AI专版快速入门

发布于 2026年5月21日

项目	内容
用户名	您的账号用户名
登录密码	您的账号密码

在AI授权管理页面，左侧为 模型列表（树形结构），右侧为该模型的详细配置信息。
点击左上角的 【新建授权】 按钮，创建新的AI模型授权。
在配置区域填写：
模型提供商名称：为该授权起一个易于识别的名称（如：DeepSeek）
提供商类型：选择AI服务类型（如：OpenAI 兼容）
API 地址：填入AI服务的API接口地址
请求模式：选择请求模式（如：服务端代理）
模型列表：配置该提供商下可用的模型
API Key：填入您的AI服务API密钥
模型列表：
- 模型名称：必须填写官网上正确的名称
- 模型类型：包含两种模型分别是对话模型（用于AI小智的对话），嵌入式模型（用于训练知识库）
- 上下文窗口：对话参考上下文的最大值
- 摘要触发阈值：当对话达到一定数量时会进行

推荐使用通义千问模块，通义千问的API Key接口自行申请：https://bailian.console.aliyun.com/cn-beijing?tab=model#/api-key

配置参数如下图所示：

填写完成后，点击 【保存】 按钮。可通过 【连接测试】 按钮验证配置是否正确。

提示：系统已预置了常用模型（如通义千问Plus、DeepSeek、通义千问），您可以在模型列表中查看和管理。配置完成后，即可在AI小智中选择对应的大语言模型使用。

步骤2：配置AI提示词（可以跳过）

点击左侧菜单中【AI提示词管理】，进入也面后选择一个你想要添加提示词的智能体，这里以【数据洞察】例如图：

操作步骤：

点击新建提示词

在弹出的窗口部分填写：

模板标题：给你建立的提示词起一个合理的名称
使用说明：说明建立这个模板的作用是什么
关联数据表：配置数据表直接是由（不用配置，对话时可以导入数据表）
模板内容：具体的提示词内容

我们也可以使用模板库中的模板进行使用操作

进入后点击你要创建的模板即可

选择好模板后，点击【导入】即可在模板列表中找到你创建的模板

步骤3：配置AI知识库（可以跳过）

在左侧菜单中点击【知识库管理】可以进入知识库管理页面

点击【新建知识库】

在配置表中输入：

知识库名称
知识库描述：描述知识库的用途，便于AI小智的识别
图标：个性化配置
分段方式
嵌入模型：选择已近配好的嵌入式模型（配置AI模型时有两种模型供选择分别是嵌入式盒对话式）

配置完成后点击创建即可

步骤4：配置数据库连接

操作步骤：

在顶部导航栏点击 【系统管理】。
在左侧菜单中选择 【数据库连接】。
在数据库连接页面，左侧为 连接列表（树形结构），右侧为连接的详细配置信息。
点击左上角的 【新建连接】 按钮。
在连接配置表单中，填写数据库连接参数。

配置项	示例值
数据库类型	SQL Server
数据库路径	127.0.0.1
数据库端口	数据库端口，如：1433
用户名	数据库实际用户名
密码	实际密码
数据库名称	UFDATA_001_2017
软件标识	用友U8+
字符集	UTF8

填写完毕后，可以点击 【测试连接】 验证连接是否成功。
测试通过后，点击 【保存】 完成数据库连接配置。

注意：请确保数据库服务器网络可达，且账号密码正确。如果连接失败，请检查防火墙设置和数据库服务状态。

步骤5：配置数据表

数据库连接建立后，需要在数据空间中创建数据集，将数据库中的表配置为可供分析使用的数据集。

操作步骤：

在顶部导航栏点击 【数据空间】。
在左侧菜单中选择 【数据中心】。

在数据中心页面，点击 【新建文件夹】，创建一个文件夹用于存放数据集（如：U8数据）。
选中刚创建的文件夹，点击 【新建数据集】。
在弹出的创建表单中填写：
数据表名：现存量表
类型：选择 数据库数据表
其他选项保持默认值
在SQL编辑区域，输入以下SQL查询语句。

1) 点击 【执行SQL】 按钮，验证SQL语句是否正确执行。
2) 确认数据无误后，点击 【保存】 按钮完成数据集创建。

提示：以上SQL示例来自用友U8的现存量相关表，包含了仓库、存货分类、存货名称、数量等常用库存分析字段。您可以根据实际业务需求修改SQL语句。

步骤6：使用AI小智对话

完成以上配置后，即可开始使用AI小智进行智能数据分析对话。

操作步骤：

在顶部导航栏点击 【工作空间】。
在左侧菜单中选择 【AI小智】。

点击 【新对话】 按钮，开启一个新的对话窗口。

实战演示：分析销售数据

a、不使用提示词进行数据分析

提问方式

帮我分析以下数据

销售订单明细表

输出结果

获取数据表数据1.1s获取 1 张数据表

分析计算26.0s执行 Python 脚本

【数据结果】\
• 总体规模：共 88 笔订单，总金额（含税）约 2.56 亿元，平均单笔订单金额高达 290.5 万元。\
• 业务结构：分期收款业务占比 99.99%（85笔），普通销售仅 3 笔。\
• 客户分布：头部客户集中，Top 1 客户（中冶京城）贡献 5,159 万元，Top 5 客户合计贡献超 1.33 亿元。\
• 部门业绩：技术商务部贡献 2.34 亿元，占比高达 91.6%，是绝对主力。\
• 发货进度：已发货金额 2.08 亿元，整体发货率 81.44%，仍有约 4,746 万元未发货。\
• 时间趋势：业绩波动显著，2024年6月（5,253万）与2025年6月（3,383万）为高峰，2024年8月仅 72.9 万元。

【核心洞察】\
• 大客户与分期模式主导：业务高度依赖少数大客户及分期收款模式，虽然单笔金额大，但资金回笼周期长，且存在较高的客户集中风险。\
• 部门业绩极度不均：技术商务部承担了绝大部分业绩压力，其他部门（如市场拓展部、管理层）贡献微弱，销售结构失衡。\
• 交付履约存在瓶颈：近 19% 的订单金额尚未发货，可能受供应链、生产周期或客户验收影响，存在延迟交付风险，影响收入确认。\
• 业绩波动剧烈：月度销售额起伏较大，缺乏稳定的订单流入节奏，可能受项目制销售特性影响，导致现金流预测困难。

【改进建议】\
• 强化应收账款管理：针对分期收款业务，建立严格的账期监控与催收机制，提前评估大客户信用风险，保障资金链安全。\
• 优化交付与供应链协同：对未发货订单进行专项排查，建立“发货延迟预警系统”，优先处理高金额、长账期订单的交付，提升客户满意度。\
• 推动销售结构多元化：制定新客户拓展计划，降低对 Top 5 客户的依赖；同时赋能非核心销售部门，通过激励机制平衡各部门业绩贡献。\
• 平滑销售节奏：分析业绩低谷期（如8月）原因，提前布局季度/年度销售目标分解，通过促销活动或预售策略填补业绩空窗期。

10:20⏱ 1m 13s输入 12.5K · 输出 2.8Kqwen3.6-plus

b、使用提示词

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：

数据清洗与预处理建议
具体指标计算趋势分析用户分析归因分析
可视化建议统计分析
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

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。
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）。
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

AI专版快速入门

目录

一、登录系统

二、场景一：AI小智快速入门

步骤1：配置AI授权

步骤2：配置AI提示词（可以跳过）

步骤3：配置AI知识库（可以跳过）

步骤4：配置数据库连接

步骤5：配置数据表

步骤6：使用AI小智对话

实战演示：分析销售数据

📊 一、数据清洗与预处理建议

📈 二、分析指标与可视化建议

💻 三、可运行 Python 代码（含注释）

📝 四、结果解读与业务建议

🔍 结果解读框架

💡 业务建议

⚠️ 约束说明