logo
📊
AI Learning

AI 数据分析

用 AI 把数据变洞察

📊AI 数据分析

AI 数据分析学习中心 — 让周报、EDA、SQL 查询交给 AI 完成

为什么要用 AI 做数据分析？

说白了，数据分析里 80% 的时间花在清洗和格式整理上，真正有价值的洞察环节反而被压缩。我们在教学中观察到一个典型场景：一位运营同学每周花 3 小时做周报——导出 CSV、写 Pandas 脚本处理缺失值、画折线图、写结论。用 ChatGPT Code Interpreter 之后，同样的流程 25 分钟就跑完了，她把省下来的时间用在了交叉分析和 A/B 测试设计上。

这就是 AI 数据分析的核心价值：不是替代分析师的判断力，而是把「导数据、写代码、画图」这些机械步骤自动化，让你把精力放在业务假设和决策验证上。

这门课教什么

数据获取与清洗
拿到一份 CSV，里面有空值、日期格式混乱、字段名是中文——这些在实际工作中太常见了。课程里会带你用 AI 生成 Pandas 和 SQL 清洗脚本，重点是教你怎么检查 AI 生成的代码有没有悄悄丢数据。
EDA 与可视化
让 AI 先给数据做一遍描述统计，然后推荐适合的图表类型。比如订单数据，AI 通常会建议时序趋势图+分布直方图+区域对比柱状图这个组合，但你得判断哪些图对业务决策真正有用。
SQL Copilot
把表结构和字段说明贴给 AI，让它写 SQL。课程会强调：先让 AI 复述它对字段的理解，再出 SQL——这一步能避免很多「AI 自信地写了一个逻辑错误的 JOIN」的问题。
业务洞察输出
分析做完了，怎么写结论？我们用「发现-证据-建议」结构，每个发现都要挂上具体数据和图表编号。
自动化周报
用 Zapier 或 n8n 搭一个定时任务，每周一早上自动跑数据、生成 Markdown 报告、推送到 Slack。有个学员搭完之后说「终于不用周日晚上赶周报了」。
安全与复核
上传数据前先脱敏，这个大家都知道。但容易忽略的是：AI 生成的 SQL 可能在 WHERE 条件里漏了过滤，导致结果偏差。课程里有一套复核清单帮你避开这些坑。

谁适合学

如果你是数据分析师或运营，每天跟 Excel 和 SQL 打交道，这门课能帮你把重复工作的效率提升几倍。我们大部分学员属于这个群体——有数据思维，但写代码不是强项，想用 AI 补上这块短板。

完全零基础也能跟。ChatGPT Code Interpreter 支持自然语言交互，不需要写代码就能完成基础分析。不过如果你连「什么是均值和中位数」都不太确定，建议先花 1 小时看一下统计入门，再来效果更好。

用到的工具

  • ChatGPT Code Interpreter — 上传 CSV 直接分析，最适合快速 EDA
  • Claude Projects — 处理长文档和复杂代码生成
  • Gemini — 截图识别和多模态分析
  • Pandas / Polars — Python 数据处理的主力库
  • DuckDB / BigQuery — 跑 SQL 的分析引擎
  • Tableau / Looker / PowerBI — BI 看板和可视化
  • Zapier / Make / n8n — 搭建自动化工作流

课程结构

12 个章节，分成四个阶段。前 3 章打基础（工具选型、数据清洗），中间 4 章是核心分析技能（EDA、SQL、洞察输出、自动化），后面 5 章覆盖安全复核和进阶玩法（多模态分析、LLM 交叉验证）。按每周 2-3 章的节奏，大约 4-6 周可以学完。

关于 JR Academy 匠人学院

JR Academy 匠人学院专注于 AI 技能培训，覆盖 AI 编程、数据分析、Prompt Engineering 等方向。课程内容基于实际教学反馈持续迭代，目标是帮学员把 AI 工具用到日常工作里，而不是停留在「知道但不会用」。

最后更新：2026 年 3 月

📊
📈
🔍
SQL
🎯 AI 数据分析
从 CSV/SQL 到业务结论

用 AI 把数据变洞察

上传 CSV，让 AI 清洗数据、写代码、自动出图 —— 你专注业务决策和结论验证。一位学员用这套流程把每周 3 小时的周报压缩到了 25 分钟。

data-analysis.txt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

aiDataAnalysisPage.hero.copyPromptHint

开始学习 →📊 能力自评

📊 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
学习：数据获取与清洗 →

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

🤖

AI 助手

Code InterpreterCode Interpreter推荐Claude ProjectsClaude ProjectsGeminiGeminiCursorCursor
📊

数据处理

PandasPandasPolarsPolars新DuckDBDuckDBJupyterJupyter
📈

可视化

TableauTableauLookerLookerPowerBIPowerBIHexHex新
⚡

自动化

ZapierZapierMakeMaken8nn8n📚更多工具→

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
💡 示例 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
💡 示例 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
💡 示例 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. 提供表结构和示例数据
  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
💡 示例 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
💡 示例 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

📚 学习路径（12 章节）

基础准备

入门
概览与快速心智先搞清楚 AI 在数据分析里到底能帮什么忙，以及整体流程长什么样
→入门
工具选型与环境Code Interpreter、Claude、Jupyter、BI 工具——怎么组合最顺手
→入门
数据获取与清洗拿到 CSV/Excel/SQL 导出的脏数据后，让 AI 帮你生成清洗脚本
→

分析与可视化

中级
EDA 与可视化AI 先跑描述统计，再推荐 3-5 张图——你来判断哪些对业务决策有用
→中级
SQL Copilot 与表结构提示贴上表结构，让 AI 写 SQL 并解释逻辑，重点是怎么避免常见的 JOIN 错误
→中级
业务洞察与结论「发现-证据-建议」三段式输出，每个结论都要挂上数据来源
→

落地与治理

中级
自动化与发布搭一个定时周报：每周一自动跑数据、出图、推送到 Slack 或飞书
→中级
安全与复核数据脱敏、AI 输出校验、假设标注——这些不做会出事
→进阶
LLM 结果复核与对比同一个问题用两种方法算，结果不一样怎么办？这章讲交叉验证
→进阶
交付与共享分析做完了，怎么交付给团队——Markdown 报告、数据卡片、BI 链接
→

进阶实践

进阶
AI 提示模式与提示词怎么描述数据和任务让 AI 输出更稳定，附带常用 prompt 模板
→进阶
多模态与截图解析直接丢一张仪表盘截图给 AI，让它提取数字、找异常、写结论
→

📰 最新动态

查看更多 →
数据03.17
姐妹们！！这个改cv工具救我狗命了😭
数据03.17
1.6万人失业？！Meta这次裁员太暴力了…
数据03.16
澳洲Atlassian裁员1600人！CTO都换了！全都是因为AI...
Claude03.13
Claude报告发出一个重要提示！AIAgent开始赚钱，传统coder再不转变即将出局
数据03.13
3月17号墨尔本Bupa总部线下MeetUp｜Quantas，7-Eleven，Anz，Bupa嘉宾齐聚一堂！共话在校生的AI时代职业布局！

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

注册解锁全部功能

  • ✏️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
注册解锁全部功能
笔记 · 进度追踪 · 证书
免费注册