场景化数据分析：为什么预设分析场景比自由探索更高效？
场景化数据分析是什么？本文介绍DataFish的27个预设分析场景，对比场景化分析和自由探索的差异，用实际案例说明为什么「先场景后对话」是最高效的分析工作流。
自由探索分析的问题在哪？
很多人以为数据分析的终极形态是「随便问、随便查」——上传数据，想问什么问什么，AI来回答。这听起来很美好，但实际使用中有一个关键问题：你不知道该问什么。这就是「分析空白页综合症」——面对一堆数据，不知道从哪里开始分析。具体表现：打开数据分析工具，看着数据发呆，不知道第一个问题问什么。问了几个问题后，感觉没有方向，东一榔头西一棒子。分析完了，不确定自己有没有遗漏重要的东西。根本原因：大多数非数据专业人员缺乏系统的分析框架——他们知道要「看数据」，但不知道怎么看、看什么、按什么顺序看。
场景化分析怎么解决这个问题？
场景化分析的核心思路：把数据分析专家的经验「封装」成预设场景——你不需要知道怎么分析，只需要告诉AI你想解决什么问题。举个例子：你经营一家茶饮连锁店，你想知道「哪些产品最赚钱」。自由探索模式：你问AI「帮我分析一下产品」，AI可能给你一个笼统的回答。场景化模式：你选择「产品贡献矩阵」场景，AI自动执行完整的波士顿矩阵分析——计算每个产品的销量、增长率、毛利率，自动划分为明星/金牛/问题/瘦狗四个象限，输出产品优化建议。区别在于：自由探索是「开放式提问」，场景化是「目标导向的分析框架」。
DataFish的27个预设场景覆盖哪些分析需求？
按行业分：餐饮（5个）——渠道利润分析、产品贡献矩阵、损耗黑洞、客流瓶颈分析、客户留存曲线。茶饮咖啡（5个）——爆款依赖分析、品类毛利分析、时段坪效、会员复购频率、配方组合挖掘。零售（5个）——SKU动销分析、ABC库存分类、购物篮分析、货架效率、会员等级分析。生鲜（4个）——天气关联采购、全链损耗追踪、鲜度定价策略、季节品类窗口。服装（4个）——畅销款基因、尺码配比、生命周期管理、试穿转化率。通用（4个）——经营诊断、周报/月报、异常排查、目标达成分析。每个场景都包含：需要什么数据、分析什么维度、输出什么结果、给什么建议。
「先场景后对话」工作流：最高效的分析方法
最佳实践不是「只选场景」或「只自由探索」，而是两者结合。工作流：第一步，选场景——上传数据后，先选择一个最匹配的分析场景。比如你想了解门店整体状况，选「经营诊断」。第二步，看结果——AI在3-5分钟内完成分析，输出完整的报告（图表+洞察+建议）。第三步，追问——在报告基础上，用对话功能追问你关心的细节。「为什么A门店的坪效最低？」「如果排除促销因素，实际增长是多少？」「帮我看看B门店最近3个月的客户留存趋势」。第四步，导出——把完整的分析结果导出为报告。这个工作流的优势：场景分析帮你建立全局认知——你知道了整体状况和重点问题。对话追问帮你深入细节——你针对重点问题做深入探索。整个过程有方向、有重点、不会遗漏。
案例对比：同一个问题，两种方法的结果差异
问题：某连锁品牌老板想知道「这个月经营情况怎么样」。方法一：自由探索。老板问AI「这个月经营怎么样？」AI回答了一些基本指标。老板接着问「有没有什么异常？」AI列出了一些变化。但老板不确定是否问对了问题、是否遗漏了重要信息。整个过程花了20分钟，结果零散，缺乏系统性。方法二：场景分析 + 对话追问。老板选择「经营诊断」场景，AI自动完成5维度全面诊断（营收、客流、效率、商品、客户），3分钟出报告。报告显示门店综合健康评分78分，C门店为红灯状态（连续3个月客流下滑）。老板接着追问「C门店为什么客流下滑？」AI分析发现C门店周边开了2家竞品，分流了30%的午市客流。老板立刻制定了应对方案。整个过程8分钟，发现了一个可能被遗漏的关键问题。
怎么开始用场景化分析？
第一步：确认你的行业和角色。DataFish目前覆盖6个行业（餐饮、茶饮、零售、生鲜、服装、通用），选择与你最匹配的行业。第二步：选择第一个分析场景。如果是第一次使用，建议从「经营诊断」开始——这是一个全维度的健康检查，帮你快速了解整体状况。第三步：准备数据。不同场景需要的数据略有差异，但大多数场景只需要基础的销售数据（日期、门店、品类、金额、数量）。第四步：上传并分析。选择场景后上传数据，AI自动完成分析。第五步：在报告基础上用对话功能追问你关心的细节。DataFish的新用户平均在第一次使用后就能完成从「不知道怎么分析数据」到「找到关键经营问题」的跨越。