Files
GuideBook/docs/guide/data-scenario.md
T
dongsk adc0003e00
Deploy Guidebook to GitHub Pages / build (push) Canceled after 0s
Deploy Guidebook to GitHub Pages / deploy (push) Canceled after 0s
EIOSpace Studio
2026-11-21 17:35:12 +08:00

84 lines
5.6 KiB
Markdown
Raw Blame History

This file contains ambiguous Unicode characters
This file contains Unicode characters that might be confused with other characters. If you think that this is intentional, you can safely ignore this warning. Use the Escape button to reveal them.
---
title: 4.1 数据分析场景说明
prev:
text: '附录 1-2 智能体测试结果'
link: /guide/appendix
next:
text: '4.2 工作区环境准备'
link: /guide/data-workspace
---
# 数据分析场景实战
## 4.1 数据分析场景说明
本次示例以汽车零部件行业中"小型阀体外壳(Small Valve Body Housing)"的**销售数据分析**为典型场景,演示如何在 **EIOSpace Studio** 中**构建一个面向销售数据分析与智能问数的智能体**。
> "企业销售管理人员需要快速了解小型阀体外壳产品销售情况——各区域/产品/客户的销售额与利润对比、月度趋势与同比环比、成本结构与毛利率变化、销售员业绩排名等。传统方式依赖 BI 工程师手动建报表,响应周期长、技术门槛高、报表风格不统一,难以满足业务快速决策的需求。"
### 业务场景与核心痛点
**小型阀体外壳**广泛应用于变速箱阀体、发动机油路阀体、制动阀体及转向器阀体等系统。企业已积累大量销售订单数据,涵盖订单、成本、利润、客户、产品、区域等多维度信息。当前决策分析平台上的阀体外壳销售记录 × 35 个字段,覆盖 4 个销售大区、多个产品线、多种材质与铸造工艺。
当前**数据分析与获取流程**为:
1. 业务人员向数据部门提交报表需求 →
2. BI 工程师理解需求并确认口径 →
3. 编写 SQL 或配置报表工具 →
4. 生成 Excel 或静态图表 →
5. 业务人员获取报表并阅读分析 →
6. 如需追问或调整维度,重新提交需求。
该流程存在以下核心痛点:
<table>
<thead>
<tr>
<th>#</th>
<th style="width:150px">痛点</th>
<th>说明</th>
</tr>
</thead>
<tbody>
<tr><td>1</td><td><strong>响应速度慢</strong></td><td>一份常规报表从需求提出到交付通常需要半天至数天,难以满足管理层"即时决策"需求,错过最佳决策窗口。</td></tr>
<tr><td>2</td><td><strong>技术门槛高</strong></td><td>业务人员需掌握 SQL 或 Excel 高级功能才能自主查数;一线销售和管理人员只能被动等待数据部门出报表,自主分析能力受限。</td></tr>
<tr><td>3</td><td><strong>报表风格不统一</strong></td><td>不同 BI 工程师制作的报表格式、图表风格各异,缺乏统一标准,跨部门对比和汇总困难。</td></tr>
<tr><td>4</td><td><strong>追问成本高</strong></td><td>看到报表后想进一步追问某个维度或下钻细节,需要重新提需求、排队等待,分析链路被反复打断。</td></tr>
<tr><td>5</td><td><strong>数据价值未释放</strong></td><td>大量历史销售数据沉睡在系统中,缺乏便捷的探索手段,无法快速发现趋势、异常与机会点。</td></tr>
</tbody>
</table>
### 智能体可承担的角色
在本场景中,AI 智能体将作为"**销售数据分析助手**",承担以下核心任务:
- **自然语言问数**:业务人员用日常说话的方式提问(如"上个月华东大区卖了多少""哪个产品毛利率最高"),智能体自动调用问数引擎从数据集中查出答案,秒级响应。
- **Dashboard 自动生成**:用户一句话描述分析需求(如"帮我生成销售分析看板"),智能体自动批量查询 10+ 项数据,选择合适的图表类型,生成包含 KPI 卡片与多个交互式图表的 HTML 仪表盘。
- **多维度灵活分析**:支持按时间、区域、产品、客户、销售员、材质、铸造方式等 15 个维度字段任意组合分析,覆盖 15 个数值指标的查询与对比。
- **智能图表选型**:根据数据特征(分类对比、占比分布、时间序列、排名数据等)自动选择最合适的图表类型(柱状图、饼图、折线图、条形图、散点图等 14 种)。
- **关键洞察提炼**:基于数据分析结果自动提炼 3~5 条关键洞察,并给出可操作的行动建议。
- **持续追问与下钻**:支持基于已有看板或查询结果继续追问(如"西部大区的毛利率是多少""近三个月订单金额趋势怎样"),在同一会话中上下文连贯地深入分析。
### 期望价值与成功标准
通过构建该智能体,企业期望实现:
- **数据获取响应时间**:从半天至数天缩短至秒级响应,自然语言提问即可获取数据结果。
- **Dashboard 生成效率**:一句话生成包含 10+ 图表的交互式 HTML 看板,支持离线查看,无需 BI 工程师介入。
- **分析维度覆盖率**:支持全部 15 个维度字段与 15 个数值指标的任意组合查询,覆盖区域对比、趋势分析、产品排名、客户分布、成本结构、利润分析等全部常见分析场景。
- **降低使用门槛**:普通销售人员无需掌握 SQL 或 Excel 高级功能,经简单引导即可独立完成数据查询与分析。
- **释放数据价值**:通过便捷的探索式分析,快速发现销售趋势、异常与机会点,让数据真正驱动业务决策。
本示例后续章节将以该场景为例,详细介绍在 **EIOSpace Studio** 中完成需求建模、方案构建、技能编排(智能问数 + Dashboard 生成)、模型配置、系统集成及持续优化的完整开发步骤。
### 开发规则说明
主要涉及开发过程中相关命名规则,防止发布技能或智能体的时候有冲突。
涉及到命名的统一加后缀,格式:**年月日 + 账号后四位流水码**。
假设日期为 2026/11/13,当前账号:DigiZZ0001
- **技能命名示例**:`sales-analysis-skill-2611130001`
- **智能体命名示例**:`小型阀体外壳销售数据分析-2611130001`