电商 AI 运营助手
用 1 亿条淘宝用户行为数据，回答“用户在哪流失、谁是核心用户、哪些品类值得优化”，再用大模型把查数、写周报、答客服这三件重复的事自动化。
一个看板，三个 AI 助手
看板和 AI 功能都建立在同一套指标上，口径一致。AI 功能好不好，不靠挑几个问题演示，而是给每个功能准备带标准答案的测试题，用数字说明效果。
先把数据整理成可靠的指标
经营总览、用户漏斗、RFM 用户分层、品类四象限。每一页都是结论在上、细节在下，打开就知道该看哪里。界面套用 shadcn/ui 官方的 dashboard-01 模板，数据来自数仓的指标表。
金额基于模拟价格（原始数据没有价格），只用于演示分析方法
用中文提问，AI 写 SQL 查数据
AI 根据数据表说明写出 SQL，在只读数据库里执行，再用一句话总结。SQL 报错时，会把错误信息发回给 AI 自动修正。
防误操作：只读连接、只允许查询语句、30 秒超时
截图为系统真实输出的记录回放（deepseek-chat），在线版可自己提问
SQL 算数，AI 写分析
数字全部由 SQL 计算，AI 只负责把数字写成分析文字，写完自动核对文中每个数字。n8n 每周一 9 点触发，核对通过就推送到飞书群。
AI 调用失败时自动改用模板，保证周报照常发出
真实拦截案例：大模型把单日 GMV 4198.5 万元写成了 41985.2 万元（单位差 10 倍，比全周还大），核对程序当场标出；随机篡改 500 次，拦下 88.2%
只根据店铺规则回答
先从店铺规则里检索相关条款，再让 AI 只根据这些条款回答，并标注出处。知识库里查不到的问题不调用 AI，直接转人工。
工单分类：大模型 60/60，关键词规则 56/60
截图为系统真实输出的记录回放（deepseek-chat），在线版可自己提问
怎么做的
数据先分四层整理成可靠的指标，看板和 AI 功能都从最上层的指标表取数。
从数据里发现了什么
金额类指标基于模拟价格（原始数据没有价格），只用于演示分析方法。
79% 买过东西的人都先加过购物车
购物车是下单前最关键的一步。“加购了但没买”的用户，是最直接、成本最低的转化对象，适合做降价提醒和限时券。
不到 3 成的用户贡献了 57% 的成交额
用 RFM 模型把付费用户分成 8 类，“重要价值客户”占 28.7%，贡献 56.9% 的 GMV。运营资源应该优先投给他们，防止流失。
周末流量涨了 36%，转化率却没涨
12 月第一个周末日活比上周末高 36%，但浏览转化率从 2.15% 降到 2.09%。增长来自“来的人多了”，不是“买的比例高了”，活动复盘要同时看效率。
一个好得不正常的数字：留存率 98%
只要统计日落在 12 月 2 日或 3 日，留存率就跳到 98%。我判断这是数据集抽样方式造成的，没有直接采用，只用正常区间的 78%–80%。先怀疑数据，再下结论。
5.6% 的品类贡献了 80% 的成交
用“流量 × 转化率”四象限找出流量大、转化差的品类。粗略估算，把这批品类的转化率提到中位数，能多出约 39 万笔订单。
还不够好的地方
写清楚局限，比只展示好的一面更有说服力。
- 数据只有 9 天，看不到月度趋势和长期留存，RFM 只能用简化的高/低两档。
- 客服测试题、工单和关键词规则都是我自己写的，100% 的结果偏乐观，真实工单会难得多。
- AI 问数 23 道标准题里唯一的错题，是看完错题后补了一条说明才修好的。为此另出了 10 道新题，提示词没有为它们改动，结果 10/10；但只有 10 题，样本小，只能说明没有明显的“对着考题改”，下一步会出更难的第二批。
- 周报的数字核对只检查“数字在不在数据里”：假数字恰好等于数据里另一个数时拦不住，所以拦截率不是 100%，它的作用是标出可疑数字交给人确认。
- 评测只检查关键词，发现不了推理上的小错误，比如 AI 把“半年前”直接当成“超过 180 天”。
用到的技术
- SQL
- DuckDB
- Parquet
- Python
- pandas
- React
- shadcn/ui
- Recharts
- DeepSeek API
- Text-to-SQL
- RAG
- BM25
- FastAPI
- n8n
- Dify
- 飞书机器人
- Git