Claude 零基础入门数据分析全攻略 – 第三部分:Goal目标设定与可视化

Claude 零基础入门数据分析全攻略 – 第三部分

DIG方法论终章:目标设定与可视化能力 – 从正确方向到完美呈现

视频来源: 综合教程系列(Jeff Su、Tina Huang、Krystian Wojtarowicz)

核心定位: DIG方法论的G部分(Goal Setting)+ Claude的交互式可视化超能力,确保分析方向正确并完美呈现结果

适用人群: 数据分析初学者、业务分析师、AI工具使用者、需要快速生成报告的职场人士

第一部分:核心提纲

DIG方法论回顾

DIG = Description + Introspection + Goal Setting

  • D = Description(数据描述) – 让你和AI都看清数据
  • I = Introspection(数据内省) – 让AI证明它真的懂
  • G = Goal Setting(目标设定) – 确保分析方向正确

DIG方法的本质: 探索性数据分析(EDA)的AI版本。传统方法是拿到数据直接做图,几小时后发现方向错了;DIG方法用前20分钟走完框架,发现问题、确认方向,节省几小时返工时间。


第三步:G – Goal Setting(目标设定)

为什么这步最重要?

反面案例:

老板:"分析一下销售数据"
你:辛苦做了20张精美PPT,各种图表
老板:"等等...我只想知道是否该停产产品X"

Jeff的吐槽:

“当我们的经理是白痴…我是说…当我们在没有清晰目标的情况下分析数据,结果就是技术上正确但完全无用”

目标设定提示词模板

我的目标是理解【在此具体说明目标】。鉴于此目标,我们应该关注数据的哪些方面?

Jeff的实战目标示例:

“理解Apple TV下一步应该投资什么内容”

Tina的对比案例:同样数据,不同目标

场景A:LinkedIn分享

My goal is to answer these questions and turn them into a really exciting interesting report to post on LinkedIn

我的目标是回答这些问题并做成超有趣的报告发布到LinkedIn

→ AI会给你社交媒体风格的分析 + LinkedIn发帖建议

场景B:给老板的报告

My goal is to generate a serious report for my boss regarding salary trends

我的目标是为老板生成关于薪资趋势的严肃报告

→ AI会给你正式商务风格的分析

记忆点: Same data, different goals = 完全不同的输出风格

AI的任务简报:有目标 vs 无目标

没有目标时:

  • AI会做所有可能的分析
  • 生成一堆图表
  • 你不知道哪个重要

有目标后(Jeff的案例):AI的分析路线图

基于你的目标"决定内容投资方向",建议:

第1步:清理数据
第2步:建立体裁记分卡
第3步:排序投资机会
第4步:叠加趋势速度 ← Jeff:"我永远想不到这个"
第5步:用离群值压力测试

示例深度洞察

True Crime(真实犯罪)系列分析

  • 观看量 = 中位数的3倍
  • 每完成小时成本低18%
  • 观看份额:3年从4%升至9%
  • 结论: 这是一个值得投资的体裁

Jeff的感叹:

“有了明确目标,AI直接给我投资建议,而不是一堆无用的统计数字”


4. 衍生篇 – 可视化生成:Claude的超能力

本部分案例来源: Krystian Wojtarowicz (KW) 的演示视频,使用100年S&P 500历史数据展示Claude的代码执行和交互式可视化能力

4.1 基础可视化(1分钟生成)

快速启动提示词

分析这个文档并创建可视化
analyze for me this document and create visualization

适用场景: 快速了解数据概况

Claude特色:

  • 生成交互式图表(可点击查看具体数值)
  • 自动运行Python代码生成可视化
  • 界面会显示”正在运行代码”的新窗口

4.2 双指标关系分析(金融级案例)

完整提示词(KW的S&P 500案例)

analyze for me this document
create a clear simple visualization 
to show the relationship between the S&P 500 values and dividend yield over year
include labels and make the graph easy to understand

分析这个文档
创建清晰简单的可视化
展示S&P 500值和股息收益率在年份上的关系
包含标签,让图表易于理解

Claude自动生成的洞察:

  • “股息收益率在1940s市场低迷期达到峰值”
  • “S&P 500在1980年代后显著增长”
  • “2000年后股息收益率相对较低”

故障修复实例

问题: 数据在图上不可见

解决提示词

I don't see the data on the graph, make it visible
我在图上看不到数据,让它可见

记忆点: “首次尝试可能不完美”(真实使用体验)

4.3 数据切片(大数据集精准提取)

场景: 100年数据太多,只看特定时间段

精准切片提示词

take 20 years of the data starting from 1928
compare the S&P 500 value, dividend yield and bond rate 
over this 20 years span
create a visual representation that highlights the trends
focus on showing how the S&P 500 values have changed 
in relation to dividend yield and bond rates

从1928年开始提取20年数据
对比S&P 500值、股息收益率和国债利率
在这20年期间的变化
创建突出趋势的可视化
重点展示S&P 500如何随股息和国债变化

核心能力: 精准切片任意时间段/子集

4.4 多图表组合(高级技巧)

多图组合提示词结构

create three separate graphs for the S&P 500 data set:
1. a line graph showing how the S&P 500 value changes over time
2. a bar chart showing the dividends paid each year  
3. a scatter graph showing the bond rate changes over time

Finally, create one combined graph that overlays all three metrics

为S&P 500数据创建三个独立图表:
1. 折线图 - S&P 500值随时间变化
2. 条形图 - 每年支付的股息
3. 散点图 - 国债利率变化

最后,创建一个组合图叠加所有三个指标

输出结果:

  • 折线图(S&P 500值)
  • 条形图(股息,带灰色高亮)
  • 散点图(国债利率)
  • 组合叠加图(三个指标在一张图上)

记忆点: Claude能理解”先分别展示,再组合”的复杂指令

第二部分:资源索引

图表类型决策树

你的数据是什么类型?

你的数据是什么类型?
│
├─ 时间序列数据(年份/月份/日期)
│   └─ 用 LINE GRAPH(折线图)
│       提示词:"line graph showing how [指标] changes over time"
│
├─ 分类对比数据(不同产品/地区/类别)
│   └─ 用 BAR CHART(条形图)
│       提示词:"bar chart showing [指标] for each [类别]"
│
├─ 分散点数据(需要看分布规律)
│   └─ 用 SCATTER GRAPH(散点图)
│       提示词:"scatter graph showing [指标] distribution"
│
└─ 需要对比多个指标?
    └─ 先生成各自图表,再用 COMBINED OVERLAY
        提示词:"create combined graph that overlays all metrics"

核心提示词模板库

1. 目标设定模板

我的目标是理解【具体目标】。鉴于此目标,我们应该关注数据的哪些方面?

My goal is to understand [specific goal]. Given this goal, what aspects of the data should we focus on?

2. 基础可视化模板

分析这个文档并创建可视化
analyze for me this document and create visualization

3. 关系分析模板

创建清晰简单的可视化,展示【指标A】和【指标B】在【维度】上的关系,包含标签,让图表易于理解

create a clear simple visualization to show the relationship between [metric A] and [metric B] over [dimension], include labels and make the graph easy to understand

4. 数据切片模板

从【起始点】开始提取【时长】的数据,对比【指标列表】在这段期间的变化,创建突出趋势的可视化

take [duration] of the data starting from [start point], compare [metrics list] over this span, create a visual representation that highlights the trends

5. 多图组合模板

创建【数字】个独立图表:
1. 【图表类型1】 - 展示【内容1】
2. 【图表类型2】 - 展示【内容2】
3. 【图表类型3】 - 展示【内容3】

最后,创建一个组合图叠加所有指标

create [number] separate graphs:
1. [chart type 1] showing [content 1]
2. [chart type 2] showing [content 2]
3. [chart type 3] showing [content 3]

Finally, create one combined graph that overlays all metrics

常见问题快速解决

问题1:图表显示不完整

解决方案:

I don't see [具体内容] on the graph, make it visible
我在图上看不到【具体内容】,让它可见

问题2:图表样式不满意

解决方案:

make the graph more [形容词]
让图表更【形容词】

示例:
- make the graph more professional(更专业)
- make the graph more colorful(更多彩)
- make the graph cleaner(更简洁)

问题3:需要调整时间范围

解决方案:

focus on the period from [起始] to [结束]
聚焦于从【起始】到【结束】的时期

问题4:需要对比特定子集

解决方案:

compare only [条件A] and [条件B]
只对比【条件A】和【条件B】

第三部分:总结与行动

关键要点总结(TL;DR)

  • 目标设定是DIG方法论的终极武器 – 决定分析方向,避免做无用功。相同数据+不同目标=完全不同的输出风格
  • 明确目标让AI成为战略顾问 – 无目标时AI只是制图工具,有目标后AI会主动设计分析路线图,甚至提出你想不到的角度
  • Claude的可视化能力是真正的超能力 – 交互式图表、自动代码执行、对话式调试、理解复杂组合指令,让数据分析从专业技能变成日常对话
  • 从简单到复杂的渐进式提示词 – 基础可视化→关系分析→数据切片→多图组合,每个层级都有标准模板可复用
  • DIG完整流程的时间投资回报 – 前20分钟走完D-I-G框架,节省几小时返工时间。Description看清数据、Introspection确认理解、Goal Setting锁定方向

DIG方法论的终极金句:

“不要让AI成为你的制图工具,要让AI成为你的数据战略顾问。方法很简单:告诉它你的目标,它就会告诉你该怎么做。”

— Jeff Su,《Claude数据分析教程》

Claude 数据分析完整指南系列 · 第三部分:目标设定与可视化

DIG方法论终章 – 让AI从制图工具升级为战略顾问