现代商业分析已超越简单的需求收集阶段；如今它要求分析师具备高水平的数据操作与可视化技术能力。AI从根本上改变了分析师与数据的交互方式，将数小时的编码和故障排除转化为几分钟的战略优化。
以下提示词经过严格测试和优化，适用于ChatGPT、Gemini、Claude和DeepSeek。虽然每个模型都拥有独特的架构——DeepSeek通常在纯代码逻辑方面表现出色，而Claude擅长语义理解——但这10个提示词为任何希望有效利用SQL、Tableau和Power BI的商业分析师提供了一个通用、高性能的基础框架。
1. 从自然语言生成复杂SQL查询
最佳适用模型： DeepSeek（逻辑精确性）或ChatGPT（多功能性）。
编写包含窗口函数的多表连接查询容易出错。此提示词强制AI根据简单的英语业务逻辑构建语法正确的SQL。
扮演高级数据工程师角色。我需要一个兼容[PostgreSQL/SQL Server/MySQL]的标准SQL查询。
我的数据库模式包含三个表：
1. 'Orders'（OrderID, CustomerID, OrderDate, TotalAmount）
2. 'Customers'（CustomerID, Region, SignupDate）
3. 'Returns'（ReturnID, OrderID, ReturnReason）
编写一个查询，计算过去12个月每个区域的“退货率”（退货订单百分比）。首先使用CTE处理日期筛选。输出代码并附上解释逻辑的注释。
收益： 消除复杂连接中的语法错误，确保通过公共表表达式（CTE）高效处理日期逻辑。
2. 优化缓慢的SQL查询
最佳适用模型： DeepSeek（代码效率）。
当查询挂起或消耗过多资源时，您需要一个优化伙伴来识别瓶颈，而无需手动重写整个逻辑。
审查以下SQL查询以进行性能优化。识别具体低效之处，例如不必要的子查询、非SARGable谓词或低效连接。
[在此处插入您的缓慢SQL查询]
提供优化后的代码版本，并准确解释哪些更改降低了计算成本。
收益： 即时识别隐藏的性能杀手，减少查询运行时间和服务器负载。
3. 创建复杂的DAX时间智能度量值
最佳适用模型： ChatGPT（标准行业知识）或Claude（上下文解释）。
Power BI中的时间智能（例如，同比成长比较）通常需要巧妙的筛选上下文操作。
扮演Power BI专家角色。我需要一个DAX度量值来计算“同比销售成长率%”。
- 事实表：'Sales_Data'
- 日期表：'Date_Table'（通过Date键关联）
- 度量值：[Total Sales]
DAX必须处理潜在的除零错误，并确保尊重视觉对象的外部筛选上下文。提供[YoY Sales Growth %]的代码以及支持的[Sales Last Year]度量值。
收益： 生成可投入生产的DAX代码，稳健处理缺失数据或除法错误等边缘情况。
4. 设计Tableau详细级别（LOD）表达式
最佳适用模型： Claude（细微差别）或Gemini（逻辑性）。
LOD表达式（FIXED、INCLUDE、EXCLUDE）功能强大但语法严格。此提示词帮助您绕过试错阶段。
我正在Tableau中工作，需要一个FIXED详细级别（LOD）表达式。
我想计算“每个客户的平均订单价值”，无论视图中当前有哪些维度（例如，区域或类别）。
- 维度：[Customer Name]
- 度量：[Sales]
编写计算字段公式。然后解释，如果我按“Region”筛选与按“Order Date”筛选（上下文筛选器），此计算将如何表现。
收益： 阐明计算与视图筛选器之间的交互，防止报告中常见的聚合错误。
5. 将业务逻辑转化为数据库模式
最佳适用模型： Claude（擅长解析业务意图）。
在编写代码之前，分析师通常需要构建数据模型。此提示词将抽象需求转化为具体的模式设计。
扮演数据架构师角色。我有一个跟踪SaaS产品订阅服务的需求。
我们需要跟踪：
- 用户（可拥有多个订阅）
- 订阅计划（层级1，层级2）
- 计费周期（月度，年度）
- 支付历史
为此需求提出一个星型模式设计（事实表和维度表）。列出每个表的主键和外键。
收益： 提供数据建模蓝图，确保Power BI或Tableau中的可扩展性和准确的报告关系。
6. 调试Power Query中的“M”代码
最佳适用模型： DeepSeek（技术调试）或ChatGPT。
Power Query的“M”语言区分大小写，且语法错误 notoriously 难以调试。
我在Power Query编辑器中收到以下M代码脚本的'Expression.Error'。
[在此处插入M代码片段]
目标是取消透视A、B和C列，同时保持“ID”列固定。诊断语法错误或逻辑缺陷，并提供更正后的脚本。
收益： 通过精确定位数据转换层中的确切语法错误，节省数小时的挫败时间。
7. 自动化数据字典创建
最佳适用模型： Gemini（处理大文本输入）或Claude。
文档至关重要但繁琐。使用AI为您的利益相关者生成清晰的定义。
以下是我们'Inventory_Snapshot'表中的SQL列名及其数据类型列表。
[在此处插入列表示例：例如，SKU, Qty_OH, Reorder_Lvl, Last_Audit_Date]
为业务利益相关者生成用户友好的数据字典。为每一列提供清晰、非技术性的定义，说明数据代表什么以及应如何在分析中使用。
收益： 弥合技术数据结构与业务理解之间的差距，确保利益相关者正确解读报告。
8. 生成用于数据清洗的正则表达式
最佳适用模型： DeepSeek或ChatGPT。
在SQL或Python/Pandas中清洗混乱的字符串（如提取电子邮件域或格式化电话号码）需要精确的正则表达式。
我需要一个用于SQL函数（或Python）的正则表达式（Regex）模式。
目标数据包含如下字符串：
“ID: 4522 - LOC: NY - Date: 2023/05”
“ID: 9981 - LOC: CA - Date: 2024/01”
编写一个Regex模式以仅提取位置代码（例如，'NY', 'CA'）。解释该模式如何识别正确的子字符串。
收益： 提供具体、复杂的文本提取逻辑，可立即测试和部署。
9. 战略仪表板布局与KPI选择
最佳适用模型： Claude（设计与策略）。
有时挑战不在于代码，而在于视觉叙事。
扮演数据可视化专家角色。我正在为CFO构建关于“运营性运营支出”的执行仪表板。
建议我应在顶部显示的5个关键KPI。对于每个KPI，推荐最能传达趋势与预算对比的具体可视化类型（例如，BAN、迷你图、子弹图）。解释您布局选择的心理学理由。
收益： 提升仪表板设计，专注于决策制定而非仅展示原始数据。
10. 将Excel逻辑转换为SQL/DAX
最佳适用模型： ChatGPT（多功能转换）。
分析师经常继承需要迁移到强大数据库或BI工具的大型Excel文件。
我有一个复杂的Excel公式，需要转换为[SQL Case语句 / Power BI DAX]。
Excel公式：
=IF(AND(A2>1000, B2="Premium"), "High Priority", IF(A2>500, "Medium", "Low"))
将此逻辑转换为目标语言，确保其能适当处理空值。
收益： 将遗留业务逻辑无缝迁移到可扩展的企业系统中。
专业技巧：“上下文优先”链
要获得卓越结果，不要只是复制粘贴提示词。使用提示词链。首先，粘贴您的模式或数据样本（匿名化处理），并要求AI“分析此结构并确认您理解关系。”仅当AI确认理解后，才发出具体的任务提示词。这为模型的上下文窗口进行了预热，可显著提高准确性。
通过掌握这些输入，您将从编写代码的技术人员转变为架构解决方案的战略家。将这些提示词整合到您的日常工作中，不仅会加速您的产出，还将标准化您在SQL、Tableau和Power BI中的洞察质量。