从等数到自助分析
我把数分经验
变成了 AI 能调用的工作流
以前一个想看的数据，要提需求、排期、等交付。现在我把转转的表、口径、踩坑经验沉淀成 skill，日常 SQL 基本都用它完成，半小时以内就能拿到想看的数据。
01 痛点
业务同学最缺的，不是问题，而是验证问题的入口
增长运营每天都有很多小假设：谁在看回收首页，哪个品类被估价，触达后有没有回来。这些问题未必大到值得单独占用数分排期，但它们决定了下一步动作。
更麻烦的是，SQL 不只是写语法。真正容易错的是表名、时间口径、过滤条件、跨表去重和实验包排除。
01
提需求
写清楚场景和想看的指标
等待
02
讲价值
先证明这个数值得被看
对齐
03
排期交付
几天到一周后拿到结果
几天
04
返工校验
口径不一致时重新沟通
再等
02 效果先说
它已经稳定进入我的日常工作流
这个 skill 我已经持续打磨了 1 个月，目前用它写了 50 多个 SQL，日常的 SQL 基本都由它完成。现在通常 5 分钟写出可跑 SQL，跑数据 20 分钟以内，半小时内就能拿到自己想要的数据。720+ 流失用户短信召回复盘，是其中一个完整项目案例。
5 分钟
写出 SQL
从自然语言需求到符合转转口径的可跑 SQL。
20 分钟
跑完数据
多数日常分析在 Hive 跑数 20 分钟以内完成。
30 分钟
拿到结果
从想到问题到看到数据，基本控制在半小时内。
50+
SQL 已生成
不是一次性 Demo，而是已经覆盖日常真实分析需求。
业务闭环
第一次实验
按流失时间分 3 组
短信触达
短信触达
→
AI 神笔做分析
流失时间 × 人群画像
交叉分析
交叉分析
→
第二次实验
按流失时间 × 人群画像
分 6 组，短信触达
分 6 组，短信触达
中间这一步的提速
过去要提数分排期 3-5 天
现在我自己用 skill 半天跑完
现在我自己用 skill 半天跑完
第二次实验的分群方案，就是基于这次分析做出来的。
03 现场演示
从一句话，到真实可跑的 SQL
现场播放一段录屏：自然语言需求 → AI 神笔读取 skill → 生成含真实表名和转转口径的 SQL → 粘到 Hive 直接跑通。
Step 1
自然语言输入
一句话描述需求，不需要写 SQL。
Step 2
AI 神笔读取 skill
自动调用真实表名、转转口径、踩坑规则。
Step 3
生成可跑 SQL
不是示意 SQL，是能直接粘到 Hive 的真实代码。
Step 4
Hive 跑通拿数
结果出来，一个完整的取数动作闭环。
04 对比
有 skill 和没 skill，差别不是快慢，是结果能不能信
AI 本来就会写 SQL，但它不知道转转。它不知道哪些表是真实的，哪些字段要双重过滤，哪些订单要排除，哪些 join 会把 GMV 算重。
skill 的价值，是把这些隐性经验变成 AI 每次必须读取的约束。
普通 AI
- 表名可能是编的
- 时间只按 dt 过滤
- 忘记排除内部订单
- 品类分布简单 join，GMV 容易重复
- 看起来像对的，但跑出来可能错
AI神笔 + skill
- 读取 13 张真实核心表
- 自动使用 dt + 业务时间字段
- 自动检查 order_source 等污染数据
- 品类分析默认桥表写法
- 能跑、可校验、可复用
05 原理压缩讲
SQL 只是表层，底下是被固化的分析工作流
这里不展开成说明书，只讲评委需要理解的一件事：我不是让 AI 临场猜答案，而是给 AI 一套固定工作流，让它先读规则、再选模板、再生成 SQL、最后自检。
01
读入口
从 SKILL.md 进入，先过启动核查清单和硬性规则。
02
找口径
读取 tables、metrics、conventions，拿到真实表名和过滤方式。
03
套场景
按触达、实验、人群、画像等场景选择模板和通用骨架。
04
沉淀回流
每次踩坑、校验和新案例，都继续补进 skill。
zz-sql-analyst/
├── SKILL.md # 入口：核查清单 + 场景路由 + 硬性规则
├── references/ # 13 张表、口径定义、写法约定
├── templates/ # 9 个高频分析场景
├── patterns/ # 桥表、漏斗、去重、标签透视等通用骨架
└── examples/ # 跑过的真实项目案例
├── SKILL.md # 入口：核查清单 + 场景路由 + 硬性规则
├── references/ # 13 张表、口径定义、写法约定
├── templates/ # 9 个高频分析场景
├── patterns/ # 桥表、漏斗、去重、标签透视等通用骨架
└── examples/ # 跑过的真实项目案例
06 价值
这件事的价值，从一个人变快，到一群人一起把边界往外推
第一层
统一分析工作流
skill 把工作流固化下来，不同维度的分析都按同一套方法跑。效率的基础，是所有人走同一条路。
第二层
个人资产变集体资产
A 同学沉淀的口径，B 同学直接复用；B 同学发现的坑，C 同学不会再踩。从一个人的知识，变成团队的基础设施。
第三层 · 最大的价值
集体补漏，边界一直往外推
当更多人在用，每个人的视角盲区都会被别人补上。skill 越用越全，分析越做越深。一个人再努力也有边界，一群人互相补漏，边界会一直往外推。
再往前一步
skill 是骨架，接入 agent 就是完整的分析闭环
Step 1
取数
→
Step 2
分析
→
Step 3
下一步测试建议
→
Step 4
再取数验证
跑完一轮触达漏斗，agent 自己发现 T+1 估价转化低于大盘，自动调人群画像 skill 做交叉分析，再给出下一轮分群建议。
skill 沉淀口径和套路，agent 负责判断和串联。这条路现在就能走，骨架已经有了。
skill 沉淀口径和套路，agent 负责判断和串联。这条路现在就能走，骨架已经有了。
07 收尾
让数据分析能力
从排期资源
变成即时能力
从排期资源
变成即时能力
这套方法不限于回收业务。任何有稳定表、固定口径、重复分析场景的团队，都可以按同样方式复制。
识别
找出每周、每月都在重复写的分析场景。
沉淀
把真实表名、指标口径、踩坑经验写成 AI 能读的文件。
复用
让 AI 每次按同一套工作流生成、校验、交付。
迭代
每做完一个新场景，就把新口径和新坑继续补进去。