人工智能分析师如何在没有 SQL 的情况下回答业务问题（以在线零售商为例）

引言

一家大型工具和电器在线零售商：超过 100 000 种商品，全国 800 多家门店，B2C 和 B2B 销售。每天，业务用户——品类经理、营销人员、物流人员、分公司负责人——都会对数据提出数十个问题：

“7 月乌拉尔地区 DeWalt 品牌的利润率是多少？”

“新西伯利亚枢纽中哪些 SKU 的周转率出现亏损？”

“比较最近三次活动中促销邮件和普通邮件的转化率。”

如今，每一个这样的问题都需要一位分析师来编写 SQL、在 Excel 中汇总数据并发送答案——要等一个小时，甚至要到第二天。人工智能分析师正在改变游戏规则。

为什么这很痛苦

瓶颈

在这种规模的公司中，典型情况是：

• 75+ 名业务用户每天都需要数据来做出决策。
• 5–7 名分析师为所有人服务。一个简单报告的排队时间可能长达 4–8 小时。
• 重复性查询——60% 的问题都是同一个问题的变体：“X 在 Y 地区 Z 期间的销售”。
• 分析师身心俱疲——他们被招来是为了解决复杂任务（预测、ABC 分析、聚类），却每天要写 SELECT SUM(price) ... GROUP BY region 20 次。

业务在亏钱

• 品类经理想了解是否该对滞销商品进行促销——等报告等了半天，在此期间竞争对手已经降价了。
• 叶卡捷琳堡的分公司负责人看到销售下滑，想了解原因——分析师在忙，答案要等到明天，而问题却在加剧。
• 营销人员在没等到上一次活动数据的情况下就启动了新活动——预算被盲目花掉了。

人工智能分析师能做什么

1. 自然语言查询 → 答案 + 图表

业务用户像问人一样提问——智能体自己生成 SQL、执行、可视化：

用户：2026 年 7 月各地区的电锤销售
智能体：[自动构建对 DWH 的查询，3 秒后
       返回表格 + 按地区划分的柱状图。
       前三名：莫斯科——1 240 件，圣彼得堡——890 件，
       叶卡捷琳堡——670 件]

关键特点：智能体不仅仅是生成 SQL，还会检查其正确性，用俄语解释结果，并提出下一个合乎逻辑的问题。

2. 趋势和异常分析

• 销售动态——“过去 6 个月焊接设备的销售是如何变化的？显示图表和季节性。”
• 异常——“与上个月相比，哪个地区的销售下滑最严重？”→ 智能体自己找到异常值并高亮显示。
• 计划/实际——“比较 7 月各品类的实际销售与计划。哪里偏差最大？”

3. 商品分析（面向品类经理）

• 周转率——“‘螺丝刀’品类中哪些 SKU 在仓库中存放超过 90 天？按库存降序排列。”
• 利润率——“第二季度按卢布计算的边际利润前 10 商品。”
• ABC 分析——“将‘电动工具’品类按收入分为 A/B/C，并显示每组的占比。”
• 蚕食效应——“哪些替代商品抢走了 Bosch GSR 12V 的销售？”
• 价格分析——“比较我们电钻的价格与 Ситилинк 和 DNS。我们在哪些地方贵了 10% 以上？”

4. 营销分析

• 渠道效果——“过去 3 个月按品类划分的上下文广告 ROI 是多少？”
• 群组分析——“1 月份购买的客户中有多大比例在 6 个月内回来复购？”
• A/B 测试——“比较两个版本商品卡片的转化率——旧版 vs 新版。”

5. 物流和仓库

• 库存余额——“新西伯利亚枢纽中哪些 SKU 低于安全库存？按供应商分组。”
• 配送时效——“7 月百万人口城市的平均配送时间。与 6 月相比，哪些地方的时效增加了？”
• 退货——“过去 3 个月退货率前 10 的商品。与价格有相关性吗？”

6. B2B 分析

• 客户群——“本季度哪些 B2B 客户的采购量下降了超过 30%？”→ 这是经理打电话的契机。
• 平均客单价——“按行业（建筑、制造、公用事业）划分的 B2B 平均客单价动态。”

用户场景

场景 1：品类经理就库存做出决策

经理：哪些螺丝刀在仓库中存放超过 120 天？

智能体：[3 秒后]
      找到 8 个周转率 >120 天的 SKU：
      1. Makita DF333D——320 件，230 天，库存价值 480 万 ₽
2. DeWALT DCD701 — 180 件，145 天，库存价值 230 万 ₽
       ...
       总冻结资金：1270 万 ₽。
       是否显示这些商品的销售动态？

经理：显示。并建议一个折扣，以便在 2 个月内周转。
代理：根据该品类的需求弹性，要在
       60 天内清仓，需要 18–22% 的折扣。
       这将带来 910–970 万 ₽ 的收入，并释放
       仓储空间。是否启动促销 KPI 计算？

场景 2：分公司负责人寻找下滑原因

分公司总监：喀山 7 月销售额下降了 15%。
                 原因是什么？
代理：已分析喀山 2026 年 7 月
       与 2026 年 6 月的数据对比：
       - 总体下滑：−14.8%（从 4210 万 ₽ 降至 3590 万 ₽）
       - 主要因素：
         • 门店客流量下降：−9%
           （«Мега» 购物中心正在维修外立面）
         • 3 个畅销 SKU 从品类中缺失
           （Bosch 已 4 周未供货）
         • 网站转化率未变化（3.2%）
       详细报告 — [链接]。是否显示恢复
       建议？

场景 3：营销人员评估促销效果

营销人员：比较 2025 年和 2024 年的黑色星期五。哪些
           有效，哪些无效？
代理：2025 年黑色星期五 vs 2024 年：
       - 收入：+23%（从 1.8 亿 ₽ 增至 2.21 亿 ₽）✅
       - 平均客单价：+8%（从 9 200 ₽ 增至 9 950 ₽）✅
       - 电子邮件营销转化率：−2 个百分点（从 8% 降至 6%）❌
         原因：邮件发送基数增长了，但 40%
         的订阅者是不活跃用户。
       - 最有效的品类：«园艺
         工具»（因 50% 折扣增长 +340%）。
       是否想要按渠道的细分和 2026 年
       的建议？

场景 4：物流人员检查仓库

物流人员：显示各枢纽的负载情况——哪里超载？
代理：当前占用率：
       • 莫斯科：92% ⚠️（收货限额已超出 5 天）
       • 新西伯利亚：88%
       • 叶卡捷琳堡：68% — 可以重新分配来自莫斯科的
         货流。
       • 克拉斯诺达尔：95% 🔴（紧急超载 —
         180 个托盘无位置）。
       建议：将莫斯科和
       克拉斯诺达尔的供货重新分配到顿河畔罗斯托夫（负载 54%）—
       每月节省仓储费约 340 000 ₽。
       是否创建重新分配任务？

场景 5：首席执行官在例会上

CEO：显示上半年动态排名前 5 的品类
     和主要趋势。
代理：2026 年上半年：
       🟢 增长：
       1. 充电式工具：+34%（移动化趋势，
          从有线型号转向）
       2. 防护用品：+28%（建筑行业劳动保护
          要求趋严）
       3. 园艺设备：+22%（郊外住宅
          建设热潮）
       🔴 下滑：
       4. 燃油工具：−11%（被充电式替代）
       5. 手动工具：−5%（与电商平台
          竞争激烈）
       按月的图表 — [链接]。是否导出
       到演示文稿？

实施经济性：零售商测算

初始数据

当前成本测算

我们假设 6 名分析师将约 70% 的时间花在典型请求上：

其中 ~70%（8 618 400 ₽/年） — 是花在可由 AI 自动化的典型请求上的时间成本。

使用 AI 分析师的成本测算

AI 分析师承担 70% 的请求（简单和中等：抽样、聚合、期间对比、前 N）。复杂分析（预测、聚类、预测模型）仍由人工完成。

最终节省

投资回收期

投资回收期 = 500 000 ÷ (8 183 000 ÷ 12) ≈ 0.7 个月 ≈ 3 周

隐性节省：决策速度

最大的效果不在于缩减分析师编制，而在于决策速度：

在利润率 15%、月营收约 8 亿 ₽ 的情况下，库存再分配或价格调整决策每延迟一天，就意味着数十万 ₽ 的潜在损失。

保守估计：决策速度平均加快 1 天，通过优化库存、营销和定价，每年可节省 约 200–300 万 ₽。

非财务效应

• 数据民主化 — 任何经理都能获得答案，无需 SQL，无需排队等分析师，无需协调优先级。
• 分析师专注于正事 — 复杂模型、预测、A/B 测试，而不是 SELECT ... GROUP BY。
• 数据驱动文化 — 当数据触手可及，决策更多基于数字而非直觉。
• 新经理入职 — 不需要教他们去哪里查、怎么建报表，直接问智能体就行。

总结

AI 分析师不仅仅是 text-to-SQL。它是业务与数据之间的桥梁，消除了中间环节。对零售商而言，这意味着：品类经理实时优化商品组合，营销人员根据实际情况调整投放，分公司经理在问题出现当天就能看到，而不是等到月底。分析师们终于可以从事他们当初学习的目的——复杂模型和预测，而不是无休止的数据导出。