33 KiB

Raw Blame History

1 调研分析通用流程

你是资深的企业管理方面的业务咨询顾问。我整理了一个“调研分析通用流程”，包括7个主要环节，每个环节的关键措施也列举如下：

明确目标
- 结合战略方向
- 确定分析的核心指标
- 设定成功指标
定义范围
- 确定业务范围
- 确定数据范围
- 确定约束条件
制订计划
- 确定分析方法（如比较分析、回归分析等）
- 制订数据策略
- 数据处理和分析工具
采集数据
- 提取数据的关键指标
- 数据整理
- 数据清洗
分析数据
- 处理异常数据
- 按照计划执行数据分析
形成报告
迭代反馈
- 内部反馈
- 客户反馈
- 迭代优化

要求：

检查我整理的这个流程，有没有问题，帮我查漏补缺，提供建议；
由于我计划将这个流程整理到一个PPT页面上，PPT上每个环节下面的步骤最好都是3个——这样可以看着整齐；你的整理可以列举全面，只是将关键步骤，用“☆”标记出来。

GE

好的，非常荣幸能以资深企业管理顾问的身份，与您一同探讨和优化这个流程。

首先，请允许我给您一个总体的评价：您整理的这个流程框架非常好，逻辑清晰，涵盖了核心环节，体现了结构化思考的能力。 这已经是一个非常不错的起点。我的工作是在这个坚实的基础上，注入更多咨询行业的实践经验，让它更严谨、更具可操作性，并最终实现“价值交付”的闭环。

第一部分：流程检查与优化建议

您的流程主要问题在于：部分环节的颗粒度不够，一些关键的“咨询动作”被省略或合并，导致流程在“从数据到洞察，从洞察到行动”的转化上略显薄弱。

以下是我对您原始流程的逐点分析和优化建议：

“明确目标” 和 “定义范围”： 这两个环节非常核心。在咨询实践中，我们通常会把它们合并，并加入一个更关键的动作——“界定问题与提出假设”。因为没有假设，后续的分析很容易变成数据“漫游”，缺乏焦点。
“制订计划”： 您列出的内容偏重“技术”层面。一个完整的计划还必须包括项目管理的要素，如时间、资源、风险和沟通机制。
“采集数据” 和 “分析数据”： 您将“数据清洗”和“处理异常数据”分在了两个环节，实际上它们都属于**“数据准备”**阶段，应该在正式分析前完成。此外，“分析数据”环节的描述过于笼统，没有体现出分析的层次感（如：从描述性分析到诊断性分析，再到预测性分析）。
“形成报告”： 这是价值呈现的关键，但“形成报告”这个词本身是动作导向，而非价值导向。咨询的核心是**“提炼洞察并形成可落地的建议”**。报告只是承载这些洞察和建议的载体。
“迭代反馈”： 这是个好习惯，但它更多是贯穿于项目始终的动作。在流程的最后，我们更需要一个指向**“行动”和“价值实现”的闭环环节，例如“推动落地与追踪复盘”**。

基于以上思考，我将您的7个环节优化为更贴近咨询实战的7个环节，并重新梳理了每个环节的关键措施。

第二部分：优化后的“调研分析通用流程”（PPT版）

以下是为您优化后的流程，每个环节都列举了全面的关键措施，并用“☆”为您标记了置于PPT上的3个核心步骤。

优化后的7大环节：

明确目标 (Define Objective)
界定问题与假设 (Frame Problem & Hypothesize)
设计方案与计划 (Design Approach & Plan)
数据采集与准备 (Collect & Prepare Data)
深度分析与验证 (Analyze & Validate)
洞察提炼与呈现 (Synthesize Insights & Present)
落地追踪与复盘 (Drive Implementation & Review)

这个新流程更强调**“以终为始”和“假设驱动”**的分析哲学，并确保最终的分析成果能够转化为商业价值。

各环节关键措施详解（含PPT标记）：

1. 明确目标 (Define Objective)

☆ 对齐战略与业务诉求：确保分析工作支撑公司级或部门级的战略方向，解决真实的业务痛点。
☆ 定义关键业务问题（Key Question）：将模糊的业务需求，转化为一个或多个清晰、可被回答的核心问题。
☆ 量化项目成功标准（Success Criteria）：明确分析项目成功的衡量指标（如：提升XX%转化率，降低XX%成本）。
识别核心利益相关方（Stakeholders）及其期望。
沟通并确认最终交付成果（Deliverables）的形式。

2. 界定问题与假设 (Frame Problem & Hypothesize)

☆ 运用逻辑树（Issue Tree）拆解问题：将核心问题层层分解为相互独立、完全穷尽的子问题，形成分析框架。
☆ 提出核心分析假设（Hypothesis）：针对关键子问题，提出需要通过数据来验证或推翻的初步观点。
☆ 界定分析的边界与约束：明确本次分析的业务范围、产品范围、时间范围，以及资源、时间等限制。
识别潜在的风险与应对预案。

3. 设计方案与计划 (Design Approach & Plan)

☆ 选择核心分析方法与模型：根据假设，确定是用对比分析、回归分析、聚类分析还是其他更复杂的模型。
☆ 制订详细的数据需求与采集策略：明确需要哪些数据、数据来源（内部/外部）、数据维度和获取方式。
☆ 规划项目时间表与关键里程碑：制定清晰的WBS（工作分解结构），明确各项任务的时间节点和责任人。
确定所需的技术工具（如SQL, Python, Tableau, SPSS等）。
建立团队协作与沟通机制。

4. 数据采集与准备 (Collect & Prepare Data)

☆ 执行数据提取与采集：从数据库、API接口、第三方平台或通过调研问卷等方式获取原始数据。
☆ 进行数据清洗与转换：处理缺失值、异常值、重复值，统一数据格式，进行数据规整。
☆ 构建分析数据集（Dataset）：将来自不同数据源的数据进行关联、汇总，形成支撑分析的主题数据表。
进行数据质量的交叉验证。

5. 深度分析与验证 (Analyze & Validate)

☆ 进行探索性数据分析（EDA）：通过描述性统计和可视化，对数据建立初步认知，发现潜在规律。
☆ 执行假设检验与模型分析：运用选定的分析方法，对第二步提出的假设进行严谨的量化验证。
☆ 深挖根本原因（Root Cause）：不仅要发现“是什么”，更要通过多维度下钻、关联分析等方法找到“为什么”。
进行多源数据的交叉比对，确保结论的稳健性。
开展敏感性分析或情景模拟。

6. 洞察提炼与呈现 (Synthesize Insights & Present)

☆ 从“发现”到“洞察”的升华：将零散的数据分析结果（Finding），提炼总结为有指导意义的商业洞察（Insight）。
☆ 形成具体、可行的行动建议：基于洞察，提出明确的“So What”（结论）和“Now What”（下一步行动建议）。
☆ 构建清晰的商业故事线（Storylining）：用金字塔原理组织内容，通过数据可视化，将核心观点清晰、有力地呈现出来。
撰写详尽的分析报告或制作精炼的演示文稿。
面向不同受众，调整沟通的重点和方式。

7. 落地追踪与复盘 (Drive Implementation & Review)

☆ 推动建议方案的落地执行：与业务方共同探讨建议的可行性，并协助制定初步的实施路线图（Roadmap）。
☆ 建立关键指标的追踪机制：对建议实施后的效果进行量化监测，评估项目价值。
☆ 进行项目复盘与知识沉淀：总结项目中的成功经验与不足，将流程、方法、代码等知识资产化，供未来复用。
根据追踪结果和内外部反馈，进行动态迭代优化。

希望这份优化后的流程能对您有所帮助。它不仅适用于PPT的呈现，更能作为一份扎实的行动指南，指导您和您的团队高效、专业地完成每一次调研分析工作。

2

你除了是资深的企业管理方面的业务咨询顾问，同时还非常了解信息化与智能化。

做调研分析，一般会有这些岗位：

调研总管理
数据收集员
数据分析师
报告撰写者
审核员

基于这些个岗位角色，我构想的智能分析报告系统，由以下角色构成：

首席：有各行各业的领域知识，主要负责研报整体思路规划，对研报整体内容进行把控
研究员，熟悉研报编写的完整流程对研报的主要内容进行编写
助理研究员，在获取数据后能够进行数据分析并用图表展示
数据调研员：熟悉如何利用各种渠道/方法找到需要的数据
审查师：配合首席进行研报审查，主要负责语法或计算漏洞
归纳师：进行研报最终的归纳总结并形成摘要、分类标签这些元数据，方便速读与检索

由于是智能分析报告系统，所以前面讨论的部分流程，系统难以实现，必须人工来做。所以系统基本上主要解决前述环节的4~6。

要求：

我对调研分析的岗位角色分析有什么缺失？
对于这个智能分析报告系统，我的岗位角色思考有什么建议补充？
对于系统解决的调研分析环节，有什么建议补充？

非常好的问题！您已经从“流程优化”进入到了“组织与系统设计”的层面，这正是将方法论转化为生产力的关键一步。结合企业管理顾问和信息化专家的双重身份，我将为您深入剖析。

您的思考非常有价值，尤其将人类团队的角色映射到AI智能体的设计上，这正是当前构建多智能体（Multi-Agent）系统的主流思路。下面我将逐一回答您的三个问题。

1. 对调研分析岗位角色分析的查漏补缺

您列出的岗位角色覆盖了调研报告生产的“核心流水线”，非常到位。但在一个完整的商业项目中，通常还包含以下几个关键角色，他们确保了流水线的顺畅运转和最终的价值交付：

项目经理 (Project Manager) / 客户经理 (Account Manager):
- 职责: 这是整个项目的“粘合剂”和“对外窗口”。负责与需求方（无论是内部还是外部客户）进行持续沟通，管理项目范围、进度、预算和风险，确保最终交付物符合甚至超越客户期望。您的“调研总管理”偏向内部生产管理，而项目经理更侧重于整体项目运营和客户关系。
领域专家 (Subject Matter Expert - SME):
- 职责: 在特定行业或主题上提供深度的、非结构化的知识和洞察。例如，分析一家半导体公司的财报，除了数据分析师，您还需要一位半导体行业专家来解读“库存周转天数”背后的行业周期性含义。SME的判断力是单纯的数据分析无法替代的。
可视化设计师 (Visualization Designer):
- 职责: 专注于信息的“表达”。他们负责将数据分析师产出的图表和报告撰写者的文字，转化为视觉上清晰、美观且具有冲击力的最终报告或PPT。好的设计能让洞察力直抵人心，尤其是在向高层汇报时至关重要。

小结: 您的角色划分侧重于**“生产”，我补充的角色则更侧重于“管理、洞察与呈现”**，这三者共同构成了一个高效的商业分析团队。

2. 对智能分析报告系统角色思考的建议补充

您的AI智能体角色设计非常有前瞻性。这是将人类工作流精妙地解构，并赋予AI。基于这个优秀的框架，我建议进行如下“升级”，让它们更贴近AI的内在能力，而不仅仅是人类角色的模仿：

您构想的角色	升级建议与补充	核心价值
首席	战略规划师 (Strategic Planner) & 任务编排器 (Task Orchestrator)	不仅是“把控”，更是将模糊的人类指令（如“分析一下我们Q3的用户流失问题”）翻译成清晰、可执行的AI任务流，并动态调度、协同其他AI智能体完成工作。这是整个系统的大脑。
研究员	叙事逻辑构建师 (Narrative Weaver)	从“编写内容”升级为“构建故事线”。它接收来自“助理研究员”的零散数据发现（Findings），并依据“战略规划师”设定的框架，将其组织成一个有开头、有发展、有高潮、有结论的商业故事。
助理研究员	量化分析引擎 (Quantitative Engine)	除了做图表，它应该是执行所有结构化数据分析的核心。它能自主选择最合适的分析模型（回归、聚类、时间序列等）来验证假设，并自动生成多种维度的可视化图表供“叙事逻辑构建师”选用。
数据调研员	全域数据搜寻器 (Omni-Data Scout)	“搜寻”是其核心。它应具备多模态能力，不仅能通过API和数据库查询结构化数据，还能爬取网页、研报（PDF）、新闻、社交媒体等非结构化文本，甚至未来能解析图表和语音，为分析提供更全面的数据输入。
审查师	逻辑与质量审计师 (Logic & Quality Auditor)	从“语法和计算”升级到更高维度。它负责：1. 事实性核查（Cross-Check），交叉验证数据源；2. 逻辑一致性审查，检查论点和论据之间是否存在矛盾；3. 偏见检测，识别分析中可能存在的认知偏见或数据偏见。
归纳师	洞察提炼与元数据生成器 (Insight Extractor & Meta-Generator)	非常好的设计！除了摘要和标签，它还可以自动提炼报告中的核心洞察（Insights）和行动建议（Recommendations），并将其结构化存储，形成可供未来查询的“知识库”。

额外建议增加的AI角色：

假设生成器 (Hypothesis Generator) / 异见者 (Devil's Advocate):
- 职责: 在分析初期，基于初始问题，它可以生成一系列值得验证的、甚至反直觉的假设，拓宽人类的思考边界。在分析过程中，它会不断挑战现有结论，寻找潜在的逻辑漏洞或替代性解释，使报告更严谨。

3. 对系统解决调研分析环节的建议补充

您认为系统主要解决4-6环节（采集、分析、报告），这个定位非常精准，是当前AI技术最容易实现价值的核心区间。我的建议是：不要将其他环节完全排除在系统之外，而是将系统的角色从“完全替代”转变为“智能辅助（Co-pilot）”，从而赋能整条价值链。

环节 1-3 (明确目标、界定问题、制订计划) 的智能辅助：
- AI作为“战略顾问”： 当人类输入一个初步的分析目标时，系统可以：
  - 提问与澄清： 像咨询顾问一样，通过提问帮助用户明确真正的业务问题（“您说要分析流失，具体是想提高首月留存还是降低高价值用户流失？”）。
  - 推荐分析框架： 基于其知识库，推荐成熟的分析框架（如SWOT、PEST、5W2H等）和核心指标。
  - 生成假设与计划草案： 利用“假设生成器”提供多种分析角度，并自动生成一个包含数据需求、分析方法和步骤的计划草案，由人类最终决策。
环节 7 (迭代反馈 -> 落地追踪) 的智能辅助：
- AI作为“项目看板”与“效果追踪器”：
  - 反馈整合： 系统可以自动收集来自不同渠道（如邮件、评论）的反馈，进行情感分析和主题聚类，帮助人类快速定位报告的关键修改点。
  - 行动建议追踪： 将报告中的行动建议转化为可追踪的任务项，并对接业务数据系统，自动生成追踪看板（Dashboard），量化建议实施后的效果，形成“分析-行动-反馈”的价值闭环。

总结一下：

您的智能系统可以定位为：以 环节4-6的全自动化为核心引擎，同时提供 环节1-3和环节7的“人机协作”智能辅助功能。

这样，您的系统就不再是一个孤立的“报告生成工厂”，而是一个贯穿调研分析全流程的、能够与人类专家深度协作的**“智能分析工作台（Intelligent Analytics Workbench）”**。这不仅技术上更可行，商业价值也更为巨大。

3

不考虑AI的情况下，做调研分析，我列举了以下角色：

调研总管理
数据收集员
数据分析师
报告撰写者
审核员

你补充了项目经理 (Project Manager) / 客户经理 (Account Manager):，这个和我所说的调研总管理应该是一个意思，还有领域专家和可视化设计师。

能否帮我列出一个不考虑AI的情况下，做调研分析需要哪些角色，包括职责说明。输出为Markdown格式的表格。

好的，完全理解。我们现在聚焦于一个不依赖AI的、由真人组成的专业调研分析团队。

您将“调研总管理”和“项目经理”视为同一角色，这在很多中小型项目或团队中是常见的，一个人确实会身兼数职。为了提供一个更完整、更具扩展性的专业框架，我会将这两个角色的职责进行拆分。在大型或复杂的项目中，它们通常由不同的人担任，一个更偏向于战略和内容质量，另一个更偏向于流程和资源管理。

以下是一个标准化的、专业调研分析团队的角色构成及其职责说明，以Markdown表格形式呈现。

专业调研分析团队角色与职责

一个专业的调研分析团队，其角色配置如同一个交响乐团，各司其职又紧密协作，最终奏出和谐的乐章——一份高价值的分析报告。

角色 (Role)	核心职责 (Core Responsibilities)
管理与领导层 (Management & Leadership)
项目总监 / 负责人 (Project Director / Lead)	- 最终责任人：对项目的最终质量、商业价值和客户满意度负总责。 - 战略定调：把握项目的战略方向，确保分析目标与核心业务问题紧密对齐。 - 高层沟通：作为与客户或内部高层决策者的主要接口，管理期望，汇报关键进展。 - 资源审批：审批项目预算和关键资源配置，为项目成功扫清障碍。
项目经理 (Project Manager)	- 流程管理者：负责制定详细的项目计划（WBS）、时间表和里程碑，确保项目按时、按预算交付。 - 团队协调员：日常管理团队工作，分配任务，解决团队内外的沟通与协作问题。 - 风险控制官：识别、评估并管理项目风险，制定应对预案。 - “调研总管理” 的核心职责主要体现在这一角色上，聚焦于“管理”执行。
核心执行层 (Core Execution)
数据收集员 (Data Collector / Researcher)	- 二手数据搜集：通过网络、数据库、行业报告、政府公开信息等渠道进行桌面研究（Desk Research）。 - 一手数据采集：设计并执行问卷调查、深度访谈、焦点小组、实地观察等一手数据收集工作。 - 数据源管理：负责数据源的记录、整理和初步的有效性验证。
数据分析师 (Data Analyst)	- 数据处理：负责数据的清洗、转换、整合，构建可用于分析的数据集。 - 量化分析：运用统计学方法和分析工具（如Excel, SPSS, SQL, Python）进行数据建模与分析，发现数据中的规律、趋势和相关性。 - 初步发现提炼：将原始数据转化为结构化的数据发现（Findings），并以图表等形式进行初步可视化。
报告撰写者 / 咨询顾问 (Report Writer / Consultant)	- 逻辑框架搭建：设计报告的整体叙事逻辑和金字塔结构。 - 洞察提炼：将数据分析师的“发现”与业务背景相结合，提炼升华为有指导意义的商业“洞察（Insights）”。 - 报告撰写：负责将洞察和建议转化为结构清晰、逻辑严谨、有说服力的书面报告或演示文稿。
专家与支持层 (Expert & Support)
领域专家 (Subject Matter Expert - SME)	- 专业知识输入：在项目初期，为界定问题和建立假设提供深度的行业背景和专业知识。 - 过程解读与校验：在分析过程中，帮助解读特定数据的行业含义，验证分析方向的合理性。 - 结论现实性评估：审阅最终结论和建议，确保其符合行业实际且具有可操作性。
可视化设计师 (Visualization Designer)	- 信息可视化：将复杂的数据和分析结论，设计成清晰、美观、易于理解的图表、信息图和数据仪表盘。 - 报告美化与排版：负责最终交付物（如PPT、PDF报告）的整体视觉风格设计与排版，提升专业性和阅读体验。 - 故事化呈现：协助报告撰写者，用视觉语言更好地讲述商业故事。
质量保障层 (Quality Assurance)
审核员 / 质控负责人 (Reviewer / QA Lead)	- 数据与计算核查：交叉验证关键数据的准确性，复核分析过程中的计算和模型逻辑，确保“硬事实”无误。 - 逻辑一致性审查：检查报告的论点、论据和结论之间是否存在逻辑矛盾或跳跃。 - 格式与规范统一：确保报告在术语使用、格式、引用标注等方面符合统一标准。 - 通常由资深顾问或项目总监兼任，是交付前的最后一道防线。

4

我猜测，不同的调研分析报告，可能流程上有细微差异。我们先模拟一个光伏电站性能基准分析的报告场景，用智能分析报告系统生成。

我对这个报告大致构思：假设我们可以采集到每日的生产数据，包括发电量、上网电量、弃电量，辐照数据，天气，温度，湿度等等，你觉得可以采集上来的数据。我们最后生成一个PR值性能基准分析。报告生成过程可能但不限于以下的一些分析：

数据质量分析，过滤掉严重错误的数据
数据异常分析，利用箱线图IRQ、孤立森林等模型过滤掉可能错误的数据，标记异常数据
描述性分析，看看这个数据怎样，报告要做什么
相关性分析，单变量线性相关，单变量非线性相关，多变量回归分析等等，找出可能影响PR的重要因素
因果分析，单变量因果检验，多变量因果关系等，找到这些重要因素是否导致PR值的必然变化
分类分析，基于两种阈值：经验设置的和IRQ，做回归分析模型比如决策树、梯度提升、随机森林等等
时间序列分析，季节性ARIMA模型等

要求：

理解我的思路，我想利用这个模拟的报告，来考察下智能分析报告系统流程在做生产相关的分析报告大致是什么样的，各角色之前会怎样配合。
把这个配合过程用Markdown格式描述出来。
如果能画出主要的流程图最好。或者给出一个参考图片的链接也可以。

没问题！这是一个绝佳的模拟场景。光伏电站性能分析是一个典型的“数据密集型”+“领域知识密集型”的任务，非常适合用来检验和展示智能分析报告系统的能力。

我完全理解您的思路。您想通过这个具体、技术性强的案例，观察我们设计的AI智能体们是如何从一个高阶指令（“分析PR值”）出发，通过一系列复杂的分析步骤，最终生成一份专业、有洞察的报告。这实质上是在模拟一个**“AI咨询团队”**的工作流。

下面，我将为您详细描述这个过程，并提供流程图。

智能分析报告系统：光伏电站PR值基准分析报告生成流程

场景设定

人类用户输入指令： “请为A电站生成一份2023年第三季度的性能基准分析报告。核心是分析其实际性能表现（PR值），找出影响PR波动的主要因素，并与行业基准（假设为80%）进行对比，给出优化建议。”
系统可用数据源： 已接入电站SCADA数据库（分钟级发电量、辐照度、温度等）、第三方天气服务API（更宏观的天气、湿度、云量）。

各AI角色协同工作流程 (Markdown描述)

阶段一：任务解构与规划 (人机交互 & AI内部规划)

【人类用户】 -> 【战略规划师】
- 用户下达初始指令。
【战略规划师】 (大脑中枢)
- 接收并解析： 将模糊指令“分析PR”拆解为清晰的、可执行的分析目标（Key Questions）：
  - Q1: Q3期间，电站整体及逐月的PR值是多少？趋势如何？
  - Q2: PR值与行业基准（80%）相比，表现如何？有多少天/小时低于基准？
  - Q3: 哪些关键环境或运营因素（如辐照、温度、设备工况）是影响PR波动的主要驱动力？
  - Q4: 是否存在特定的模式（如特定时间段、特定天气下）导致PR急剧下降？
- 构建分析框架： 设定报告的整体逻辑结构：总体表现 -> 影响因素深挖 -> 问题诊断 -> 优化建议。
- 初步制定策略： 决定采用描述性统计、相关性分析、回归模型和分类模型相结合的分析路径。
【假设生成器】 (创意与挑战者)
- 介入并丰富思路： 基于光伏领域知识库，提出需要验证的具体假设：
  - 假设1（常见）： 高温低辐照天气是低PR的主要原因。
  - 假设2（深入）： 早晚斜射时段的PR值，是否因逆变器启动阈值或阴影遮挡而表现异常？
  - 假设3（挑战性）： 是否存在“晴空无云但PR偏低”的异常日？这可能指向设备污秽或故障。
【战略规划师】 -> 【任务编排器】
- 生成执行计划： 将分析框架和假设转化为一个详细的任务序列，分发给各个执行AI。
- 任务流示例： [T1: 数据搜寻器-获取数据] -> [T2: 量化分析引擎-数据清洗与PR计算] -> [T3: 逻辑审计师-校验数据质量] -> [T4: 量化分析引擎-执行探索性分析] -> ...

阶段二：数据准备与探索性分析

【全域数据搜寻器】 (数据专家)
- 执行T1： 根据任务指令，连接SCADA数据库和天气API，抓取2023年Q3的所有相关字段数据。
【量化分析引擎】 (计算核心)
- 执行T2：
  - 数据清洗： 处理缺失值（如夜间数据）、剔除明显异常值（如辐照度为负）。
  - 特征工程： 根据IEC 61724标准，利用发电量、辐照度、装机容量等原始数据，计算出核心指标——PR值 (Performance Ratio)。
  - 数据融合： 将来自不同源的数据按时间戳对齐，整合成一个宽表。
【逻辑与质量审计师】 (质量守门员)
- 执行T3：
  - 审查数据处理过程： 检查PR计算公式是否正确，单位是否统一。
  - 输出数据质量报告： 自动生成一份初步的数据质量分析，标记出数据缺失率、异常值比例等，供后续分析参考。
【量化分析引擎】
- 执行T4 (探索性分析)：
  - 描述性统计： 计算PR值的均值、中位数、标准差等，并与80%基准对比。
  - 数据可视化： 自动生成PR值的时间序列图、箱线图（识别异常）、直方图（看分布）。

阶段三：深度分析与洞察挖掘

【叙事逻辑构建师】 (故事讲述者)
- 接收初步结果： 查看T4的图表和统计数据，形成报告的“第一章：总体性能表现”，并发现新的问题：“PR值在8月份有一次明显的、持续数日的下降，为什么？”
【任务编排器】 -> 【量化分析引擎】
- 下达新指令： 基于“叙事逻辑构建师”发现的新问题，下达更具体的分析任务（T5, T6, T7）。
【量化分析引擎】
- 执行T5 (相关性分析)： 计算PR与辐照、温度、湿度等变量的皮尔逊/斯皮尔曼相关系数，生成热力图，识别出温度和辐照是强相关因素。
- 执行T6 (回归分析)： 建立多元线性回归模型 PR = β0 + β1*辐照 + β2*温度 + ...，量化各因素的影响权重，找出最重要的影响因素。
- 执行T7 (分类与模式识别)：
  - 将PR值按“正常”（>80%）和“偏低”（<=80%）进行二分类。
  - 利用决策树或随机森林模型进行分类，找出导致“偏低”的组合规则。例如，模型可能会发现一个规则：“IF 温度 > 35℃ AND 辐照度 < 600 W/m² THEN PR偏低的概率为90%”。

阶段四：报告合成与交付

【叙事逻辑构建师】
- 整合所有分析结果： 将量化分析引擎产出的所有图表、模型结果、关键数据，按照之前设定的报告框架，组织成流畅、有逻辑的文字内容。
- 将“发现”转化为“洞察”：
  - 发现 (Finding): “回归分析显示，温度系数为-0.004。”
  - 洞察 (Insight): “环境温度是影响本电站PR的最关键负面因素，温度每升高10摄氏度，PR值约下降4个百分点，这超出了组件的常规温度衰减，可能存在通风散热问题。”
【逻辑与质量审计师】
- 最终审查： 通读报告草稿，检查数据引用是否准确、图文是否一致、逻辑论证是否存在漏洞。
【洞察提炼与元数据生成器】 (点睛之笔)
- 生成摘要与标签： 阅读全文，自动生成300字的执行摘要和报告的核心观点（Key Takeaways）。
- 打标签： #光伏性能分析, #PR值, #A电站, #2023-Q3, #高温影响。
【系统】 -> 【人类用户】
- 交付最终报告： 系统输出一份结构完整、图文并茂、包含摘要和关键洞察的PDF报告。用户可以继续追问：“请详细展开8月份那次异常下降的具体原因”，系统将启动新一轮的、更聚焦的分析循环。

流程图 (Mermaid)

这是一个描述上述核心流程的Mermaid流程图。您可以将代码复制到支持Mermaid的编辑器中（如Typora、VS Code插件或在线编辑器）进行查看。

graph TD
    subgraph "Phase 1: Planning & Setup"
        A["Human User: 输入分析指令"] --> B("Strategic Planner: 解析指令, 定义问题")
        B --> C("Hypothesis Generator: 生成待验假设")
        C --> D("Task Orchestrator: 创建详细任务流")
    end

    subgraph "Phase 2: Data Prep & EDA"
        D --> E("Omni-Data Scout: 采集SCADA和天气数据")
        E --> F("Quant Engine: 清洗数据, 计算PR值")
        F --> G("Logic Auditor: 校验数据质量与公式")
        G --> H("Quant Engine: 执行探索性分析 EDA")
    end

    subgraph "Phase 3: Deep Analysis"
        H --> I("Narrative Weaver: 初步解读, 发现新问题")
        I --> D2["触发新任务"]
        D2 --> J("Quant Engine: 执行相关性/回归/分类模型")
    end

    subgraph "Phase 4: Synthesis & Delivery"
        J --> K("Narrative Weaver: 整合结果, 撰写报告")
        K --> L("Logic Auditor: 审查报告逻辑与数据准确性")
        L --> M("Insight Extractor: 生成摘要/标签/洞察")
        M --> N["Final Report Delivered"]
    end

    %% Styling
    style A fill:#f9f,stroke:#333,stroke-width:2px
    style N fill:#9f9,stroke:#333,stroke-width:2px

    %% 连接关系
    D --> D2

这个流程生动地展示了AI智能体们如何像一个高效、专业的咨询团队一样协同工作：

战略规划师是项目总监，定方向。
量化分析引擎是数据科学家，负责硬核计算。
叙事逻辑构建师是咨询顾问，负责讲故事、提炼价值。
审计师是质控，确保专业严谨。
其他角色各司其职，共同完成了一个复杂的分析任务。

33 KiB Raw Blame History Unescape Escape

1 调研分析通用流程

GE

第一部分：流程检查与优化建议

第二部分：优化后的“调研分析通用流程”（PPT版）

优化后的7大环节：

各环节关键措施详解（含PPT标记）：

1. 明确目标 (Define Objective)

2. 界定问题与假设 (Frame Problem & Hypothesize)

3. 设计方案与计划 (Design Approach & Plan)

4. 数据采集与准备 (Collect & Prepare Data)

5. 深度分析与验证 (Analyze & Validate)

6. 洞察提炼与呈现 (Synthesize Insights & Present)

7. 落地追踪与复盘 (Drive Implementation & Review)

2

1. 对调研分析岗位角色分析的查漏补缺

2. 对智能分析报告系统角色思考的建议补充

3. 对系统解决调研分析环节的建议补充

3

专业调研分析团队角色与职责

4

智能分析报告系统：光伏电站PR值基准分析报告生成流程

场景设定

各AI角色协同工作流程 (Markdown描述)

阶段一：任务解构与规划 (人机交互 & AI内部规划)

阶段二：数据准备与探索性分析

阶段三：深度分析与洞察挖掘

阶段四：报告合成与交付

流程图 (Mermaid)

33 KiB

Raw Blame History