9.3 数据分析助手

对于非技术人员（运营、销售、CEO）来说，此时此刻想知道“上周北京地区的复购率是多少”，通常需要给数据分析师提需求，然后等三天。 Claude 赋予了每个人通过自然语言与数据对话的能力。

9.3.1 核心模式：Code Interpreter

Claude 并不直接在大脑里做数学题（容易算错），而是通过编写并执行代码来分析数据。

实战：CSV 深度分析

User: 上传文件 user_behavior_2025.csv。 Questions: “分析一下用户的留存情况，并画一个同期群分析 (Cohort Analysis) 热力图。”

Claude Action (Step-by-Step):

1. Exploration: 先写代码看前 5 行。

   import pandas as pd
   df = pd.read_csv('user_behavior_2025.csv')
   print(df.head())
   print(df.info())

   Observation: 发现 signup_date 是字符串，需要转换。

2. Analysis: 编写复杂的 Pandas 逻辑。

   # 转换日期格式
   df['signup_date'] = pd.to_datetime(df['signup_date'])
   df['last_active'] = pd.to_datetime(df['last_active'])
   
   # 计算用户所属的 cohort month
   df['cohort_month'] = df['signup_date'].dt.to_period('M')
   
   # ... 省略中间的 pivot table 计算逻辑 ...
   
   # 得到 retention_matrix
   print(retention_matrix)

3. Visualization: 调用 Plotly 画图。

   import plotly.express as px
   fig = px.imshow(retention_matrix, 
                   text_auto='.1%',
                   title="User Retention Cohort Analysis")
   fig.write_html("cohort_heatmap.html")

Result: 最终直接返回一个可交互的 HTML 文件给用户。

9.3.2 Text-to-SQL：让非技术人员查库

对于存储在数据库（MySQL, PostgreSQL, Snowflake）中的海量数据，不能把它们都 dump 成 CSV。 这时需要 Text-to-SQL。

架构设计与 Self-Correction

一个健壮的 Text-to-SQL 系统必须包含错误自愈机制。

Scenario: 用户查询 “上个月销售额最高的 3 个品类”。

Round 1 (Fail):

• Claude 生成: SELECT category, sum(sales) FROM transactions WHERE month(date) = ...

• Execution Error: Function month() does not exist. Did you mean extract(month from date)?

• Claude Thinking: “啊，这是 Postgres 数据库，不支持 month() 函数，我应该用 EXTRACT 或者 DATE_TRUNC。”

Round 2 (Success):

• Claude 修正:

  SELECT 
      p.category_name, 
      SUM(t.amount) as total_sales
  FROM transactions t
  JOIN products p ON t.product_id = p.id
  WHERE t.created_at >= DATE_TRUNC('month', CURRENT_DATE - INTERVAL '1 month')
    AND t.created_at < DATE_TRUNC('month', CURRENT_DATE)
  GROUP BY 1
  ORDER BY 2 DESC
  LIMIT 3;

• Result: ["Electronics", 500k], ["Home", 300k], ...

Explanation: Claude 最后会把结果翻译成人话：“上个月销售额前三的品类是电子产品（50万）、家居（30万）...”。

9.3.3 自动可视化

数据分析的尽头是图表。不必手动去 Excel 做图。

Prompt:

“请用一个交互式的 Plotly 散点图展示广告投入(x)与转化率(y)的关系，点的颜色代表地区，点的大小代表销售额。”

Claude 生成的 JSON 配置可以直接注入到前端的 ECharts 或 Plotly.js 中渲染。

9.3.4 真实案例：某电商运营助手

背景: 运营每天需要盯盘，发现流量异常。

Agent 执行逻辑:

1. Schedule: 每天早 9 点被 Cron Job 唤醒。

2. Detection: 运行 Python 脚本 (scipy.stats) 检测昨日流量是否有 > 3 sigma 的波动。

3. Drill Down: 如果发现异常（如 “流量暴跌 40%”），Agent 自动生成 SQL 查询：

   • “是不是某个渠道挂了？” (Group by Channel)

   • “是不是安卓端挂了？” (Group by OS)

4. Reporting: 最终生成一份 PDF 简报，通过 Slack 发送给运营总监，并附带一句：“初步排查是 iOS 18.2 版本的转化率异常，建议技术团队跟进。”

---

数据分析需要严谨，软件开发更需要严谨。 AI 写代码很快，但谁来保证它写得对？ 这就需要 AI Testing & QA。

➡️ 自动化测试与 QA