课程大纲

第一部分 数据分析方法论和实战

1数据分析与工具概览

了解数据分析流程与必备工具

数据分析流程

Python、Jupyter、库选型

2 数据获取与治理

掌握常见数据源与清洗前准备

CSV／Excel／数据库读取

数据规范化、缺失值与异常值检测

3 数据清洗实战

深入掌握清洗技巧与自动化方法

重复值、格式转换、数据映射

批量化处理与函数式清洗

4 数据可视化基础

掌握静态与交互图表制作

Matplotlib 基本绘图

Seaborn 风格化展示

5 用户画像与描述性分析

学会基于行为数据刻画用户特征

分组统计、透视表、交叉分析

可视化报告撰写

6 RFM 模型与用户细分

理解 RFM 原理并实现客户分层

RFM 指标计算

K-Means／层次聚类实战

7 生命周期价值（LTV）预测

掌握回归分析框架与模型评估

数据建模流程

线性回归／树模型训练与验证

8 渠道归因与马尔可夫链

学会多渠道贡献度评估

用户路径构建

马尔可夫链归因算法实现

9 转化漏斗与 A/B 测试

掌握漏斗分析与实验设计方法

漏斗图与关键指标

假设检验与样本量计算

10 裂变增长与案例汇总

运用增长模型实现裂变方案评估

增长黑客思维

实战案例＋XGBoost 用户分类

第二部分 大模型时代的数据分析

生成式大模型（Generative AI, GenAI）的快速发展正在重新定义数据分析的范式。这些模型以其强大的自然语言理解、多模态处理能力以及动态生成能力，帮助用户突破传统数据分析工具的局限，使数据洞察更加直观、高效。

Topic #1 基于生成式大模型（GenAI）的数据分析

GenAI为多样化的数据分析场景提供了灵活且强大的支持，集成了代码执行能力的工具（如OpenAI Code Interpreter）和AI编程助手（如Cursor）进一步降低了数据分析的技术门槛，让数据分析人员更加高效地利用AI进行数据探索和决策。

   Code Interpreter：OpenAI推出的代码执行功能，可以动态分析数据、生成图表并解释结果。

   Cursor：利用AI编程工具自动生成代码，实现特定领域的高级分析，如财务报表解读和金融法律文档、数据分析。

   多模态大模型（如OpenAI DALL·E 3 和 Gemini）：支持文本、图像、视频、音频等数据类型的分析和交互。

创新应用案例实践

   利用OpenAI Code Interpreter的数据分析功能自动生成数据分析报表和PPT。

   自动生成复杂SQL查询并动态调整分析结果。

   利用多模态大模型直接解析非结构化PDF数据（图文混排、表格、图像）。

Topic #2 基于领域知识和RAG的高效数据分析

基于领域知识和检索增强生成（Retrieval-Augmented Generation, RAG）的数据分析是一种结合大语言模型和精准检索技术的高效解决方案。在复杂的数据分析任务中，领域知识的深度融合显著提高了模型的理解力和分析能力，而RAG技术通过将实时检索的外部数据动态注入模型的生成过程，解决了传统生成模型“记忆过时”和“知识有限”的问题。

   动态检索与生成结合：通过嵌入向量搜索技术，将与用户查询相关的上下文文档注入生成模型。

   检索模型：使用如BM25、Dense Passage Retrieval (DPR) 等高效检索方法。

   嵌入存储：基于向量数据库（如Milvus、Pinecone、Weaviate）存储领域知识并快速检索。创新应用案例实践

创新应用案例实践

   基于大规模非结构化数据的企业文档系统的构建

   非结构化数据的快速分析与问答。

Topic #3无代码与低代码的AI数据分析平台

无代码与低代码平台正在重塑AI数据分析的开发方式，通过降低技术门槛，让更多非技术人员能够高效地构建和部署复杂的数据分析解决方案。这些平台集成了预构建的AI工具和模块化的工作流程，通过简单的拖拽或少量代码实现任务自动化

   LangChain和AutoGen 和 CrewAI：集成多种工具，支持低代码实现数据处理和AI Agent。

   Dify.AI、FastGPT：支持通过拖拽构建复杂分析流程。

创新应用案例实践

   企业数据分析流程的快速搭建。

   利用AI Agent完成数据分析

   用无代码平台生成业务报告或仪表盘。