AIGC辅助数据分析与挖掘：基于ChatGPT的方法与实践
全新正版 可开发票 极速发货
￥ 67 6.8折 ￥ 99 全新
库存2件
广东广州
认证卖家担保交易快速发货售后保障
作者宋天龙
出版社机械工业
ISBN9787111744153
出版时间2024-03
装帧其他
开本其他
定价99元
货号31982603
上书时间2024-05-08
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
宋天龙（TonySong）<br/>数据领域资深技术专家，触脉咨询合伙人，前Webtrekk（德国最大在线数据分析服务提供商）中<br/>国区前技术和咨询负责人。<br/>在数据领域工作15年，积累了大量的数据工作经验、案例、场景和方法，并且在数据分析领域颇有口碑。擅长数据挖掘、建模、分析与运营，精通端到端数据价值场景设计、业务需求转换、数据结构梳理、数据建模与学习以及数据工程交付。在跨境、电子商务、零售、银行、保险等多个行业拥有丰富的数据项目工作经验，参与过集团和企业级数据体系规划、DMP与数据仓库建设、标签和画像系统建设、大数据产品开发、网站流量系统建设、个性化智能推荐与精准营销、企业大数据智能营销与应用等。服务客户包括SHEIN、联合利华、Webpower、德国OTTO集团电子商务（中国），Esprit中国、猪八戒网、顺丰优选、乐视商城、泰康人寿、酒仙网，国美在线、迪信通等。<br/>主要研究项目及领域<br/>数据化运营×AI、数据分析、数据挖掘、机器学习、个性化推荐、精准营销、互联网和网站分析。<br/>社会资源和身份<br/>中国商业联合会数据分析专业委员会《中国大数据人才培养体系标准》专家组成员，虎啸奖评委会委员，DMT数字营销人才认证委员会认证委员。<br/>著作成果<br/>《Python大数据架构全栈开发与应用》（2023年）<br/>《电商流量数据化运营》（2021年）<br/>《Python数据处理、分析、可视化与数据化运营》（2020年）<br/>《Python数据分析与数据化运营（第2版）》（2019年）<br/>《Python数据分析与数据化运营》（2017年）<br/>《企业大数据系统构建实战：技术、架构、实施与应用》（2017年）<br/>《网站数据挖掘与分析：系统方法与商业实践》（2015年）
目录
序<br />前言<br />第一部分 AIGC基础知识<br />第1章 AIGC赋能数据分析与挖掘2<br />1.1 探索主流的AIGC产品2<br />1.1.1 ChatGPT：AIGC的行业标杆2<br />1.1.2 New Bing Chat：Bing聊天助手3<br />1.1.3 GitHub Copilot：智能编程伙伴3<br />1.1.4 Microsoft 365 Copilot：Microsoft一站式办公AI4<br />1.1.5 Azure OpenAI：Azure云平台服务4<br />1.1.6 Claude：Anthropic AI工具5<br />1.1.7 Google Bard：Google AI对话工具5<br />1.1.8 文心一言：百度AI工具6<br />1.1.9 通义千问：阿里AI工具6<br />1.2 选择适合数据工作的AIGC产品6<br />1.2.1 产品选择攻略：应用场景与关键要素6<br />1.2.2 应用集成AIGC：一站式AI助手7<br />1.2.3 SaaS模式AIGC：灵活的AI as a Service 7<br />1.2.4 私有化部署AIGC：企业定制版AI 9<br />1.3 ChatGPT实操指南9<br />1.3.1 ChatGPT的常用技巧9<br />1.3.2 ChatGPT的高级功能12<br />1.4 New Bing Chat实操指南14<br />1.4.1 New Bing Chat的常用技巧14<br />1.4.2 New Bing Chat的高级功能15<br />1.5 AIGC驱动数据分析与挖掘变革18<br />1.5.1 技能要求：数据从业者的技能演进18<br />1.5.2 应用场景：数据工作的加速器19<br />1.5.3 人机协作：数据工作的新范式19<br />1.6 AIGC在数据工作中的注意事项20<br />1.6.1 基于最新知识的推理限制20<br />1.6.2 “一致性”观点的挑战20<br />1.6.3 数据结果审查与验证21<br />1.6.4 数据安全、数据隐私与合规问题21<br />1.6.5 知识产权及版权问题22<br />1.6.6 社会认知偏差影响数据推理22<br />1.6.7 难以解决大型任务的统筹与复杂依赖问题22<br />1.6.8 垂直领域数据和知识缺失问题22<br />1.6.9 上下文数据容量限制23<br />1.6.10 多模态语境的输入限制23<br />1.6.11 编造事实24<br />1.6.12 合理设置AIGC使用期望24<br />第2章 构建高质量Prompt的科学方法与最佳实践25<br />2.1 Prompt的基本概念25<br />2.2 Prompt对AIGC的影响和价值25<br />2.2.1 模型的输入来源25<br />2.2.2 控制模型复杂度26<br />2.2.3 提高内容生成质量26<br />2.2.4 个性化体验和内容定制27<br />2.3 Prompt输入的限制规则27<br />2.3.1 信息类型的限制27<br />2.3.2 数据格式的约束规则27<br />2.3.3 内容长度的合理限制28<br />2.3.4 对话主题的限制原则28<br />2.3.5 语法和语义的严格限制28<br />2.4 高质量Prompt的基本结构29<br />2.4.1 角色设定：明确AI角色与工作的定位29<br />2.4.2 任务类型：明确AI任务的类别与性质29<br />2.4.3 细节定义：准确定义期望AI返回的输出30<br />2.4.4 上下文：让AI了解更多背景信息30<br />2.4.5 约束条件：限制AI返回的内容31<br />2.4.6 参考示例：优质示例的参考借鉴31<br />2.5 提升Prompt质量的关键要素32<br />2.5.1 指令动词：精确引导模型行动32<br />2.5.2 数量词：明确量化任务要求33<br />2.5.3 函数和公式：运用数学逻辑的威力34<br />2.5.4 标记符号：有效提示引用信息34<br />2.5.5 条件表达：准确限定输出条件35<br />2.5.6 地理名词：地理位置信息的界定35<br />2.5.7 日期和时间词：数据周期的明确表达36<br />2.5.8 比较词：精确比较与对比要求36<br />2.5.9 参考示例词：基于样板输出内容36<br />2.5.10 语言设置：设定合适的输出语言37<br />2.5.11 否定提示词：反向界定与排除歧义37<br />2.6 构建Prompt的最佳实践38<br />2.6.1 明确目标和场景：精准设定任务目标38<br />2.6.2 任务分解：拆解大型、复杂任务39<br />2.6.3 交互反馈：基于正负向反馈的优化40<br />2.6.4 让AI提问：引导模型主动提问41<br />2.6.5 控制上下文：合理管理对话信息量41<br />2.6.6 引导、追问和连续追问：优化对话交互42<br />2.6.7 语言简明扼要：语言表达精炼43<br />2.6.8 使用英文Prompt：借助英文提升质量43<br />2.6.9 输入结构化数据：让AI充分理解数据44<br />2.6.10 提供参考信息：确保信息完整性44<br />2.6.11 增加限制：避免输出宽泛内容45<br />2.6.12 明确告知AI：不知道时请回答“不知道”45<br />2.7 精调Prompt示例：引爆AIGC优质内容46<br />2.7.1 逐步启发和引导式的Prompt精调46<br />2.7.2 从广泛到收缩的Prompt精调47<br />2.7.3 利用反转角色的Prompt精调48<br />2.7.4 基于少样本的先验知识的Prompt精调49<br />2.7.5 基于调整模型温度参数的Prompt精调50<br />2.7.6 基于关键问题的Prompt精调51<br />2.8 Prompt构建工具：轻松撰写提示词52<br />2.8.1 Prompt构建工具简介52<br />2.8.2 New Bing Chat的提示词构建和引导功能52<br />2.8.3 ChatGPT第三方客户端工具的Prompt模板53<br />2.8.4 ChatGPT Prompt Generator：AI驱动的Prompt构建工具56<br />2.9 常见问题56<br />2.9.1 为什么Prompt相同AIGC答案却不一样56<br />2.9.2 会写Prompt就能做数据分析与挖掘吗57<br />2.9.3 如何避免Prompt的内部冲突和矛盾57<br />2.9.4 如何避免Prompt的内部歧义和模糊性58<br />2.9.5 在New Bing Chat中如何选用合适的对话风格来适应不同的数据分析与挖掘场景59<br />2.9.6 如何积累高质量Prompt并形成知识库59<br />第二部分 AIGC辅助Excel数据分析与挖掘<br />第3章 AIGC辅助Excel数据分析与挖掘的方法62<br />3.1 利用AIGC提升数据分析师的Excel技能62<br />3.1.1 利用AI指导Excel操作62<br />3.1.2 利用AI辅助VBA自定义编程63<br />3.1.3 利用Office AI在Excel中实现对话式数据分析65<br />3.1.4 利用Copilot或AI插件增强Excel功能65<br />3.1.5 利用第三方工具扩展Excel应用65<br />3.2 Excel应用中的Prompt核心要素66<br />3.2.1 明确Excel版本环境：确保兼容性66<br />3.2.2 确定数据文件和工作簿来源：导入数据67<br />3.2.3 描述数据字段和格式：规范数据结构67<br />3.2.4 指定确切的数据范围：有效数据引用68<br />3.2.5 提供具有代表性的数据样例：建立引用样本69<br />3.2.6 描述确切的处理逻辑：清晰定义需求69<br />3.2.7 确定清晰的输出规范：定制输出结果70<br />3.3 AIGC辅助生成数据集70<br />3.3.1 AIGC直接生成数据集71<br />3.3.2 AIGC辅助Excel随机数发生器生成数据集72<br />3.3.3 AIGC辅助Excel函数生成数据集72<br />3.4 数据高效管理：AIGC助力数据整合与拆分73<br />3.4.1 数据合并：按行批量追加并合并数据73<br />3.4.2 数据合并：按业务逻辑关联整合75<br />3.4.3 数据拆分：按业务逻辑分割并保存文件78<br />3.5 数据处理助手：AIGC让Excel数据清洗更智能81<br />3.5.1 多条件的数据替换与填充81<br />3.5.2 按条件查找和匹配值82<br />3.5.3 字符串的查找、提取、分割与组合83<br />3.5.4 日期的转换、解析与计算85<br />3.5.5 复杂数据类型的抽样87<br />3.5.6 多条件的数据筛选88<br />3.5.7 数据替换与缺失值填充89<br />3.5.8 多条件自定义排序91<br />3.6 AI驱动的数据分析：Excel用户的洞察利器92<br />3.6.1 输出并解读描述性统计分析结果92<br />3.6.2 按条件汇总数据94<br />3.6.3 利用数据透视表汇总所有数据95<br />3.6.4 计算不同记录之间的相似度96<br />3.6.5 不需要汇总的合并计算97<br />3.6.6 预测工作表：自动趋势预测99<br />3.6.7 规划求解：优化数据决策100<br />3.6.8 方案管理器：方案效果对比与分析102<br />3.7 数据展现魔法：AIGC助力Excel数据展示105<br />3.7.1 图形化展示：信息传达利器105<br />3.7.2 插入迷你图：数据一目了然108<br />3.7.3 条件格式化：数据美观有序112<br />3.8 常见问题115<br />3.8.1 如何实现AIGC自动化操作Excel115<br />3.8.2 能否将Excel数据直接复制到AIGC的提示中116<br />3.8.3 如何解决输入和输出表格数据过长的问题116<br />3.8.4 如何实现Excel与Markdown表格数据转换116<br />3.8.5 AIGC能否完成数据计算、分析或建模117<br />3.8.6 能否将所有数据输入AIGC进行处理118<br />第4章 AIGC辅助Excel数据分析与挖掘的实践119<br />4.1 AIGC+Excel RFM分析与营销落地：提升客户生命周期价值119<br />4.1.1 RFM模型初探119<br />4.1.2 准备用户交易的原始数据120<br />4.1.3 转换订单时间：从字符串类型转换为日期类型121<br />4.1.4 计算消费频率、消费金额和最近一次消费时间122<br />4.1.5 确定RFM分级标准以及分级实现122<br />4.1.6 基于R、F、M分级形成RFM组合123<br />4.1.7 解决RFM数据记录重复问题124<br />4.1.8 RFM洞察与营销应用126<br />4.1.9 跟踪分析用户个体的RFM变化127<br />4.1.10 跟踪分析用户群体的RFM变化129<br />4.1.11 案例小结130<br />4.2 AIGC+Excel时间序列分析的妙用：发掘用户增长规律131<br />4.2.1 时间序列分析基础131<br />4.2.2 准备用户增长数据132<br />4.2.3 完善时间序列业务分析思维132<br />4.2.4 完善时间序列Excel分析思维133<br />4.2.5 用户增长趋势分析、模型解读与优化尝试134<br />4.2.6 用户增长周期性波动分析136<br />4.2.7 用户增长异常数据分析138<br />4.2.8 用户增长预测及结果解读141<br />4.2.9 案例小结144<br />4.3 AIGC + Excel相关性分析与热力图展示：揭示网站KPI指标的隐秘联系145<br />4.3.1 相关性分析概览145<br />4.3.2 准备网站KPI数据146<br />4.3.3 在一个散点图中绘制21组变量关系146<br />4.3.4 输出7个变量的相关性得分矩阵149<br />4.3.5 使用热力图强化相关性分析结果149<br />4.3.6 相关性判断及相关性结果解读150<br />4.3.7 相关性分析的业务应用151<br />4.3.8 案例小结152<br />第三部分 AIGC辅助SQL数据分析与挖掘<br />第5章 AIGC辅助SQL数据分析与挖掘的方法154<br />5.1 利用AIGC提升SQL数据分析与挖掘能力154<br />5.1.1 利用AI辅助SQL语句编写与调试154<br />5.1.2 利用AI辅助SQL客户端使用155<br />5.1.3 利用IDE集成SQL Copilot/AI工具156<br />5.1.4 使用基于ChatGPT的第三方SQL集成工具或插件156<br />5.2 SQL数据库应用中的Prompt核心要素158<br />5.2.1 说明数据库环境信息158<br />5.2.2 提供数据库表的Schema159<br />5.2.3 描述SQL功能需求160<br />5.2.4 确定SQL输出规范161<br />5.2.5 输入完整代码段161<br />5.2.6 反馈详细的报错信息161<br />5.3 AIGC辅助数据库构建：轻松完成环境准备162<br />5.3.1 选择合适的数据库类型162<br />5.3.2 下载、安装和配置MariaDB数据库163<br />5.3.3 加载和导入数据164<br />5.3.4 将数据库数据导出为普通文件166<br />5.3.5 获取数据库Schema信息167<br />5.4 AIGC解决SQL复杂数据查询之谜169<br />5.4.1 示例1：跨表关联查询169<br />5.4.2 示例2：条件判断与过滤171<br />5.4.3 示例3：标量子查询、子查询和子查询嵌套174<br />5.4.4 示例4：带有窗口函数的排名、首行、末行查询175<br />5.4.5 示例5：分组、聚合查询和多重排序177<br />5.4.6 示例6：使用临时查询表、视图等方法简化查询过程179<br />5.4.7 示例7：使用CTE的WITH语句组织复杂查询逻辑181<br />5.4.8 示例8：将查询结果写入新表、增量写入或更新现有表182<br />5.5 AIGC实现SQL高效数据清洗和转换184<br />5.5.1 数据格式与类型转换184<br />5.5.2 字符串拆分、组合与正则提取186<br />5.5.3 空值、异常值的判断与处理187<br />5.5.4 数据去重188<br />5.5.5 数据归一化和标准化189<br />5.5.6 多行数据聚合为一行190<br />5.5.7 多个查询结果的合并192<br />5.6 AIGC助力高阶数据分析：SQL数据分析大师193<br />5.6.1 描述性数据统计分析194<br />5.6.2 数据透视表分析195<br />5.6.3 排名、分组排名197<br />5.6.4 自定义欧氏距离实现相似度分析199<br />5.6.5 基于均值、
— 没有更多了 —
以下为对购买帮助不大的评价