用 Python 与 AI 将任意 CSV 数据自动生成高管分析报告

› 论坛 › 数据科学与人工智能 › 人工智能

AIU人工智能学院

265

收藏 2026-08-18

一、告别人工手动分析报表

每位数据分析师都经历过这样的场景：收到一份CSV数据文件，被问及「本次业务表现如何」，随后耗费一下午时间清洗数据、制作图表、撰写分析结论。

如今，我们可以将这套繁琐流程完全自动化。本文将手把手搭建一套轻量化Python自动化流程：读取原始销售CSV数据、完成数据清洗、统计核心指标、绘制可视化图表、调用AI生成分析洞察。本次使用 Claude Opus 4.8 模型，可在数秒内完成分析文案初稿撰写，最终由人工把控结论真实性与业务准确性。

所有分析报告都必须围绕核心业务问题展开。本次分析的核心目标：五周周期内，企业实际留存营收为多少？流失营收去向及原因是什么？

整套流程的每一步都服务于该核心问题：数据清洗筛选有效营收数据、聚合统计定位营收流失的时间与场景、AI将枯燥数字转化为高管可读的专业分析结论。

全套代码可直接复用，适配绝大多数数据集，标准化流程如下：

CSV原始数据 → 数据清洗 → 探索性分析 → 可视化图表 → AI智能洞察 → 业务优化建议 → 完整报告输出

二、数据集介绍

本文采用 product_sales.csv销售数据集，共包含45条交易记录，数据源自StrataScratch平台实战案例。本次分析不局限于原案例需求，聚焦营收留存与流失分析。

每条数据对应一笔交易事件（购买/退款），核心字段包含：国家、交易日期、交易金额、交易状态、交易类型、原始交易编号。

数据核心特征：退款记录以负数金额存储，且并非所有交易都为有效成交，这两个关键点直接决定最终营收数据的准确性。

通过Pandas读取数据集：

import pandas as pd
df = pd.read_csv("product_sales.csv")

三、数据清洗：保障营收统计精准性

数据清洗是报表精准的核心。原始数据中存在3条待处理、交易失败的无效记录，不计入有效营收，需过滤剔除；同时统一数据格式，规范字段类型。

# 统一时间与金额字段格式
df["transaction_date"] = pd.to_datetime(df["transaction_date"])
df["amount"] = pd.to_numeric(df["amount"], errors="coerce")

# 仅保留交易完成的有效订单，剔除待处理、失败订单
settled = df[df["status"] == "completed"].copy()
# 标记退款交易
settled["is_refund"] = settled["type"].eq("refund")

清洗后：45条原始数据保留42条有效成交记录。若直接使用原始数据统计，会将失败交易误统计为有效销售额，导致分析结果失真。

四、探索性数据分析：挖掘核心业务指标

1. 整体营收指标统计

区分有效购买订单与退款订单，统计总销售额、总退款金额、净营收、退款率四大核心指标（退款数据已为负值）。

# 总销售额（不含退款）
gross = settled.loc[~settled["is_refund"], "amount"].sum()
# 总退款金额
refunds = settled.loc[settled["is_refund"], "amount"].sum()
# 净营收
net = settled["amount"].sum()
# 退款率
refund_rate = -refunds / gross

print(f"总销售额：{gross:,.0f}")
print(f"总退款金额：{refunds:,.0f}")
print(f"净营收：{net:,.0f}")
print(f"退款率：{refund_rate:.0%}")

输出结果：

总销售额：12,975 美元

总退款金额：-4,875 美元

净营收：8,100 美元

退款率：38%

核心结论：五周内总销售额约1.3万美元，退款损失4875美元，最终净营收8100美元。38%的高退款率是核心业务问题，若仅统计正向销售额，会完全忽略该关键风险。

2. 分国家营收拆解

按国家维度聚合数据，定位各市场营收贡献与异常情况：

by_country = (settled.groupby("country")["amount"]
             .agg(净营收="sum", 交易笔数="count")
             .sort_values("净营收", ascending=False))
print(by_country)

输出结果：

美国：净营收7199.84美元，38笔交易

英国：净营收449.99美元，1笔交易

墨西哥：净营收449.99美元，1笔交易

加拿大：净营收0美元，2笔交易

异常亮点：加拿大2笔交易全部退款，最终营收归零，是重点异常市场。

3. 周度营收趋势拆解

按周拆分购买、退款、净营收数据，挖掘营收趋势变化：

# 新增交易周字段
settled["week"] = settled["transaction_date"].dt.to_period("W").dt.start_time
# 透视表统计每周营收与退款
weekly = settled.pivot_table(index="week", columns="is_refund",
                             values="amount", aggfunc="sum").fillna(0)
weekly.columns = ["销售额", "退款额"]
weekly["净营收"] = weekly.sum(axis=1)
print(weekly)

输出核心趋势：

4月中、4月下旬、4月末三周持续正向营收；进入5月后营收断崖下跌，连续三周净营收为负。核心原因：5月初后新增购买订单基本停滞，但退款订单持续产生。

4. 退款周期分析

统计订单成交至退款的间隔时长，解释营收滞后流失问题：

# 匹配订单成交时间与对应退款时间
purch_dates = (settled.loc[~settled["is_refund"], ["transaction_id", "transaction_date"]]
               .set_index("transaction_id")["transaction_date"])
ref = settled[settled["is_refund"]].copy()
ref["间隔天数"] = (ref["transaction_date"]
                   - ref["original_transaction_id"].map(purch_dates)).dt.days
# 输出退款间隔中位数
print(ref["间隔天数"].median())  # 输出：20.0

关键结论：订单成交后，退款中位间隔时长为20天。4月产生的大量订单，退款集中在5月，直接导致5月营收持续为负。

五、数据可视化：制作核心业务图表

基于Matplotlib绘制三张核心图表，直观呈现业务趋势与结构问题，自动保存为PNG格式，可直接嵌入最终报告。

1. 周度销售额与退款对比图

import matplotlib.pyplot as plt

weekly[["销售额", "退款额"]].plot(kind="bar", color=["#2a9d8f", "#e76f51"])
plt.axhline(0, color="black", linewidth=0.8)
plt.title("周度销售额与退款金额对比")
plt.tight_layout()
plt.savefig("chart_weekly.png")

图表直观体现：4月销售额充足、退款较少；5月退款规模反超销售额，业务由盈转亏。

2. 累计净营收趋势图

settled.groupby("transaction_date")["amount"].sum().sort_index().cumsum().plot()
plt.title("累计净营收时间趋势")
plt.tight_layout()
plt.savefig("chart_cumulative.png")

3. 各国净营收分布图

by_country["净营收"].plot(kind="barh", color="#2a9d8f")
plt.title("各国市场净营收分布")
plt.tight_layout()
plt.savefig("chart_country.png")

六、AI 智能生成业务洞察与优化建议

将清洗后的聚合指标整理为精简文本，通过提示词交给 Claude Opus 4.8 模型，自动生成3条核心业务洞察+3条落地优化建议。全程仅传输聚合统计数据，原始明细数据不会外泄，保障数据安全。

# 格式化周度数据
weekly_net = {d.date().isoformat(): round(v) for d, v in weekly["净营收"].items()}

# 汇总核心数据
summary = f"""产品销售统计周期：{settled['transaction_date'].min().date()} 至 {settled['transaction_date'].max().date()}
总销售额：${gross:,.0f}  总退款金额：${-refunds:,.0f}  净营收：${net:,.0f}
整体退款率：{refund_rate:.0%}
各国净营收：{by_country['净营收'].round(0).to_dict()}
周度净营收：{weekly_net}
订单成交至退款中位间隔天数：20天"""

# 高管视角分析提示词
prompt = (
    "你是一名专业的数据分析师，面向企业高管撰写分析报告。"
    "基于以下数据汇总信息，输出3条核心业务洞察、3条可落地的业务优化建议。"
    "分析需严谨具体，同时注意本次样本量较小，结论需谨慎表述。\n\n"
    + summary
)

print(prompt)