案例背景
某 DTC 电商品牌 2026 Q2 GMV 同比增长 8%，但利润只涨 2%。市场总监想搞清楚：
钱赚哪儿去了？哪个环节在漏水？
传统做法：找数据分析师提需求 → 排期 3 天 → 取数 2 天 → 分析 2 天 → 报告 1 天 = 一周起步。
我们尝试用 AI 把整个流程压到半天内。
数据与工具
数据规模
| 表 | 行数 | 说明 |
|---|---|---|
orders | 50 万行 | 2026 Q2 订单（含退款） |
order_items | 120 万行 | 订单商品明细 |
products | 3200 行 | SKU 与成本价 |
users | 18 万行 | 注册用户 |
coupons | 4 万行 | 优惠券使用记录 |
工具链
- Claude Code：终端 AI，直接连数据库执行 SQL（配合 Filesystem MCP 读写分析脚本）
- PostgreSQL 15：业务库（只读副本）
- Cursor：写分析报告与可视化代码
分析流程
Step 1：拆解业务问题（15 分钟）
先不碰数据，让 AI 帮我把"钱去哪了"拆成可量化的子问题。
Prompt：
你是资深财务分析师。请把"GMV 涨 8% 但利润只涨 2%"这个现象，
拆解为 5 个可量化验证的子问题，每个给出：
1. 假设（一句话）
2. 验证所需的 SQL 思路
3. 预期结论对利润的影响方向（+/-）
AI 输出：
1. 客单价是否下降？
- 假设：促销拉新导致客单价走低
- SQL：对比 Q1/Q2 的 avg(order_amount)
- 影响：客单价↓ → 毛利↓
2. 退款率是否上升？
- 假设：大促引发冲动消费 → 退款增加
- SQL：退款订单数 / 总订单数，按月对比
- 影响：退款↑ → 净收入↓
3. 高毛利品类占比是否下降？
- 假设：低毛利品类增长更快，稀释整体毛利
- SQL：按品类算毛利率，对比 Q1/Q2 GMV 占比变化
- 影响：结构变化 → 整体毛利↓
4. 优惠券滥用是否加剧？
- 假设：叠券/羊毛党订单增加
- SQL：优惠金额 / GMV，新客占比
- 影响：优惠↑ → 净毛利↓
5. 物流成本是否上涨？
- 假设：偏远地区订单增加导致单均物流费上涨
- SQL：按地区算 avg(shipping_cost)，对比 Q1/Q2
- 影响：物流↑ → 净利↓
关键：这一步 AI 节省的不是写代码的时间，而是结构化思考的时间。一周的分析师也未必能一次拆得这么全。
Step 2：逐个验证（2 小时）
让 Claude Code 直连数据库，按 5 个子问题逐个跑 SQL。
子问题 1：客单价
Prompt：
连接 postgres://readonly@host/db。验证假设 1：
按月对比 2026 Q1 与 Q2 的客单价（avg(order_amount)）和订单量。
输出 Markdown 表格 + 一句话结论。
Claude Code 自动：
SELECT
DATE_TRUNC('month', created_at) AS month,
COUNT(*) AS orders,
AVG(order_amount) AS aov
FROM orders
WHERE created_at >= '2026-01-01'
AND status = 'completed'
GROUP BY 1
ORDER BY 1;
结果：
| 月份 | 订单数 | 客单价 |
|---|---|---|
| 2026-01 | 48200 | ¥287 |
| 2026-02 | 41000 | ¥302 |
| 2026-03 | 52400 | ¥295 |
| 2026-04 | 58800 | ¥241 |
| 2026-05 | 64200 | ¥228 |
| 2026-06 | 71000 | ¥235 |
结论：Q2 客单价从 ¥295 跌到 ¥235（-20%），假设 1 成立。
子问题 2：退款率
SELECT
DATE_TRUNC('month', created_at) AS month,
COUNT(*) FILTER (WHERE status = 'refunded') AS refunds,
COUNT(*) AS total,
ROUND(100.0 * COUNT(*) FILTER (WHERE status = 'refunded') / COUNT(*), 2) AS refund_rate
FROM orders
WHERE created_at >= '2026-01-01'
GROUP BY 1
ORDER BY 1;
| 月份 | 退款率 |
|---|---|
| 2026-03 | 4.2% |
| 2026-04 | 5.1% |
| 2026-05 | 6.8% |
| 2026-06 | 7.3% |
退款率几乎翻倍，假设 2 成立。
子问题 3：品类结构
Prompt：用 order_items + products，按品类算 Q1 vs Q2 的 GMV 占比与毛利率。
找出"GMV 占比上升但毛利率低于平均"的品类，这是利润漏点。
Claude Code 写了 30 行 SQL（JOIN 三张表 + 窗口函数），人工写至少 20 分钟。结果发现：
- 品类 A（毛利 15%）：Q2 占比从 12% 涨到 28%（GMV 增长主力）
- 品类 B（毛利 42%）：Q2 占比从 35% 跌到 22%
结论：低毛利品类增长过快稀释整体毛利，假设 3 成立。
子问题 4：优惠券
SELECT
DATE_TRUNC('month', o.created_at) AS month,
SUM(o.discount_amount) / SUM(o.order_amount) AS discount_ratio,
COUNT(*) FILTER (WHERE o.discount_amount > 0.5 * o.order_amount) AS deep_discount_orders
FROM orders o
WHERE o.created_at >= '2026-01-01'
GROUP BY 1;
| 月份 | 折扣率 | 深度折扣订单数 |
|---|---|---|
| 2026-03 | 11% | 1200 |
| 2026-06 | 23% | 8400 |
折扣率从 11% 飙到 23%，且深度折扣（优惠超 50%）订单涨了 7 倍。假设 4 强成立。
子问题 5：物流
SELECT
shipping_region,
AVG(shipping_cost) AS avg_cost_q1,
AVG(shipping_cost) FILTER (WHERE created_at >= '2026-04-01') AS avg_cost_q2
FROM orders
GROUP BY shipping_region;
物流单均成本微涨 3%，影响有限。假设 5 部分成立但非主因。
Step 3：归纳洞察（30 分钟）
把 5 个验证结果喂给 Claude，让它做综合归因。
Prompt：
以下是 5 个子问题的验证数据。请：
1. 按对利润影响的大小排序（影响最大的排第 1）
2. 找出根因之间的关联（如低毛利品类增长 vs 优惠券滥用是否有关）
3. 给出 5 条可落地的增长建议，每条标注预期利润提升
AI 输出（节选）：
## 利润漏点排序（影响从大到小）
1. 优惠券滥用（贡献 60% 的利润流失）
- 折扣率 11% → 23%，深度折扣订单 7 倍增长
- 关联发现：深度折扣订单 78% 集中在品类 A（低毛利）
- 即：羊毛党用大额券扫低毛利品类，双重失血
2. 低毛利品类结构失衡（贡献 25%）
- 品类 A 占比 12% → 28%，毛利仅 15%
- 品类 B（毛利 42%）占比萎缩
3. 退款率上升（贡献 10%）
- 大促冲动消费 + 品类 A 品控问题
4. 物流（贡献 5%）
## 增长建议
1. 优惠券品类限制：低毛利品类禁用大额券
预期：折扣率回落至 15%，月增利 ¥18 万
2. 品类 A 品控整改 + 客单价提升组合
预期：退款率降至 5%，月增利 ¥6 万
3. 品类 B 流量倾斜（首页 + 推荐）
预期：占比回升至 30%，月增利 ¥9 万
...
Step 4：可视化与报告（15 分钟）
让 Cursor 写一个 Next.js 仪表板页面，把关键图表画出来：
Prompt：
基于以上数据，用 Next.js + Recharts 写一个单页仪表板，包含：
1. 客单价趋势折线图
2. 退款率柱状图
3. 品类毛利散点图（横轴 GMV 占比，纵轴毛利率）
4. 优惠券折扣率面积图
生成的页面可直接部署到内网。
关键 Prompt 复盘
Prompt 1：问题拆解
你是资深财务分析师。把"{业务现象}"拆解为 5 个可量化验证的子问题。
每个给出：假设、SQL 思路、预期影响方向。
为什么有效：把模糊业务问题结构化，避免"取完数才发现方向错了"。
Prompt 2：SQL 执行 + 一句话结论
连接 {db_url}。验证假设 N：{假设描述}。
输出：Markdown 表格 + 一句话结论 + 是否成立。
为什么有效：强制 AI 输出结论而非原始数据，省去人工解读。
Prompt 3：综合归因
以下是 5 个子问题的验证数据。请：
1. 按影响排序
2. 找根因关联
3. 给可落地建议 + 预期收益
为什么有效：让 AI 做"综合判断"，这是分析师最耗时也最值钱的能力。
踩过的坑
坑 1：AI 幻觉数据
AI：根据数据，品类 C 在 Q2 增长 35%
真相：数据库里根本没有品类 C，AI 编的
解决：所有结论必须附 SQL 查询语句，人工抽查核对。AI 生成 SQL 没问题，但解读时容易过度发挥。
坑 2：大表全表扫描
AI 写了 SELECT * FROM orders（50 万行）→ 数据库 CPU 飙到 100%
解决：在 Prompt 中明确"必须加 WHERE + LIMIT，禁止 SELECT *"，并给只读副本加查询超时。
坑 3：口径不一致
Q1 客单价算 ¥295，Q2 算 ¥235，但 AI 两次用的过滤条件不一样（一次含退款一次不含）
解决：在系统 Prompt 中定义统一口径："客单价 = completed 订单金额均值，不含 refunded"。
坑 4：建议太虚
AI 建议：加强用户运营，提升留存（正确但没用）
解决：Prompt 加约束："每条建议必须包含：具体动作 + 量化指标 + 预期收益"。
效率对比
| 环节 | 传统 | AI 辅助 | 提速 |
|---|---|---|---|
| 问题拆解 | 2 小时 | 15 分钟 | 8x |
| SQL 取数 | 4 小时 | 1 小时 | 4x |
| 数据清洗 | 2 小时 | 0（SQL 直接出结论） | ∞ |
| 图表制作 | 3 小时 | 15 分钟 | 12x |
| 归因洞察 | 1 天 | 30 分钟 | 16x |
| 报告撰写 | 半天 | 15 分钟 | 24x |
| 合计 | 约 1 周 | 3 小时 | 13x |
哪些环节 AI 真省时间
- ✅ 结构化拆解：把模糊问题变成可验证假设，这是 AI 最强的能力
- ✅ SQL 生成：复杂 JOIN/窗口函数，AI 写得比大部分分析师快
- ✅ 可视化代码：图表代码 AI 秒出
哪些环节还得靠人
- ⚠️ 业务判断：AI 给的 5 条建议里，3 条可落地，2 条脱离实际（比如"砍掉品类 A"忽略供应链沉没成本）
- ⚠️ 数据口径：AI 容易在口径上反复漂移，需要人来锁定
- ⚠️ 结论审核：AI 偶尔编造数据，必须人工抽查 SQL
小结
这个案例最大的启示不是"AI 多快"，而是AI 把数据分析的门槛从"会写 SQL"降到了"会问问题"。
传统流程里，分析师 80% 时间花在取数和画图上，只有 20% 时间做真正的洞察。AI 把这个比例翻转了——人专注于业务判断和口径定义，重复劳动交给 AI。
下次遇到"帮我分析一下"的需求，别急着写 SQL，先让 AI 帮你把问题拆清楚。