（1）AI数据分析概述与技术生态：了解人工智能与数据分析的融合发展趋势及其在数字化转型中的核心价值。掌握分析式AI与生成式AI的本质区别：分析式AI专注于模式识别与预测，生成式AI辅助代码生成与洞察提炼。学习AI数据分析的技术生态构成：对话式AI（DeepSeek、ChatGPT）、数据处理套件（Pandas、NumPy）、可视化工具（Power BI、Matplotlib）、机器学习框架（Scikit-learn）。建立从"描述性分析"到"预测性分析"再到"决策性分析"的进阶路径。
（2）数据采集与预处理AI赋能：掌握利用AI辅助数据采集的核心方法。学习使用大语言模型生成网络爬虫代码（Requests+BeautifulSoup），自动获取公开数据源。掌握AI辅助数据质量检测：识别缺失值、重复值、异常值，生成数据清洗建议与处理代码。学习利用AI构建数据字典与元数据管理文档。实践完成从多源数据整合到高质量分析数据集的自动化预处理流程。
（3）提示词工程与数据分析交互：掌握面向数据分析场景的提示词设计核心原则。学习"角色设定+任务描述+数据格式+输出要求"的结构化提示方法。掌握数据分析典型任务的提示词模板：数据解读（"请分析以下销售数据的核心特征"）、代码生成（"用Python计算各品类的月均增长率"）、洞察提炼（"从这张用户分层表中你能发现什么问题？"）。实践通过多轮对话优化AI分析结果。
（4）AI辅助数据探索与可视化：掌握利用AI进行探索性数据分析（EDA）的核心技巧。学习使用AI生成数据分布统计、相关性矩阵、分组聚合代码。掌握AI辅助可视化设计：根据数据类型推荐合适的图表形式（柱状图、散点图、热力图）、生成Matplotlib/Seaborn绘图代码。学习使用AI解释图表含义，自动生成分析结论。实践完成交互式仪表盘的快速搭建。
（5）AI辅助SQL开发与数据库交互：掌握向AI清晰描述业务问题、生成SQL查询草稿的技巧。学习将自然语言转换为复杂SQL语句：多表关联、子查询、窗口函数的AI辅助生成。掌握SQL优化建议：让AI分析执行计划、推荐索引策略。学习使用AI解释复杂SQL逻辑，辅助代码审查。实践完成基于真实业务场景的SQL查询开发。
（6）机器学习预测模型构建：理解监督学习与无监督学习的核心概念及其在商业场景中的应用价值。掌握常见预测模型原理：线性回归、决策树、随机森林、XGBoost的适用场景。学习使用Scikit-learn构建模型的完整流程：训练集/测试集切分、模型训练、预测评估。掌握模型评估指标解读：分类模型（准确率、召回率、F1）、回归模型（MSE、R²）。实践完成销售预测或客户流失预警模型。
（7）特征工程与模型优化：掌握AI辅助特征工程的核心方法。学习利用AI生成衍生特征：交叉特征、聚合特征、时间特征构建。掌握特征选择技术：相关性分析、互信息、主成分分析的AI辅助实现。学习超参数调优方法：网格搜索、随机搜索的AI辅助代码生成。实践通过特征工程与调优提升模型性能。
（8）AI辅助商业决策分析：掌握将模型输出转化为业务洞察的方法。学习AI辅助KPI指标体系设计：根据业务目标推荐关键指标与监控阈值。掌握"假设分析"（What-if Analysis）的AI辅助实现：模拟不同策略对业务结果的影响。学习用AI生成数据驱动的决策建议报告。实践完成基于分析结果的可执行方案设计。
（9）自动化报告与智能体应用：掌握使用AI自动生成分析报告的技巧。学习将分析结果、图表、结论整合为结构化PPT或Word文档的方法。了解数据分析智能体的概念与应用：让AI自主完成数据查询、分析、报告生成的闭环。实践构建面向特定场景（如日报生成、异常监控）的轻量级数据分析智能体。
（10）行业案例实战（一）：营销与销售分析：结合营销场景完成完整的数据分析项目。学习用户分层分析（RFM模型）的AI辅助实现。掌握营销活动效果评估方法：归因分析、ROI计算。学习销售预测与需求计划的模型构建。实践完成营销数据分析仪表盘与优化建议报告。
（11）行业案例实战（二）：运营与财务分析：结合运营与财务场景完成数据分析项目。学习用户行为路径分析与转化漏斗优化的AI辅助。掌握财务指标分析：成本结构、现金流预测、盈利能力评估。学习异常检测在风控场景中的应用：识别异常交易、反欺诈。实践完成运营健康度监控系统或财务风险预警模型。
（12）综合项目实战：端到端AI数据分析系统：结合所学知识，完成一个完整的AI数据分析项目（如电商用户价值分析系统、金融信贷风险评估平台、供应链需求预测工具）。涵盖需求定义、数据采集、预处理、探索分析、模型构建、决策建议、自动化报告的全流程。形成可复用的分析模板与代码库，通过项目实战检验从数据到决策的完整能力跃迁。
