179
5.4.7 示例7：使用CTE的WITH语句组织复杂查询逻辑181
5.4.8 示例8：将查询结果写入新表、增量写入或更新现有表182
5.5 AIGC实现SQL高效数据清洗和转换184
5.5.1 数据格式与类型转换184
5.5.2 字符串拆分、组合与正则提取186
5.5.3 空值、异常值的判断与处理187
5.5.4 数据去重188
5.5.5 数据归一化和标准化189
5.5.6 多行数据聚合为一行190
5.5.7 多个查询结果的合并192
5.6 AIGC助力高阶数据分析：SQL数据分析大师193
5.6.1 描述性数据统计分析194
5.6.2 数据透视表分析195
5.6.3 排名、分组排名197
5.6.4 自定义欧氏距离实现相似度分析199
5.6.5 基于均值、同比、环比和加权规则的简单预测分析201
5.7 AIGC化解SQL困局：SQL解释、转换、排错、性能优化203
5.7.1 SQL解释和逻辑说明203
5.7.2 跨异构数据库的SQL转换206
5.7.3 SQL排错和问题修复208
5.7.4 SQL查询性能优化210
5.8 常见问题212
5.8.1 本章的知识和内容是否适用于不同数据库212
5.8.2 为什么通过关键数据进行逻辑验证必不可少212
5.8.3 如何将AIGC生成的SQL语句嵌入Python等程序中214
5.8.4 数据库是否可以实现所有的数据分析和数据挖掘功能215
5.8.5 为何选择在数据库内执行数据挖掘任务而非使用第三方工具216
第6章 AIGC辅助SQL数据分析与挖掘的实践217
6.1 AIGC优化广告渠道评估：构建客观、全面的评估体系217
6.1.1 广告渠道效果评估概述218
6.1.2 构建完整的广告渠道效果指标体系218
6.1.3 广告渠道数据的收集和准备220
6.1.4 合理剔除高度共线性指标222
6.1.5 科学确定指标权重224
6.1.6 对转化成本字段缺失值的处理226
6.1.7 数据归一化和加权汇总计算228
6.1.8 广告渠道评估报表的分析和应用231
6.1.9 案例小结232
6.2 AIGC复现归因报表：揭示真实转化贡献233
6.2.1 转化归因概述233
6.2.2 准备广告渠道数据234
6.2.3 基于订单ID构建转化周期ID235
6.2.4 基于末次归因计算广告渠道订单贡献236
6.2.5 基于首次归因计算广告渠道订单贡献238
6.2.6 基于线性归因计算广告渠道订单贡献239
6.2.7 基于位置归因计算广告渠道订单贡献240
6.2.8 归因报表的对比分析和应用242
6.2.9 案例小结243
6.3 AIGC构建留存报表：发现用户增长的关键244
6.3.1 用户留存报表概述244
6.3.2 用户留存和留存率的定义244
6.3.3 用户数据的收集和准备245
6.3.4 基于AIGC生成日留存率报表245
6.3.5 用户留存报表的数据验证和质量检查247
6.3.6 用户留存报表的分析和解读248
6.3.7 案例小结249
第四部分 AIGC辅助Python数据分析与挖掘
第7章 AIGC辅助Python数据分析与挖掘的方法252
7.1 利用AIGC提升Python数据分析与挖掘能力252
7.1.1 利用AI生成与调试Python代码252
7.1.2 利用Copilot/AI工具增强Python编程能力252
7.1.3 在Notebook中直接与AI交互254
7.1.4 通过ChatGPT Code Interpreter
和Pandas AI实现对话式数据分析256
7.2 Python应用中的Prompt核心要素257
7.2.1 准确描述Python环境和版本257
7.2.2 完整陈述代码任务需求258
7.2.3 界定代码输出格式和规范258
7.2.4 提交完整的Python代码片段259
7.2.5 提供清晰详尽的错误反馈259
7.3 AIGC智能化环境构建：轻松搞定Python环境260
7.3.1 一键安装Python数据分析环境260
7.3.2 设置第三方库安装源261
7.3.3 安装和管理第三方库262
7.3.4 自定义Jupyter默认工作路径263
7.3.5 安装Chrome插件ChatGPT-Jupyter-AI Assistant264
7.4 AIGC驱动的智能数据探索：数据洞察的新途径266
7.4.1 自动输出数据探索报告266
7.4.2 整体数据质量评估268
7.4.3 异常数据初步解读270
7.4.4 变量高相关性分析272
7.4.5 数据偏斜分布问题274
7.4.6 重复值和缺失值问题277
7.5 AIGC驱动的自动化数据处理：简化数据准备过程278
7.5.1 智能输出预处理方案278
7.5.2 使用链式方法批量实现预处理279
7.5.3 利用New Bing Chat上传截图调试代码281
7.5.4 管道式特征工程处理及特征解读282
7.6 AIGC AutoML：智能自动化机器学习新纪元284
7.6.1 AIGC AutoML重塑机器学习全流程284
7.6.2 7个常用的AutoML库285
7.6.3 开箱即用的AutoML应用示范287
7.6.4 基于AI的AutoML调优策略288
7.6.5 AI调优AutoML代码290
7.6.6 使用AutoML预测新数据293
7.7 利用AIGC解析机器学习：原理、机制与底层逻辑294
7.7.1 AI辅助算法学习：探索不同算法的特性与应用场景295
7.7.2 AI辅助特征解读：可视化特征与目标的关系297
7.7.3 AI解析分类模型指标：掌握分类模型效果评估基准301
7.7.4 AI解析回归模型指标：掌握回归模型效果评估基准302
7.8 常见问题303
7.8.1 有哪些标准的数据挖掘工作流程303
7.8.2 AIGC是否能够协助不具备编程经验的个体成功完成整个数据分析与挖掘过程304
7.8.3 为何没有一种算法能够在所有情境下都表现最佳304
7.8.4 是否需要订阅付费的OpenAI服务才能执行Python智能任务305
7.8.5 Code Interpreter：对ChatGPT数据分析的延伸还是变革305
第8章 AIGC辅助Python数据分析与挖掘的实践307
8.1 AIGC Python 广告预测：基于回归模型的广告效果预测307
8.1.1 回归模型在广告效果预测中的应用概述307
8.1.2 正确标识和追踪广告渠道308
8.1.3 识别和排除广告效果中的噪声和异常信息309
8.1.4 数据准备：整理广告效果数据311
8.1.5 利用AI AutoML实现广告回归建模312
8.1.6 基于不同广告预算预估广告效果313
8.1.7 AI以营销经理的身份提供广告预算建议314
8.1.8 通过人工反馈纠正AI的错误决策315
8.1.9 案例小结316
8.2 AIGC Python商品分析：基于多维指标的波士顿矩阵分析316
8.2.1 利用波士顿矩阵进行商品分析概述316
8.2.2 波士顿矩阵分析的四维指标317
8.2.3 商品数据准备与归一化处理317
8.2.4 商品指标加权策略设计318
8.2.5 商品指标加权代码设计319
8.2.6 基于品类的权重汇总计算320
8.2.7 波士顿矩阵结果的图形可视化321
8.2.8 波士顿矩阵分析的落地应用325
8.2.9 案例小结327
8.3 AIGC Python KPI监控：基于时间序列的异常检测328
8.3.1 时间序列在KPI异常检测中的应用概述328
8.3.2 时间序列识别KPI异常的挑战与应对策略329
8.3.3 数据准备和异常识别329
8.3.4 时间序列中的异常值处理331
8.3.5 利用AI实现时间序列模型训练331
8.3.6 利用New Bing Chat上传截图调试代码333
8.3.7 利用自定义回归特征改进时间序列模型334
8.3.8 利用时间序列模型检测KPI异常状态336
8.3.9 利用ChatGPT-Jupyter-AI Assistant调试代码337
8.3.10 异常检测信息的部署应用与告警通知339
8.3.11 案例小结340
《AIGC辅助数据分析与数据化运营：场景化解决方案与案例分析》
目 录 Contents
前言
第一部分 数据分析基础
与报告交付
第1章 AIGC辅助数据分析2
1.1 AIGC在数据分析中的应用2
1.1.1 应用背景2
1.1.2 应用价值3
1.1.3 应用流程5
1.2 利用AI的逻辑推理能力进行
因果分析6
1.2.1 因果分析的场景和价值7
1.2.2 交互式因果分析过程8
1.2.3 AI辅助因果分析案例8
1.2.4 设计和实施因果实验10
1.2.5 AI辅助因果实验案例11
1.3 利用AI的智能思维进行异常
诊断分析13
1.3.1 异常诊断的场景和价值13
1.3.2 发现和识别异常问题14
1.3.3 构建和完善分析思路14
1.3.4 定位和解决异常根源15
1.3.5 分享同类型问题的解决思路16
1.4 利用AI的资深经验完善数据
分析思维17
1.4.1 从业务需求到数据分析目标17
1.4.2 从数据分析目标到数据分析
框架17
1.4.3 从数据分析框架到数据分析
方法18
1.4.4 从数据分析方法到数据分析
结论18
1.4.5 从数据分析结论到业务落地19
1.5 利用AI知识推荐合适的数据
分析工具19
1.5.1 市场分析类工具推荐19
1.5.2 竞争分析类工具推荐20
1.5.3 数据分析、挖掘与建模类
工具推荐21
1.5.4 数据可视化分析类工具推荐22
第2章 AIGC辅助数据分析
报告撰写24
2.1 AIGC在数据分析报告撰写中
的应用24
2.1.1 应用背景24
2.1.2 应用价值25
2.1.3 应用流程26
2.2 生成数据分析报告的思维导图27
2.2.1 思维导图在报告中的多重
用途27
2.2.2 利用AIGC引导生成分析
思路27
2.2.3 使用开源工具Markmap将
AIGC内容转化为思维导图29
2.2.4 使用商业工具Xmind将AIGC
内容转化为思维导图30
2.3 生成数据分析报告所需的材料32
2.3.1 利用AIGC生成报告模板33
2.3.2 利用AIGC生成自定义数据
表格34
2.3.3 利用AIGC生成数据图形35
2.4 撰写数据分析报告的核心内容36
2.4.1 从零开始创建数据分析报告36
2.4.2 扩展已有数据分析报告的内容38
2.4.3 提供支撑观点的事实论据40
2.4.4 提炼核心要点41
2.4.5 提炼报告摘要41
2.4.6 给出有价值的行动建议44
2.4.7 润色和优化报告表达45
2.4.8 生成多语言类型的报告47
2.5 数据分析报告试讲与优化48
2.5.1 报告试讲的价值和主要应用
场景49
2.5.2 如何通过与AI交互试讲报告49
2.5.3 为AI定义目标受众角色51
2.5.4 准备报告试讲的腹稿52
2.5.5 模拟报告试讲的过程53
第二部分 外部业务场景分析
第3章 AIGC辅助市场及行业分析60
3.1 AIGC在市场及行业分析中的应用60
3.1.1 应用背景60
3.1.2 应用价值61
3.1.3 应用流程61
3.2 数据采集与宏观分析62
3.2.1 寻找可靠的宏观分析数据源62
3.2.2 有效收集宏观分析数据64
3.2.3 利用AIGC清洗宏观数据65
3.3 行业与市场概况分析66
3.3.1 行业概况分析66
3.3.2 竞争格局分析69
3.3.3 消费者洞察分析70
3.3.4 市场PEST分析72
3.4 市场细分与目标市场定位分析73
3.4.1 市场细分分析73
3.4.2 目标市场定位分析76
3.4.3 目标市场生命周期分析78
3.5 市场发展与趋势研究80
3.5.1 分析市场影响因素80
3.5.2 掌握行业最新趋势82
3.5.3 发现行业热点话题83
3.5.4 持续追踪行业热点85
3.6 市场风险分析86
3.6.1 分析行业内的潜在风险87
3.6.2 分析跨行业的潜在风险87
第4章 AIGC辅助竞争分析89
4.1 AIGC在竞争分析中的应用89
4.1.1 应用背景89
4.1.2 应用价值90
4.1.3 应用流程90
4.2 收集竞争分析报告与数据91
4.2.1 寻找竞争分析的数据源91
4.2.2 寻找公开的竞争分析报告93
4.3 利用Edge浏览器的Copilot
进行竞品调研95
4.3.1 利用“聊天”功能提炼网页
报告概要95
4.3.2 利用“见解”功能分析竞争
对手网站98
4.4 竞争识别与分析101
4.4.1 识别并分析竞争对手101
4.4.2 识别并分析竞争产品或服务103
4.5 竞争对手分析模型105
4.5.1 SWOT分析105
4.5.2 波特五力分析108
4.5.3 GE/McKinsey矩阵分析112
4.6 竞争对手事件跟踪分析118
4.6.1 发现竞争对手重大事件118
4.6.2 持续跟踪竞争对手事件的
进展120
第三部分 企业内部运营分析
第5章 AIGC辅助客户运营分析124
5.1 AIGC在客户运营分析中的应用124
5.1.1 应用背景124
5.1.2 应用价值125
5.1.3 应用流程125
5.2 客户标签体系设计125
5.2.1 让AI完善客户标签体系126
5.2.2 让AI初步进行客户标签
细化128
5.2.3 让AI转换身份再次完善
标签体系129
5.2.4 通过补充专家经验让AI
优化标签体系设计130
5.3 客户服务与管理分析132
5.3.1 基于图片自动识别客户需求
关键字132
5.3.2 从投诉文本中自动提取客户
需求关键字134
5.3.3 从客户建议中梳理信息并完
成摘要136
5.3.4 基于自然语言的推介服务与
销售方案137
5.4 客户生命周期分析139
5.4.1 利用AI分析新客留存异常139
5.4.2 AIGC辅助Python完成客户
预测分析141
5.4.3 AIGC辅助Python完成客户
生命周期价值预测144
5.5 社交管理分析146
5.5.1 利用AI撰写社交活动策划
方案147
5.5.2 利用ChatGPT-4找到裂变数
据中的关键节点148
5.6 客户舆论与口碑分析151
5.6.1 利用AI发现网络媒体中的
危机事件151
5.6.2 利用AI监测网络口碑和
关键字153
5.7 客户调研分析156
5.7.1 利用AI设计调研问卷156
5.7.2 利用GPTs完成客户调研：
设计调研功能158
5.7.3 利用GPTs完成客户调研：
实施调研过程164
5.8 利用ChatGPT-4分析上传的
客户数据167
5.8.1 让AI提出数据分析思路168
5.8.2 让AI完成客户商品偏好
分析170
5.8.3 让AI完成客户互动分析172
5.9 基于AIGC Python完成复杂
客户社群分析176
5.9.1 客户社群特征分析概述176
5.9.2 准备客户社交关注数据177
5.9.3 基于PageRank的个人影响力
......
《AIGC辅助数据分析与挖掘：基于ChatGPT的方法与实践》
序
前言
第一部分 AIGC基础知识
第1章 AIGC赋能数据分析与挖掘2
1.1 探索主流的AIGC产品2
1.1.1 ChatGPT：AIGC的行业标杆2
1.1.2 New Bing Chat：Bing聊天助手3
1.1.3 GitHub Copilot：智能编程伙伴3
1.1.4 Microsoft 365 Copilot：Microsoft一站式办公AI4
1.1.5 Azure OpenAI：Azure云平台服务4
1.1.6 Claude：Anthropic AI工具5
1.1.7 Google Bard：Google AI对话工具5
1.1.8 文心一言：百度AI工具6
1.1.9 通义千问：阿里AI工具6
1.2 选择适合数据工作的AIGC产品6
1.2.1 产品选择攻略：应用场景与关键要素6
1.2.2 应用集成AIGC：一站式AI助手7
1.2.3 SaaS模式AIGC：灵活的AI as a Service 7
1.2.4 私有化部署AIGC：企业定制版AI 9
1.3 ChatGPT实操指南9
1.3.1 ChatGPT的常用技巧9
1.3.2 ChatGPT的高级功能12
1.4 New Bing Chat实操指南14
1.4.1 New Bing Chat的常用技巧14
1.4.2 New Bing Chat的高级功能15
1.5 AIGC驱动数据分析与挖掘变革18
1.5.1 技能要求：数据从业者的技能演进18
1.5.2 应用场景：数据工作的加速器19
1.5.3 人机协作：数据工作的新范式19
1.6 AIGC在数据工作中的注意事项20
1.6.1 基于最新知识的推理限制20
1.6.2 “一致性”观点的挑战20
1.6.3 数据结果审查与验证21
1.6.4 数据安全、数据隐私与合规问题21
1.6.5 知识产权及版权问题22
1.6.6 社会认知偏差影响数据推理22
1.6.7 难以解决大型任务的统筹与复杂依赖问题22
1.6.8 垂直领域数据和知识缺失问题22
1.6.9 上下文数据容量限制23
1.6.10 多模态语境的输入限制23
1.6.11 编造事实24
1.6.12 合理设置AIGC使用期望24
第2章 构建高质量Prompt的科学方法与最佳实践25
2.1 Prompt的基本概念25
2.2 Prompt对AIGC的影响和价值25
2.2.1 模型的输入来源25
2.2.2 控制模型复杂度26
2.2.3 提高内容生成质量26
2.2.4 个性化体验和内容定制27
2.3 Prompt输入的限制规则27
2.3.1 信息类型的限制27
2.3.2 数据格式的约束规则27
2.3.3 内容长度的合理限制28
2.3.4 对话主题的限制原则28
2.3.5 语法和语义的严格限制28
2.4 高质量Prompt的基本结构29
2.4.1 角色设定：明确AI角色与工作的定位29
2.4.2 任务类型：明确AI任务的类别与性质29
2.4.3 细节定义：准确定义期望AI返回的输出30
2.4.4 上下文：让AI了解更多背景信息30
2.4.5 约束条件：限制AI返回的内容31
2.4.6 参考示例：优质示例的参考借鉴31
2.5 提升Prompt质量的关键要素32
2.5.1 指令动词：精确引导模型行动32
2.5.2 数量词：明确量化任务要求33
2.5.3 函数和公式：运用数学逻辑的威力34
2.5.4 标记符号：有效提示引用信息34
2.5.5 条件表达：准确限定输出条件35
2.5.6 地理名词：地理位置信息的界定35
2.5.7 日期和时间词：数据周期的明确表达36
2.5.8 比较词：精确比较与对比要求36
2.5.9 参考示例词：基于样板输出内容36
2.5.10 语言设置：设定合适的输出语言37
2.5.11 否定提示词：反向界定与排除歧义37
2.6 构建Prompt的最佳实践38
2.6.1 明确目标和场景：精准设定任务目标38
2.6.2 任务分解：拆解大型、复杂任务39
2.6.3 交互反馈：基于正负向反馈的优化40
2.6.4 让AI提问：引导模型主动提问41
2.6.5 控制上下文：合理管理对话信息量41
2.6.6 引导、追问和连续追问：优化对话交互42
2.6.7 语言简明扼要：语言表达精炼43
2.6.8 使用英文Prompt：借助英文提升质量43
2.6.9 输入结构化数据：让AI充分理解数据44
2.6.10 提供参考信息：确保信息完整性44
2.6.11 增加限制：避免输出宽泛内容45
2.6.12 明确告知AI：不知道时请回答“不知道”45
2.7 精调Prompt示例：引爆AIGC优质内容46
2.7.1 逐步启发和引导式的Prompt精调46
2.7.2 从广泛到收缩的Prompt精调47
2.7.3 利用反转角色的Prompt精调48
2.7.4 基于少样本的先验知识的Prompt精调49
2.7.5 基于调整模型温度参数的Prompt精调50
2.7.6 基于关键问题的Prompt精调51
2.8 Prompt构建工具：轻松撰写提示词52
2.8.1 Prompt构建工具简介52
2.8.2 New Bing Chat的提示词构建和引导功能52
2.8.3 ChatGPT第三方客户端工具的Prompt模板53
2.8.4 ChatGPT Prompt Generator：AI驱动的Prompt构建工具56
2.9 常见问题56
2.9.1 为什么Prompt相同AIGC答案却不一样56
2.9.2 会写Prompt就能做数据分析与挖掘吗57
2.9.3 如何避免Prompt的内部冲突和矛盾57
2.9.4 如何避免Prompt的内部歧义和模糊性58
2.9.5 在New Bing Chat中如何选用合适的对话风格来适应不同的数据分析与挖掘场景59
2.9.6 如何积累高质量Prompt并形成知识库59
第二部分 AIGC辅助Excel数据分析与挖掘
第3章 AIGC辅助Excel数据分析与挖掘的方法62
3.1 利用AIGC提升数据分析师的Excel技能62
3.1.1 利用AI指导Excel操作62
3.1.2 利用AI辅助VBA自定义编程63
3.1.3 利用Office AI在Excel中实现对话式数据分析65
3.1.4 利用Copilot或AI插件增强Excel功能65
3.1.5 利用第三方工具扩展Excel应用65
3.2 Excel应用中的Prompt核心要素66
3.2.1 明确Excel版本环境：确保兼容性66
3.2.2 确定数据文件和工作簿来源：导入数据67
3.2.3 描述数据字段和格式：规范数据结构67
3.2.4 指定确切的数据范围：有效数据引用68
3.2.5 提供具有代表性的数据样例：建立引用样本69
3.2.6 描述确切的处理逻辑：清晰定义需求69
3.2.7 确定清晰的输出规范：定制输出结果70
3.3 AIGC辅助生成数据集70
3.3.1 AIGC直接生成数据集71
3.3.2 AIGC辅助Excel随机数发生器生成数据集72
3.3.3 AIGC辅助Excel函数生成数据集72
3.4 数据高效管理：AIGC助力数据整合与拆分73
3.4.1 数据合并：按行批量追加并合并数据73
3.4.2 数据合并：按业务逻辑关联整合75
3.4.3 数据拆分：按业务逻辑分割并保存文件78
3.5 数据处理助手：AIGC让Excel数据清洗更智能81
3.5.1 多条件的数据替换与填充81
3.5.2 按条件查找和匹配值82
3.5.3 字符串的查找、提取、分割与组合83
3.5.4 日期的转换、解析与计算85
3.5.5 复杂数据类型的抽样87
3.5.6 多条件的数据筛选88
3.5.7 数据替换与缺失值填充89
3.5.8 多条件自定义排序91
3.6 AI驱动的数据分析：Excel用户的洞察利器92
3.6.1 输出并解读描述性统计分析结果92
3.6.2 按条件汇总数据94
3.6.3 利用数据透视表汇总所有数据95
3.6.4 计算不同记录之间的相似度96
3.6.5 不需要汇总的合并计算97
3.6.6 预测工作表：自动趋势预测99
3.6.7 规划求解：优化数据决策100
3.6.8 方案管理器：方案效果对比与分析102
3.7 数据展现魔法：AIGC助力Excel数据展示105
3.7.1 图形化展示：信息传达利器105
3.7.2 插入迷你图：数据一目了然108
3.7.3 条件格式化：数据美观有序112
3.8 常见问题115
3.8.1 如何实现AIGC自动化操作Excel115
3.8.2 能否将Excel数据直接复制到AIGC的提示中116
3.8.3 如何解决输入和输出表格数据过长的问题116
3.8.4 如何实现Excel与Markdown表格数据转换116
3.8.5 AIGC能否完成数据计算、分析或建模117
3.8.6 能否将所有数据输入AIGC进行处理118
第4章 AIGC辅助Excel数据分析与挖掘的实践119
4.1 AIGC Excel RFM分析与营销落地：提升客户生命周期价值119
4.1.1 RFM模型初探119
4.1.2 准备用户交易的原始数据120
4.1.3 转换订单时间：从字符串类型转换为日期类型121
4.1.4 计算消费频率、消费金额和最近一次消费时间122
4.1.5 确定RFM分级标准以及分级实现122
4.1.6 基于R、F、M分级形成RFM组合123
4.1.7 解决RFM数据记录重复问题124
4.1.8 RFM洞察与营销应用126
4.1.9 跟踪分析用户个体的RFM变化127
4.1.10 跟踪分析用户群体的RFM变化129
4.1.11 案例小结130
4.2 AIGC Excel时间序列分析的妙用：发掘用户增长规律131
4.2.1 时间序列分析基础131
4.2.2 准备用户增长数据132
4.2.3 完善时间序列业务分析思维132
4.2.4 完善时间序列Excel分析思维133
4.2.5 用户增长趋势分析、模型解读与优化尝试134
4.2.6 用户增长周期性波动分析136
4.2.7 用户增长异常数据分析138
4.2.8 用户增长预测及结果解读141
4.2.9 案例小结144
4.3 AIGC Excel相关性分析与热力图展示：揭示网站KPI指标的隐秘联系145
4.3.1 相关性分析概览145
4.3.2 准备网站KPI数据146
4.3.3 在一个散点图中绘制21组变量关系146
4.3.4 输出7个变量的相关性得分矩阵149
4.3.5 使用热力图强化相关性分析结果149
4.3.6 相关性判断及相关性结果解读150
4.3.7 相关性分析的业务应用151
4.3.8 案例小结152
第三部分 AIGC辅助SQL数据分析与挖掘
第5章 AIGC辅助SQL数据分析与挖掘的方法154
5.1 利用AIGC提升SQL数据分析与挖掘能力154
5.1.1 利用AI辅助SQL语句编写与调试154
5.1.2 利用AI辅助SQL客户端使用155
5.1.3 利用IDE集成SQL Copilot/AI工具156
5.1.4 使用基于ChatGPT的第三方SQL集成工具或插件156
5.2 SQL数据库应用中的Prompt核心要素158
5.2.1 说明数据库环境信息158
5.2.2 提供数据库表的Schema159
5.2.3 描述SQL功能需求160
5.2.4 确定SQL输出规范161
5.2.5 输入完整代码段161
5.2.6 反馈详细的报错信息161
5.3 AIGC辅助数据库构建：轻松完成环境准备162
5.3.1 选择合适的数据库类型162
5.3.2 下载、安装和配置MariaDB数据库163
5.3.3 加载和导入数据164
5.3.4 将数据库数据导出为普通文件166
5.3.5 获取数据库Schema信息167
5.4 AIGC解决SQL复杂数据查询之谜169
5.4.1 示例1：跨表关联查询169
5.4.2 示例2：条件判断与过滤171
5.4.3 示例3：标量子查询、子查询和子查询嵌套174
......
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
