数据智能体 DataAgent（私有化）
数据智能体 DataAgent（私有化）
- 文档首页
数据智能体 DataAgent（私有化）智能分析Agent指南最佳实践使用分析Agent智能分析Agent最佳实践：高质量数据图表输出
文档反馈
问问助手说明
本文旨在打通数据图表从“理论认知”到“实战应用”的全链路，助你一站式掌握两大核心能力：
- 学到通用干货：轻松理解主流数据图表的选型原则与解读方法；
- 掌握智能体实操：学会在智能分析 Agent 中，通过精准的prompt输入，高效、稳定地输出所需图表（上篇内容重点聚焦——四象限图/散点图/热力图/堆叠图/瀑布图）。
在数据分析的旅程中，选对图表如同为复杂的数据找到了最贴切的“翻译官”，能将海量信息转化为一目了然的视觉故事。面对眼花缭乱的图表类型，我们不必焦虑，只需回归分析的核心目的，便能快速做出选择。
说明
新手选图，记住一个核心原则：需求优先，清晰第一
与其追求“炫酷”的视觉效果，不如先问问自己：我想通过这张图说明什么问题？是想对比业绩、看清趋势？还是想分析占比或找出关联？从这个基点出发，您会发现选图其实很简单。
🔍 1. 比大小、看差异：用「柱状图 / 条形图」
- 核心作用：利用柱子的高度或条形的长度，直观展现不同类别（比如不同城市、不同部门）在同一指标上的数值差异。
- 适合场景：
- 对比各产品线在同一季度的销售额；
- 展示不同渠道的用户拉新数量；
- 盘点各团队的年度预算完成度。
- 实战贴士：当类别名称较长时（例如“华东区-线下自营-运动服饰品类”），建议使用条形图（横向的柱状图），以确保标签文字完整显示，避免重叠。
📈 2. 看变化、追趋势：用「折线图」
- 核心作用：通过连接各个数据点，精准描绘某一指标在连续时间（或其他连续变量）上的波动与走向。
- 典型场景：
- 跟踪一款 App 的日活跃用户数（DAU）的全年走势；
- 观察某项关键业务指标（如订单量、GMV）的月度变化；
- 分析不同版本上线后，产品性能指标（如 CPU 占用率）的波动。
- 实战贴士：为了保持图表清晰，单张折线图不宜承载过多系列。通常建议不超过 4 条线，否则线条交织会严重影响可读性。
🥧 3. 算占比、看构成：用「饼图 / 环形图」
- 核心作用：将一个整体拆分成不同部分，清晰地显示各部分占总体的百分比。
- 典型场景：
- 分析公司总营收中，来自不同业务线的收入占比；
- 统计用户群体中，各个年龄段的分布情况；
- 查看一次营销活动中，各个流量渠道的转化贡献。
- 实战贴士：饼图更适合展示分类少于 6 个的场景。如果类别过多，或者存在占比极小的项，图表会变得拥挤且难以辨识，此时建议将这些小项合并为“其他”类别。
🎯 4. 找关联、看规律：用「散点图」
- 核心作用：将两个数值型变量作为 X 轴和 Y 轴，通过数据点的分布形态来观察它们之间是否存在某种关联性（如正相关、负相关或不相关）。
- 典型场景：
- 分析广告投放费用与带来的销售额之间是否存在线性关系；
- 研究用户在产品内的停留时长与其最终转化率的关联；
- 探索产品定价与销量的关系。
- 实战贴士：可以在散点图上添加一条趋势线，它能更直观地揭示两个变量的大致关系方向。如果点簇大致沿趋势线从左下向右上分布，通常意味着“正相关”。
📊 5. 看分布、找区间：用「直方图」
- 核心作用：将连续数值划分为若干等宽区间（“箱子”），统计各区间内的数据频次并用柱高表示，帮助理解数据的集中程度、离散程度和分布形态。
- 典型场景：
- 统计用户年龄分布，判断主要用户群年龄段；
- 分析电商订单金额分布，观察高低价值订单占比；
- 评估产品质检数据是否集中在合格标准附近。
- 实战贴士：切勿将直方图与柱状图混淆。直方图的 X 轴是连续的数值区间（如 18-24， 25-30），柱子之间没有间隙；而柱状图的 X 轴是独立的、离散的类别（如“北京”、“上海”），柱子之间有间隙。
掌握了通用的选图原则，就如同拥有了数据可视化的“理论知识”。而智能分析 Agent 的价值，在于将这些知识自动化、规模化、稳定化，把“会选图、会读图”的能力，无缝融入你的AI工作流中。尤其在报告自动化、运营复盘、风控监测、产品对比等场景，Agent 能将繁琐的出图工作，转变为一次简单的智能问答。
1.实践产品介绍
智能分析 Agent 是一个懂业务的数据洞察伙伴，结合 AI 的深度思考和大数据能力，从“智能问数”为基础帮你梳理问题、搭建分析大纲并执行完整分析。它善用交叉分析和归因分析，把复杂数据讲成听得懂的故事，并通过清晰直观的图表和可视化呈现结论、原因和行动建议，让每一次数据分析都看得见、说得清、用得上。
2.核心痛点
- 图表选择与口径不一：同一指标因图表选择和统计口径不同，结论容易南辕北辙；
- 连续/离散轴配置错误：将离散数据当连续轴（或反之）会导致图表失真甚至无法生成；
- 多维图表不稳定：多维多系列下图例、配色、值域设置不当，图表易变得混乱，难以洞察。
3.高阶数据图表输出实践方案
3.1四象限图
（1）场景需求：
使用波士顿矩阵模型，通过分析各门店的毛利率与物料损耗的关系，定位影响利润的原因。我们以平均毛利率和平均综合损耗率为分界线，将矩阵图划分为四个象限，并为各门店在矩阵图中绘制散点图，帮助区域经理采取差异化管控策略。
（2）prompt模版：
报告输出图表要求（使用四象限散点图，不要使用其它图表样式，不可省略）：
说明
⽤Python的Matplotlib库画四象限散点图，在prompt中明确以下内容：
- X轴：综合损耗率，取{“区域经理”}下，以AVG[综合损耗率]计算得到基准点（坐标原点）
- Y轴：毛利率，取{“区域经理”}下，以AVG[毛利率]计算得到基准点（坐标原点）
- 为四个象限确定象限标注（标注在象限内），高毛利低损耗为明星门店（左上角），⾼⽑利⾼损耗为异常门店（右上角），低⽑利低损耗为效率门店（左下角），低⽑利高损耗为问题门店（右下角）
- 设置轴范围使基准线居中，四个象限大小一致
- 绘制两条基准线：X=AVG[综合损耗率]和Y=AVG[毛利率]
- 按象限用不同颜色圆点：绿色、橙色、蓝色、红色
- 隐藏数据点标签（不显示顶部的name）
（3）Agent调优经验总结：
说明
- 经验一：明确整体图形的坐标轴，确定X轴与Y轴的定义
- 经验二：确定四个象限区分的要求，基准线的要求
- 经验三：明确整体的图形展示上的要求（不要使用其它图表样式，不可省略等类似提示词）
- 经验四：使用ECharts实现比用Python画图更好看，可互动；但是稳定性层面，用Python画图比用ECharts画图更稳定
（4）实现效果：
3.2散点图&气泡图
（1）场景需求：
使用散点图，帮助客户处理多维多指标的复杂分析场景，从客户视角厘清合同期、合同价格和销量在不同客户间的分布情况，用一个散点的位置、高度和大小同时指代不同指标，加强信息元素的可视化展现。
（2）prompt模版：
说明
生成散点图，在prompt中明确以下内容:
- X轴：
合同签订时间（分日期），作为连续型变量 - Y轴：
合同签订价格，作为连续型变量 - 数据系列：散点用不同颜色区分
客户名称，用散点大小代表客户按合同签订时间聚合的销售出货量。 - 刻度线：Y轴刻度值下限取
合同签订价最小值的90%，上限取合同签订价最大值的110% ，刻度线标签数值保留2位小数。
（3）Agent调优经验总结：
说明
- 经验一：对于时间、金额等变量，务必在指令中强调“作为连续型变量”或“按时间顺序排列”。这是生成有效散点图的关键。如果 Agent 将日期误判为“第一季度”、“第二季度”这样的离散类别，所有数据点会堆叠在几个固定位置，失去分析价值。
- 正面案例：X 轴（合同签订时间）：按 “日期（连续型）” 设为从 “4 月→7 月→10 月→2025 年 4 月” 的连续时间轴，刻度是平滑递进的；
- 负面案例：X 轴刻度变成 “Q1、Q2、Q3” 三个独立类别；所有 4 月的数据都挤在 “Q1” 位置，7 月挤在 “Q2”，10 月挤在 “Q3”；若多个合同价格在同一季度，点会重叠成 “一团”，无法识别单个客户的价格和时间关系
- 经验二：Y轴的值域根据指标值的极值设定上下限，避免散点位置过于紧密
（4）实现效果：
3.3热力图
（1）场景需求：
使用热力图，帮助客户对比多个产品对价格波动的贡献大小，从产品视角厘清每个产品在不同合同周期下的价格差异额，通过正负影响用不同色块和深浅变化突出离散极值的位置。
（2）prompt模版：
说明
生成热力图，在prompt中明确以下内容:
- 热力值：热力值代表不同
产品型号在各合同期的价格差异影响额 - X轴：
产品型号，显示顺序依次为"G12"、"G12R"、"M10" - Y轴：
合同签订时间，按"年月"从上至下升序排列。 - 配色：采用双色渐变配色区分
价格差异影响额，其中价格差异影响额<-0.001时使用浅黄色（#F6DA6D），介于-0.001和0.001时使用浅灰色（#F2F2F2），价格差异影响额>0.001时使用浅蓝色(#88BDF5)，颜色深浅依据数值大小渐变。 - 数据标签：单元格居中显示数值标签。
- 单元格：保持白底+单元格色块的风格，表格排版方式采用"宽松"型。
（3）Agent调优经验总结：
说明
- 经验一：注明单元格色块风格
- 经验二：写明热力值使用单色还是双色，不同值域设定不同配色方案可以稳定热力值的显示效果。
（4）实现效果：
3.4堆叠图
（1）场景需求：
使用堆叠图（或叫堆积图），主要便于客户观察多维单指标的变化趋势，从产品角度厘清不同合同周期下销量的构成，能直观了解到各产品对销量波动的影响。
（2）prompt模版：
说明
生成堆叠图，在prompt中明确以下内容:
- X轴：
合同签订时间，按月份从左到右升序排列 - Y轴：
销售出货量 - 拆分维度：是
产品型号，用不同颜色区分（可注明具体颜色、产品排序）。
（3）调优经验总结：
说明
- 经验一：注明颜色区分拆分嵌套的维度，必要时可写明拆分维度的值的排列顺序
（4）实现效果：
3.5瀑布图（阶梯图）
（1）场景需求：
使用瀑布图（阶梯图），主要帮助客户拆解时间序列上指标的变化过程，从合同期角度梳理往期合同对本期合同价格的影响，以及相互影响下产生的最终价格，从而找出影响价格差异的主因。
（2）prompt模版：
说明
生成瀑布图，在prompt中明确以下内容:
- 数据预处理：在限制
销售出货时间在当月的前提下，根据合同签订时间（分月份）聚合合同签订价、销售出厂价、价格差异影响额，同时计算按合同签订时间汇总后的销售出厂价。 - 起始柱：本期合同的
合同签订价，柱条起始位置在零点处； - 调整项：往期合同按
合同签订时间分月展示价格差异影响额，当价格差异影响额为正值时代表正向调整，负值时代表负向调整，为0时代表无调整； - 调整项的展示要求：调整柱起始位置和起始柱的结束位置一致，调整柱之间首尾依次衔接，呈现"阶梯"式的样式（重点检查）；
- 结束柱：当月整体的
销售出厂价，结束柱的柱条长度和起始柱叠加调整项后的高度一致； - 样式要求：起始柱和结束柱用深蓝色填充，正向调整柱用绿色，负向调整柱用红色；
- 标签：柱条顶端外侧添加数据标签，展示时保留4位小数。
- 其他要求：严格按照"瀑布图"形式展现，不可遗漏，不作额外发挥。
（3）Agent调优经验总结：
说明
- 经验一：注明X轴起始项、增减项和最终项
- 经验二：注明叠加关系和中间项的柱条起始位置能帮助AI更好地理解"叠加"关系