AI看板生成
一、生成流程
看板生成是对话式的，一共四步：
第 1 步 — 选择数据集
在对话框里输入 @，从下拉列表中选择你要分析的数据集。选中的数据集会作为本次看板的数据来源。
第 2 步 — 描述需求
用自然语言告诉 AI 你想要什么，越具体越好。例如：
- "帮我生成电商日度 GMV 分析看板"
- "近 30 天各渠道的转化漏斗"
- "按地区分布的销售额 Top10 柱状图"
你也可以指定图表类型、布局偏好，或者直接交给 AI 自己判断。
第 3 步 — 流式生成，实时可见
AI 收到指令后会一步步推进：理解需求 → 匹配数据字段 → 选择图表类型 → 渲染看板。整个过程以流式输出，你可以在界面上实时看到每一步在做什么，不是黑盒等待。
第 4 步 — 对话调整，持续迭代
看板生成完毕后不是终点。你可以继续在对话中追加指令，比如"把 GMV 改成按周汇总""加一个环比指标""换成深色主题"，AI 会基于当前看板继续修改，无需从头再来。
二、支持的图表类型
1、KPI 指标卡
单指标卡、指标组、环形进度、占比值、对比图、洞察高亮。适合在看板顶部宏观展示核心经营指标，一眼看清"多大了、涨了没"。
2、趋势和时间序列
- 折线图：展示指标随时间的变化趋势。
- 面积图：在折线基础上填充面积，强调累积量和整体走势。
3、对比和分类
- 柱状图：按类别比较数值大小。
- 堆叠柱状图：在柱状图中展示子类构成。
- 横向柱状图：当类别名称较长时更易阅读。
4、占比和构成
- 饼图：展示各部分在整体中的占比。
- 环形图：饼图的变体，中间可放置总值。
- 玫瑰图：用扇区角度表示占比，半径也可编码额外维度。
5、关系和流向
- 桑基图：展示数据在不同阶段之间的流动关系。
- 关系图：按力导向布局展示节点之间的关联网络。
- 矩形树图：用嵌套矩形展示层级占比，空间利用效率高。
- 旭日图：多层环形结构展示层级关系，像年轮一样由内而外展开。
6、分布和统计
- 散点图：展示两个指标之间的相关性和分布。
- 箱线图：展示数据的四分位分布，快速识别离群值。
- 热力图：用颜色深浅表示交叉维度的数值密度。
- 雷达图：多维度指标的对比展示，适合看各维度均衡性。
7、特殊图表
- 漏斗图：展示流程各环节的转化与流失情况。
- 仪表盘：单个指标在刻度区间内的位置，适合目标完成率。
- K 线图：股票、金融类数据的开盘 / 收盘 / 最高 / 最低展示。
- 数据表格：当精确数值比可视化更重要时，直接以表格呈现。
AI 会根据数据特征（字段类型、数据量、维度数等）自动推荐合适的图表类型，无需手动选择。当然，你也可以在后续对话中要求换一种图表。
三、场景化生成技巧
1、单数据集看板
操作最简单：直接 @数据集 加上一句需求描述即可。AI 会自动识别字段语义并生成看板。你可以指定图表类型和布局，也可以完全交给 AI 推荐。
建议描述结构："对 [数据集] 做 [分析目标] 的分析看板"。例如：
- "@销售明细表 帮我做一份各品类的月度销售趋势看板"
- "@用户行为表 做一个新老用户的留存分析看板"
2、多数据集看板（2-3 个数据集）
多个数据集联合作分析时，建议分两步走——先定口径，再出看板：
1）先让 AI 生成需求文档：告诉 AI 你需要关联哪些数据集、想分析什么，让 AI 先梳理出数据集之间的关联关系和统计口径。这一步帮你把"数据怎么拼"想清楚。
2）确认后再生成看板：需求文档确认无误后，再让 AI 基于文档生成看板。这样生成结果更可控，避免 AI 猜错关联关系导致返工。
3、复杂业务看板（3 个以上数据源）
涉及多个数据源、跨主题的复杂看板，建议先生成一份完整的需求文档，再交给 AI 执行。需求文档应包含以下 5 个要素：
1）业务目标：这个看板要回答什么问题？给谁看的？（如"给运营负责人看的 Q2 大促效果复盘看板"）
2）数据源信息：涉及哪些数据集？数据源之间的关联键是什么？需要哪几张表、哪些字段？
3）数据范围：时间区间、数据过滤条件（如"近 3 个月、排除测试订单"）。
4）统计口径：关键指标的计算方式和业务定义（如"GMV = 已支付且未退款的订单金额""转化率 = 下单用户数 / 访问用户数"）。口径是影响结果准确性的最重要因素，务必写清楚。
50图表方案：每个分析模块用什么图表类型展示，看板的布局顺序（如"顶部三个指标卡、中间一张趋势折线图、下方两张饼图"）。
推荐话术模板：
请帮我生成一份需求文档，包含以下信息：
- 业务目标：[...]
- 数据源：[@数据集A]、[@数据集B]、[@数据集C]
- 数据范围：[...]
- 统计口径：[...]
- 图表偏好：[...]
确认无误后，基于这份文档生成看板。