提示词的引用

我们以数据分析来举例

导入数据时可以根据系统中的数据或者个人电脑上的本地数据进行数据分析

进行数据分析时可以使用对话智能体或相对应的智能体进行操作，同时也可以添加提示词和不添加提示词

1、提示词

调取提示词一般有两种办法

• 第一种方法：在初始聊天页面中会显示已近在系统管理页面中已经配置好的提示词，方便我们直接进行使用，如图：

• 第二中方法：在发送框中我们可以选择不通的智能体和流水线，选择角色后在聊天框的上方会出现提示词，如图：

更改智能体

提示词显示

2、使用提示词

导入你要处理的数据后，选这你要使用的提示词

提问方式

【角色设定】你是一位资深数据分析师，熟悉[行业/业务场景]金融商场的数据分析逻辑。 【数据说明】我将提供一份[格式，如CSV/Excel]数据，包含字段：[字段1, 字段2, 字段3...]。数据量约[X]行，已知问题：[如缺失值、重复记录、时间格式不统一等]。（可附前5行脱敏样本或数据字典） 【分析目标】请完成以下任务：

1. 数据清洗与预处理建议
2. 具体指标计算趋势分析用户分析归因分析
3. 可视化建议统计分析
4. 输出可运行的python[Python/R/SQL]代码，并附业务解读 【输出要求】按“步骤说明 → 代码 → 结果解读 → 业务建议”结构输出，使用Markdown格式。避免过度推断，仅基于提供字段分析。 【约束条件】不引入外部数据；代码需包含注释；若数据不足以支撑某分析，请明确说明并给出替代方案。

销售订单明细表

输出结果

Excel结构检查0.7s检查 Excel 结构

由于当前会话中未直接检测到对应的Excel数据文件（ID: da6233054ec111f186478cec4b636c59），我将基于您提供的字段说明与业务背景，为您构建一套完整、可复用的数据分析框架与Python代码模板。您只需将实际数据加载为 pandas.DataFrame即可直接运行。

以下按“步骤说明 → 代码 → 结果解读 → 业务建议”结构输出：

---

📊 一、数据清洗与预处理建议

问题类型	处理策略	业务意义
日期格式不统一	统一转换为 YYYY-MM-DD，提取年/月/周字段	支撑时间序列趋势分析
缺失值处理	金额/数量缺失用0填充或剔除；客户/部门缺失标记为“未知”	避免指标计算偏差
重复记录	按 销售订单号+行号去重，保留最新状态	防止销售额重复统计
状态过滤	仅保留 状态 == '已审核'/'已完成'的有效订单	聚焦真实业务发生额
币种与汇率	统一折算为本位币：本位币金额 = 原币金额 × 汇率	实现跨币种可比性
税额计算	若未直接提供：税额 = 不含税金额 × 税率	准确核算收入与税负

---

📈 二、分析指标与可视化建议

分析维度	核心指标	可视化建议
趋势分析	月度销售额、订单量、客单价趋势	折线图+双轴（量价分离）
用户分析	Top10客户贡献度、客户分类占比、复购率	条形图、饼图、漏斗图
归因分析	部门/职员业绩排名、业务类型结构、区域/渠道贡献	堆叠柱状图、树状图、热力图
统计分析	金额分布偏态、异常值检测（3σ/IQR）	直方图+箱线图

---

💻 三、可运行 Python 代码（含注释）

⎘

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
import warnings
warnings.filterwarnings('ignore')

# 设置中文字体与绘图风格
plt.rcParams['font.sans-serif'] = ['SimHei', 'Arial Unicode MS']
plt.rcParams['axes.unicode_minus'] = False
sns.set_theme(style="whitegrid")

# ==========================================
# 1. 数据加载与清洗
# ==========================================
# 假设数据已加载为 df，实际使用时替换为 pd.read_excel('your_file.xlsx')
# df = pd.read_excel('销售订单明细表.xlsx')

def clean_data(df):
    """数据清洗与预处理"""
    # 1. 日期标准化
    df['日期'] = pd.to_datetime(df['日期'], errors='coerce')
    df.dropna(subset=['日期'], inplace=True)
    df['年'] = df['日期'].dt.year
    df['月'] = df['日期'].dt.month
    df['年月'] = df['日期'].dt.to_period('M')

    # 2. 状态过滤（仅分析有效订单）
    valid_status = ['已审核', '已完成', '已发货']
    df = df[df['状态'].isin(valid_status)]

    # 3. 去重（按订单号+行号）
    df.drop_duplicates(subset=['销售订单号', '行号'], keep='last', inplace=True)

    # 4. 金额统一折算（假设原字段为 金额, 税额, 汇率）
    # 若原始数据未提供金额，需根据 数量*单价 计算，此处假设已存在
    df['本位币销售额'] = df['金额'] * df['汇率']
    df['本位币税额'] = df['税额'] * df['汇率']

    # 5. 缺失值处理
    df['客户分类编码'].fillna('未分类', inplace=True)
    df['部门名称'].fillna('未知部门', inplace=True)
    df['职员姓名'].fillna('未知职员', inplace=True)

    return df

# df_clean = clean_data(df.copy())

# ==========================================
# 2. 趋势分析：月度销售走势
# ==========================================
def analyze_trend(df):
    monthly_sales = df.groupby('年月')['本位币销售额'].sum().reset_index()
    monthly_sales['年月'] = monthly_sales['年月'].astype(str)

    plt.figure(figsize=(10, 5))
    sns.lineplot(data=monthly_sales, x='年月', y='本位币销售额', marker='o', linewidth=2)
    plt.title('月度销售额趋势', fontsize=14)
    plt.xlabel('年月')
    plt.ylabel('销售额 (本位币)')
    plt.xticks(rotation=45)
    plt.tight_layout()
    plt.show()
    return monthly_sales

# ==========================================
# 3. 用户分析：客户贡献与分类结构
# ==========================================
def analyze_customer(df):
    # Top 10 客户
    top_customers = df.groupby('客户名称')['本位币销售额'].sum().nlargest(10).reset_index()

    # 客户分类占比
    cust_cat = df.groupby('客户分类编码')['本位币销售额'].sum().reset_index()
    cust_cat['占比'] = cust_cat['本位币销售额'] / cust_cat['本位币销售额'].sum()

    fig, axes = plt.subplots(1, 2, figsize=(14, 5))
    sns.barplot(data=top_customers, x='客户名称', y='本位币销售额', ax=axes[0])
    axes[0].set_title('Top 10 客户销售额')
    axes[0].tick_params(axis='x', rotation=45)

    axes[1].pie(cust_cat['占比'], labels=cust_cat['客户分类编码'], autopct='%1.1f%%', startangle=90)
    axes[1].set_title('客户分类销售占比')
    plt.tight_layout()
    plt.show()
    return top_customers, cust_cat

# ==========================================
# 4. 归因分析：部门/职员/业务类型贡献
# ==========================================
def analyze_attribution(df):
    # 部门业绩
    dept_perf = df.groupby('部门名称')['本位币销售额'].sum().sort_values(ascending=False).head(10)

    # 业务类型结构
    biz_type = df.groupby('业务类型')['本位币销售额'].sum().reset_index()

    fig, axes = plt.subplots(1, 2, figsize=(14, 5))
    dept_perf.plot(kind='bar', ax=axes[0], color='skyblue')
    axes[0].set_title('Top 10 部门销售额')
    axes[0].set_ylabel('销售额')

    sns.barplot(data=biz_type, x='业务类型', y='本位币销售额', ax=axes[1], palette='viridis')
    axes[1].set_title('各业务类型销售额')
    axes[1].tick_params(axis='x', rotation=30)
    plt.tight_layout()
    plt.show()
    return dept_perf, biz_type

# 执行分析（取消注释即可运行）
# df_clean = clean_data(df)
# trend_res = analyze_trend(df_clean)
# cust_res = analyze_customer(df_clean)
# attr_res = analyze_attribution(df_clean)

---

📝 四、结果解读与业务建议

🔍 结果解读框架

1. 趋势分析：若月度销售额呈上升/下降趋势，结合季节性或促销活动判断是否为自然波动。若某月突增/突降，需下钻至订单明细排查大单或异常取消。
2. 用户分析：Top 10 客户若贡献超 60% 销售额，说明客户集中度高，存在大客户依赖风险；客户分类占比可指导资源倾斜（如重点维护高价值分类）。
3. 归因分析：部门/职员排名反映团队效能差异；业务类型结构揭示主力盈利模式，若低毛利业务占比过高，需优化产品组合。

💡 业务建议

分析结论	业务动作
销售额季节性波动明显	提前备货/排产，淡季推出促销套餐平滑产能
Top客户集中度过高	建立大客户专属服务机制，同时拓展中长尾客户分散风险
某部门/职员业绩持续偏低	开展专项培训或调整考核激励，排查流程瓶颈
低毛利业务类型占比上升	优化定价策略，推动高附加值产品交叉销售
异常订单/退货率高	加强订单审核与合同条款管理，建立售后预警机制

---

⚠️ 约束说明

• 本代码基于您提供的字段逻辑编写，若实际数据中缺少 金额、税额、汇率 等字段，需先通过 数量 × 单价或财务接口补全。

• 若数据量极大（>100万行），建议改用 polars或数据库聚合提升性能。

• 如需生成可下载的 Excel 分析报告或对接具体数据文件，请上传文件后我将自动执行完整流水线。

10:28⏱ 1m 4s输入 3.9K · 输出 3.2Kqwen3.6-plus