LLM Business Intelligence Reasoning — LLM 商业智能推理：从数据到决策的 CoT 分析
Skill-LLM-Business-Intelligence-Reasoning · 09-DataAgent-LLM
causalexperimentmulti_agentdata_collectionfraud_detectionpricing广告与投放供应链与补货数据采集与治理MAS与智能体工程定价与利润WF-A 智能补货WF-B 广告优化WF-D 选品扫描WF-F 动态定价WF-I 智能体工程WF-K 全域风险防御WF-L 内容营销增长
年化 ROI¥20-50 万
实现难度⭐⭐☆☆☆
业务视角
适用角色数据分析师 / 运营负责人 · CEO · 供应链负责人
适用平台Amazon SP API · Shopify · TikTok Ads API · 多平台数据整合
什么情况下用数据需求太多，数据团队排期 2 周；非技术人员（采购/客服/运营）有数据问题但不会 SQL；重复报表占用大量时间
成功是什么样的业务方用自然语言自助查数据，常规报表自动化，数据驱动决策响应速度从「天」变「分钟」
业务痛点
1. 解决的问题
运营每周一分析多维度数据准备汇报需要3-4小时，异常出现时根因分析需1-2天——LLM Chain-of-Thought推理将数据→假设→验证→建议自动化，周报分析15分钟完成年化节省人力20-50万元
2. 核心算法逻辑
传统 BI vs LLM 推理 BI：
3. 业务应用场景
业务问题：运营每周一需要分析上周多维度数据（销量/广告/库存/评论/退货率），准备会议汇报需要 3-4 小时。如果这周出现异常（某 ASIN 退货率突然上升），分析原因需要额外 1-2 天。
数据要求： - 标准化的指标 JSON（销量/ROAS/退货率/库存天数/评论均分） - 历史基准（过去4周均值） - 外部信号（竞品价格变化/平台公告/季节日历）
预期产出： - 自动化周报：一页纸的结构化分析（异常→假设→结论→建议） - 异常解释：当任一指标异常时，自动触发深度分析 - 会议 Deck 素材：可直接用于汇报的关键洞察文字
4. 输入数据要求
请查看原始代码模板获取输入规格。
5. 输出结果
请查看原始代码模板获取输出规格。
6. 业务价值 / ROI
- ROI 预估：
- 周报分析时间：3-4 小时 → 15 分钟，年化节省 ¥10-25 万（人力成本）
- 异常响应速度：1-2 天 → 1 小时，快速响应减少异常持续损失 ¥5-15 万/年
- 决策质量：结构化 CoT 比直觉更系统，错误决策减少 20-30%
- 年化综合 ROI：¥20-50 万
- 实施难度：⭐⭐☆☆☆（CoT 提示词工程 + LLM API 接入；规则化版本 1 周，LLM 版本约 2-3 周）
7. 代码模板
代码块数量：3 · 路径：未检测到
"""
LLM Business Intelligence Reasoning
LLM Chain-of-Thought 商业智能推理：数据→决策
（本实现为规则化CoT模拟，生产替换为LLM API调用）
"""
import json
from dataclasses import dataclass
@dataclass
class MetricSnapshot:
"""单指标快照"""
name: str
current: float
baseline: float
unit: str = ''
@property
def change_pct(self):
return (self.current - self.baseline) / (abs(self.baseline) + 1e-8) * 100
@property
def is_anomaly(self):
return abs(self.change_pct) > 15 # 偏离15%以上为异常
@property
def direction(self):
return '↑升' if self.current > self.baseline else '↓降'
def build_cot_prompt(metrics: list[MetricSnapshot], external_signals: dict) -> str:
"""构建 CoT 推理提示词"""
anomalies = [m for m in metrics if m.is_anomaly]
prompt_parts = []
# 数据摘要
prompt_parts.append('=== 本周业务数据摘要 ===')
for m in metrics:
flag = '⚠️ ' if m.is_anomaly else ' '
prompt_parts.append(f'{flag}{m.name}: {m.current:.2f}{m.unit} (基准 {m.baseline:.2f}, {m.change_pct:+.1f}%)')
# 外部信号
if external_signals:
prompt_parts.append('\n=== 外部信号 ===')
for signal, value in external_signals.items():
prompt_parts.append(f'{signal}: {value}')
# CoT 推理框架
prompt_parts.append('\n=== Chain-of-Thought 分析 ===')
prompt_parts.append(f'异常指标: {[m.name for m in anomalies]}')
prompt_parts.append('请按以下步骤推理:')
prompt_parts.append('Step 1 - 异常识别: 哪些指标偏离最大？')
prompt_parts.append('Step 2 - 假设生成: 可能原因（3-5个，按概率排序）')
prompt_parts.append('Step 3 - 证据检验: 结合外部信号验证假设')
prompt_parts.append('Step 4 - 根因定位: 最可能的主要根因')
prompt_parts.append('Step 5 - 行动建议: P0/P1/P2 优先级行动清单')
return '\n'.join(prompt_parts)
8. 论文来源
- 2407.09783