搭建您的 AI 增强分析师工具包。了解 AI 在五阶段分析周期中的定位，掌握将模糊需求转化为可执行建议的 GCSE 提示词框架，并选择合适的方式将 AI 与您的数据连接起来：平面文件、MCP，或受治理的语义层。

AI 增强型分析师

认识 The Daily Grind

相同提示，不同答案

编写有效的提示词

提示片段

目标（Goal）

背景（Context）

范围（Scope）

示例（Example）

用 GCSE 拆解提示

模糊提示词与结构化提示词对比

连接您的数据

待处理的请求

平面文件上传

语义层

平面文件、MCP，还是语义层？

上下文揭示真正含义

用 AI 增强数据分析

从原始数据出发，得出经得起推敲的洞见。审查数据质量，识别模糊重复项、缺失值和不合理的时间戳；让 AI 同时扮演执行者和顾问的角色，丰富原始字段；然后在趋势、分布、差异和异常值中发掘值得深入研究的洞见，并在将其呈现给利益相关者之前逐一验证。

审查阶段：数据质量

AI 能自行标记出哪些问题？

审查咖啡店数据

核查 AI 的去重结果

丰富您的数据

从支持工单中提取意图

执行者还是顾问？

发现值得信赖的洞察

您会从哪里开始探索？

深入挖掘一项发现

探索数据，发掘洞见

将发现转化为真正打动人心的仪表板和故事。把仪表板的探索与原型设计从数周压缩到一个下午，根据受众和面临的决策定制数据故事，并通过 S.P.O.T. 验证框架防范看似完美实则错误的输出。

用 AI 构建仪表盘

从访谈到用户故事

原型设计与迭代

用 AI 讲述数据故事

同样的数据，两种叙事

诚实的表述 vs. 误导性的表述

面向 CFO 的数据故事

可验证性与信任

哪种 S.P.O.T. 检查能发现这个问题？

这个数字合理吗？

找出表面完美实则有误的仪表盘

可视化叙事与洞见应用

对美国零售连锁品牌 Board and Beyond 进行一次完整的 AI 优先分析。审核数据质量，找出品类经理真正会用到的数据丰富方式，发现并验证一项核心发现，构建支持扩张决策的仪表板，并向管理层提交一段话的分析报告。

毕业项目：Board and Beyond

了解 Board and Beyond

哪个问题不能再拖？

品类经理实际会用到什么？

验证一个关键发现

我们应该在哪里扩张？

向领导层讲述这个故事

恭喜您！

附加内容：使用 Snowflake Cortex 进行数据分析

顶点项目：一次完整的 AI 优先分析

探索如何在日常数据分析工作中将 AI 作为协作伙伴。在本课程中，您将把 AI 融入分析师工作流程的各个环节：编写能产生真正可行建议的提示词、将 AI 与您的数据连接起来、审查数据质量、用衍生指标丰富原始字段、发掘值得深入研究的洞见、在几小时（而非几周）内构建仪表板，以及讲述能够推动决策的故事。在此过程中，您还将学习如何识别那些看似完美实则存在问题的 AI 失误——概率性漂移、谄媚倾向、幻觉，以及基于错误算术构建的仪表板。您将通过 AI 聊天助手动手练习每项技巧，然后在一个完整的顶点项目中将所学融会贯通。

[可选]：这个 [Snowflake 附加项目](https://www.snowflake.com/en/developers/guides/build-an-ai-powered-analytics-app-with-nl/?utm_source=datacamp&utm_campaign=aiforanalysts) 将挑战您更进一步，使用 Snowflake 的原生功能构建一个可运行的 AI 驱动分析应用。

<h2>您的 AI 增强数据分析实用指南</h2> 人工智能正在改变数据分析师的工作方式，而本课程将向您展示如何高效运用它。 你将学会将 AI 助手嵌入分析工作流程的每个阶段，从审视原始数据到交付领导层会采取行动的洞察。 DataCamp 提供内置的 AI 数据助手，让你从第一课开始就能在真实数据集上实践。 无需技术背景或外部 AI 订阅。 <br><br> <h2>编写能获得可辩护分析的提示词</h2> 模糊的提示词会产生模糊的输出。 本课程讲解 GCSE 框架（目标、上下文、范围、示例），帮助你将开放式商业问题转化为 AI 可以执行的精确指令。 您将在咖啡连锁店、SaaS 支持台和零售买手办公室等真实场景中进行实践，并学习如何识别隐藏在看似精致回复中的 AI 风险：概率性变化、幻觉、阿谀奉承以及缺失上下文。 <br><br> <h2>审核数据质量、丰富字段并发现值得追踪的洞察</h2> 大多数 AI 演示都会跳过中间那些杂乱的部分。 这门课程没有。 您将通过真实数据集完成分析师循环：检查数据中的模糊重复项、不可能的时间戳和缺失值；通过将 AI 同时用作执行者（执行工作）和顾问（首先决定哪些工作值得做）来丰富原始字段；然后从趋势、分布、差异和异常值中挖掘洞见。 每一项发现都会在传达给利益相关者之前经过严格检验。 <br><br> <h2>讲出能打动人的故事，然后在发布前验证</h2> 仪表板或一段简短的故事，其价值取决于背后的验证是否到位。 您将学会将仪表板发现和原型设计从数周压缩到一个下午，针对受众和眼前的决策定制数据故事，并应用 S.P.O.T. 框架（Sample-and-trace、Peer-review、Order-of-magnitude check、Test-boundaries）在精美但错误的输出到达领导层之前将其捕捉出来。 该结业项目对一家美国零售连锁企业进行完整的 AI 优先分析，最后还附有来自 Snowflake 团队的 Snowflake Cortex 额外课程。 <br><br> 在完成本课程时，您将掌握一套可重复使用的框架，能够在分析的每个阶段运用 AI，从提示到仪表板再到书面建议，并具备判断何时信任结果、何时验证、何时提出质疑的能力。

在数据分析各阶段使用AI：优化提示、审核数据质量、发现有价值的洞察并交付可信成果。

面向数据分析师的 AI

在数据分析的每个阶段都使用 AI。 写出更精准的提示词，审核数据质量，发现值得追踪的洞见，并交付你可以信赖的成果。

同事请您在今天下午的会议前完成的一次性分析。

您想将竞争对手的基准数据 CSV 与自己的数据比较一次，只是为了解决内部的一个争论。

每周需要获取最新数据的队列留存报告，每周一都要更新一次。

面向分析师的聊天界面，销售团队可以借此对实时 CRM 数据进行提问。

一个收入仪表盘，其中「活跃客户」的定义必须与财务报告中的定义保持一致。

一份面向客户的信任报告，其中任何指标不一致都会构成合规问题。

平面文件、MCP，还是语义层？

面向数据分析师的 AI

动手互动练习