本书系统地讲解了如何利用ChatGPT赋能数据分析。全书共11章，层层递进，既涵盖理论方法，也注重实践操作：首先讲解ChatGPT的使用与高质量提示词的构建，然后探讨如何使用ChatGPT学习业务知识、分析方法、分析工具，最后通过多个行业实战案例的讲解，帮助读者真正将AI技术融入数据分析，提高分析效率和决策能力，抓住行业变革带来的机遇。

本书适合数据分析师、数据科学家、数据运营人员和商业分析师阅读，也适合所有需要运用数据分析优化工作、学习、研究的职场人士、学生和教研人员阅读。

前言
1. 数据分析的新时代
在数字化转型和智能技术飞速发展的今天，数据早已成为企业竞争的核心资源。它不仅支撑着业务运营，更驱动着市场创新和战略决策。从制造业到金融业，从电商到游戏，数据分析无处不在，它可以帮助企业洞察趋势、优化策略、预测未来。然而，随着数据规模的爆炸式增长、业务场景的日趋复杂，以及对实时决策的高要求，传统数据分析的方式正面临前所未有的挑战。
传统数据分析的困境
传统数据分析是一项需要跨学科能力的工作，要求从业者既懂业务，又精通技术，能熟练运用Excel、SQL、Python等工具，同时具备扎实的统计学和数据建模能力。然而，面对当今庞杂的数据环境，这种方法的局限性逐渐暴露——数据来源越来越多样，分析过程越来越复杂，结果要求越来越实时，而学习曲线依然陡峭，让初学者难以快速上手。即便是经验丰富的分析师，也经常感到力不从心，难以高效应对变化迅速的业务需求。
生成式AI的崛起：改变数据分析的游戏规则
在这种背景下，生成式AI成为数据分析师的新武器。以ChatGPT为代表的AI工具，极大地降低了技术门槛，让分析师仅凭自然语言交互就能完成SQL查询、数据清洗、建模等复杂的任务，从而大幅提升分析效率。不仅如此，AI还能辅助业务洞察，帮助分析师快速构建指标体系、识别关键趋势，并打破技术壁垒，使更多非技术人员也能轻松参与数据分析。通过精准的提示词（Prompt）设计，数据分析师可以把更多精力放在业务理解和战略决策上，而不是被烦琐的代码和工具操作所束缚。
数据分析师的角色重塑
生成式AI的普及，推动数据分析行业迈入智能化时代。AI的介入，不只是让分析流程更高效，更重要的是，它改变了数据分析师的角色定位。从过去专注于技术执行的“工具操作者”，到如今兼具技术和业务洞察的“战略伙伴”，数据分析师已不再局限于解决特定问题，而是利用AI提供深层次的业务洞察，实现从数据到决策的快速转化。未来，懂AI、会写提示词（Prompt）、善于解读数据并结合业务思考的分析师，将成为最有竞争力的人才。
2. 为什么写这本书？
尽管生成式AI已经在数据分析领域展现出巨大的潜力，但市场上的学习资源仍然存在不少短板。许多书籍和教程要么专注于传统数据分析技能（SQL、Python、统计学等），要么只介绍生成式AI的基本概念，缺乏对两者结合的系统性指导，尤其是在实际业务应用层面，现有资料往往过于理论化，难以真正帮助分析师将AI技术落地到工作中。此外，行业对数据分析师的要求正在快速升级，传统的学习路径已难以满足职场竞争的需要。
本书的写作目的就是填补这一空白，帮助数据分析师真正掌握如何在工作中高效运用生成式AI，让AI成为自己的生产力工具，而不仅仅是“锦上添花”的辅助工具。
打通技术与业务之间的鸿沟
生成式AI的价值，不仅在于提高技术效率，更在于帮助分析师更快地理解业务、搭建指标体系、优化数据分析流程。本书将手把手教你如何利用AI构建电商、金融等行业的核心分析模型，并结合业务需求做出更科学的决策。
降低学习门槛，缩短上手时间
传统数据分析学习成本高，而生成式AI可以让这一过程变得更高效。本书将通过系统化的提示词（Prompt）设计，快速生成SQL查询、Python数据清洗代码、高质量的数据可视化方案，让AI成为你的智能导师，减少对传统编码技能的依赖。
提供真实的业务案例，让你学了就能用
本书不是一本纯技术手册，而是一本实战指南。我们将通过电商、金融、互联网等多个行业的典型案例，展示如何利用生成式AI辅助完成从数据探索到决策支持的全流程。例如：如何用AI优化用户分层分析？如何让ChatGPT辅助信用评分建模？这些案例将帮助你在真实场景中学会如何高效应用AI，而不是“纸上谈兵”。
帮助你在AI时代构建职业竞争力
AI正在重新定义数据分析师的能力模型，本书不仅教授技术，更关注你的职业发展。你将学会如何利用生成式AI优化简历、准备技术面试、制定长期职业规划，让自己在求职、跳槽、晋升的过程中脱颖而出，避免被行业变革甩在后面。
AI不仅是一种工具，更是一种思维方式
生成式AI的出现，不仅为数据分析提供了更强大的工具，而且改变了整个数据行业的工作方式。本书的核心理念就是让你掌握如何借助AI提升工作效率、优化分析方法、增强业务洞察力，最终让数据分析从单一的技术执行真正升级为业务决策的驱动力。
无论你是刚入门的数据分析师，还是希望在行业变革中保持竞争力的资深从业者，本书都将为你提供最前沿、最实用的AI数据分析方法。希望这本书能成为你在AIGC时代的得力助手，让你不只是适应变化，更是站在技术变革的前沿，主动塑造自己的职业未来。
3. 本书的核心亮点
这本书不只是一本单纯的技术手册，更是帮你真正用上生成式AI、提升数据分析效率的“实战指南”。它既教技术，也教你如何在AI时代更有竞争力。以下是几个核心亮点。
完整覆盖数据分析全流程
从业务知识、指标体系，到数据清洗、建模、可视化，再到行业案例，本书系统地讲解了数据分析的全过程。例如，电商的用户生命周期分析、金融的信用评分模型，都有实战拆解，让你学得透、用得上。
学会如何让AI高效“干活”
生成式AI的关键在于提示词（Prompt），本书手把手教你如何精准提问，让AI帮忙生成SQL查询、优化数据分析、自动化清洗数据，而不是“随便回复”。只有学会高效对话，你才能真正掌控AI。
真实业务案例，学了就能用
书中覆盖多个行业的实际案例，比如：
电商：如何通过数据分析提高转化率？
金融：如何构建信用评分模型？
互联网：如何发现业务指标异动？
这些案例让你掌握技术的同时，也能在实际工作中灵活运用。
不仅学技能，还帮你职业进阶
AI正在改变数据分析师的职业路径，本书不仅教你技能，还会帮你用AI提升个人竞争力。
简历优化：用ChatGPT提炼项目亮点，让简历更有吸引力。
面试模拟：练习SQL、Python、数据思维等常见面试问题。
职业规划：如何从传统分析师进阶到“数据+AI工程师”？
这些内容能帮你在求职、跳槽、职业发展上抢占先机。
实操为主，提供可直接复用的提示词（Prompt）模板
本书不是纯理论，而是“学了就能用”。每章都有可复制的提示词（Prompt）模板，帮你快速上手，比如：
如何优化SQL查询？
如何让ChatGPT生成完整的数据分析报告？
如何用AI提升数据可视化效果？
你不需要死磕代码，只要跟着练习，就能让AI高效地辅助数据分析。
紧跟行业趋势，避免被淘汰
AI发展太快，今天的“高科技”可能明天就成了行业标配。本书会帮你看清趋势，提前布局，比如：
哪些数据分析能力是AI替代不了的？
未来的数据分析师应该具备什么新技能？
如何利用AI提升自身价值，而不是被AI取代？
通过这些内容，你能更好地应对变化，在AI时代稳住脚跟，甚至走在前列。
4. 目标读者群体
这本书适合所有希望提升数据分析能力，并借助生成式AI优化工作方式的读者。
对于在职数据分析师与数据科学家，本书不仅帮助你掌握ChatGPT等AI工具，还能提升你的SQL、Python、统计建模等核心技能，优化数据清洗、分析和可视化的流程，让你把更多精力放在业务洞察和复杂问题的解决上，而不是被烦琐的代码和报表困住。同时，书中还会探讨AI在用户增长、

李朝成,本科和研究生毕业于同济大学，毕业至今一直从事数据分析工作，8年数据分析经验、资深数据分析师、数据科学家。近一年也在深度参与AIGC产品的开发，对AIGC产品非常熟悉。作者主导了多个从0到1产品的数据分析项目，并负责过千万级月活产品的数据分析项目。在互联网、电商零售、在线教育、广告营销等ToB、ToC领域有着丰富的数据分析及业务驱动经验，尤其擅长数据分析思维方法、数据分析工具以及数据分析项目的落地。此外，作者还是公众号／小红书／知乎／B站等平台优质创作者，全网约8w粉丝，作品点赞收藏分享次数超100w。

目录
第1章?智识初窥：AIGC与ChatGPT基础认知
1.1　AIGC的简介与发展
1.1.1　AIGC的定义与背景
1.1.2　 AIGC的发展历程与技术演进
1.2　主流AIGC产品简介及对比
1.3　ChatGPT在数据分析中的应用场景
1.4　ChatGPT账号注册及使用基本流程
1.4.1　注册ChatGPT账号
1.4.2　使用ChatGPT的基本流程
1.5　互动练习题
第2章?精要Prompt：构建优质指令策略与应用
2.1　Prompt的基本概念和作用
2.2　构建高质量Prompt的策略
2.3　Prompt在数据分析中的实践
2.4　 Prompt实践案例
2.5　自动生成Prompt的工具及使用示例
2.6　互动练习题
第3章?行业洞察：用ChatGPT学习业务知识和指标体系
3.1　利用ChatGPT学习行业知识
3.2　各行业Prompt示例
3.3　构建科学的业务指标体系
3.4　ChatGPT在业务指标优化中的应用
3.5　互动练习题
第4章?方法研习：用ChatGPT学习数据思维和分析方法
4.1　数据思维
4.2　指标异动分析
4.3　描述性分析
4.4　对比分析
4.5　细分分析
4.6　预测分析
4.7　相关性分析
4.8　漏斗分析
4.9　RFM用户分层分析
4.10　同期群分析
4.11　假设检验
4.12　互动练习题
第5章?统计进阶：用ChatGPT探索统计学知识
5.1　描述性统计
5.1.1　描述性统计的概念
5.1.2　集中趋势
5.1.3　离散程度
5.1.4　分布特性
5.1.5　数据可视化
5.1.6　ChatGPT案例：描述性统计分析
5.1.7　小结
5.2　概率论基础
5.2.1　什么是概率论
5.2.2　基本概率规则
5.2.3　常见概率分布
5.2.4　ChatGPT案例：正态分布的绘制与概率计算
5.2.5　优缺点与适用场景
5.2.6　小结
5.3　抽样与估计
5.3.1　抽样方法
5.3.2　区间估计与点估计
5.3.3　大数定律与中心极限定理
5.3.4　ChatGPT案例：置信区间计算
5.3.5　优缺点与适用场景
5.3.6　小结
5.4　假设检验
5.4.1　什么是假设检验
5.4.2　假设检验的步骤
5.4.3　常见的假设检验方法
5.4.4　ChatGPT案例：t检验示例
5.4.5　ChatGPT案例：卡方检验示例
5.4.6　ChatGPT案例：方差分析（ANOVA）示例
5.4.7　一类错误和二类错误
5.4.8　优缺点与适用场景
5.4.9　小结
5.5　相关性分析与回归分析
5.5.1　相关性分析
5.5.2　常见相关性系数
5.5.3　ChatGPT案例：皮尔逊相关系数计算
5.5.4　回归分析
5.5.5　常见的回归分析方法
5.5.6　ChatGPT案例：简单线性回归分析
5.5.7　优缺点与适用场景
5.5.8　小结
5.6 　时间序列分析
5.6.1　什么是时间序列
5.6.2　平稳性与平稳性检验
5.6.3　时间序列建模方法
5.6.4　ChatGPT案例：时间序列分析与ARIMA模型
5.6.5　优缺点与适用场景
5.6.6　小结
5.7　A/B测试与因果推断
5.7.1　什么是A/B测试
5.7.2　A/B测试的步骤
5.7.3　ChatGPT案例：A/B测试的t检验
5.7.4　因果推断
5.7.5　ChatGPT案例：Uplift模型构建
5.7.6　优缺点与适用场景
5.7.7　小结
5.8　数据分布与假设检查
5.8.1　数据分布及常见分布类型
5.8.2　常见的假设检查
5.8.3　ChatGPT案例：正态性和同方差性检验
5.8.4　多重共线性检测
5.8.5　ChatGPT案例：VIF检测多重共线性
5.8.6 　优缺点与适用场景
5.8.7　小结
5.9　数据降维
5.9.1　什么是数据降维
5.9.2　常见的降维方法
5.9.3　优缺点与适用场景
5.9.4　小结
5.10　互动练习题
第6章?玩转SQL：用ChatGPT展开SQL学习与实战
6.1　数据分析中要掌握的SQL技能
6.2　 SQL Prompt的技巧
6.3　 ChatGPT Prompt for SQL：案例设计与实现
6.4　SQL生成的插件与工具
6.5　互动练习题
第7章?玩转Python：用ChatGPT展开Python学习与实战
7.1　数据分析中要掌握Python的哪些技能
7.2　Python Prompt技巧
7.3　ChatGPT Prompt for Python：案例设计与实现
7.4　Python AI辅助工具：PandasAI和JupyterAI
7.4.1　PandasAI使用指南
7.4.2　JupyterAI使用指南
7.5　互动练习题
第8章?可视解读：用ChatGPT实现数据可视化与分析
8.1　数据可视化的核心概念
8.2　使用ChatGPT生成数据可视化代码
8.3　数据结果解读
8.4　完整可视化项目：销售数据分析
8.5　互动练习题
第9章?项目实战：多场景数据分析项目解析
9.1　DAU异动分析项目
9.2　用户行为路径分析项目
9.3　用户生命周期分析项目
9.4　运营活动效果分析项目
9.5　手游广告投放效果分析项目
9.6　内容消费偏好分析项目
9.7　产品功能使用分析项目
9.8　用户社交行为分析
9.9　金融信用评分卡预测
9.10　传统制造业产品销量预测
9.11　滴滴出行A/B Test效果分析
9.12　美团 DID因果推断项目
9.13　在线教育NLP文本挖掘项目
第10章?求职助力：借助ChatGPT开启求职之路
10.1　优质阶段：简历准备
10.2　第二阶段：面试前的准备
10.3　第三阶段：面试后复盘
10.4　第四阶段：Offer谈判与选择
第11章?未来可期：AIGC时代数据分析师的转型与突破
11.1　数据分析师的角色转变
11.2　数据分析师如何应对未来