AIGC辅助数据分析与挖掘：基于ChatGPT的方法与实践

内容简介 这是一本能指导数据分析师和数据挖掘工程师在AIGC时代快速实现能力跃迁的著作，教会他们使用ChatGPT等AIGC工具，大幅提升数据分析与挖掘的能力和效率。 全书围绕Excel、SQL和Python这3大常用的数据分析和挖掘工具展开，从方法和实践2个维度系统讲解了如何使用ChatGPT和Bing Copilot等AIGC工具来辅助提升效率。 全书一共8章，内容可以分为四个部分： 1.AIGC工具使用和Prompt撰写 首先详细介绍了数据分析与挖掘能用到的各种AIGC工具的使用方法和注意事项，然后全面讲解了如何面向数据分析与挖掘场景构建高质量的Prompt，包括大量的方法和最佳实践。 2.AIGC辅助Excel数据分析与挖掘 方法角度，详细阐述了AIGC工具如何辅助Excel数据分析与挖掘，包括数据集生成、数据管理、数据处理、数据分析和数据展示等；实践角度，通过RFM分析、时间序列分析和相关性分析等3个方面的案例讲解了AIGC工具与Excel在不同场景中的结合使用。 3.AIGC辅助SQL数据分析与挖掘 方法角度，详细讲解了AIGC工具如何辅助SQL数据分析与挖掘，包括数据准备、查询、清洗、转换、分析等；实践角度，通过广告渠道评估、归因报表、留存报表等3个方面的案例讲解了AIGC工具与SQL在不同场景中的结合使用。 4.AIGC辅助Python数据分析与挖掘 方法角度，详细讲解了AIGC工具如何辅助Python数据分析与挖掘，包括环境构建、数据探索、数据处理、AutoML等；实践角度，通过广告预测、商品分析和KPI监控等3个方面的案例讲解了AIGC工具与Python在不同场景中的结合使用。 除此之外，本书还全面总结了用AIGC辅助这3种数据分析与挖掘工具时会遇到哪些问题以及有哪些注意事项。

宋天龙（TonySong）<br />数据领域资深技术专家，触脉咨询合伙人，前Webtrekk（德国最大在线数据分析服务提供商）中<br />国区前技术和咨询负责人。<br />在数据领域工作15年，积累了大量的数据工作经验、案例、场景和方法，并且在数据分析领域颇有口碑。擅长数据挖掘、建模、分析与运营，精通端到端数据价值场景设计、业务需求转换、数据结构梳理、数据建模与学习以及数据工程交付。在跨境、电子商务、零售、银行、保险等多个行业拥有丰富的数据项目工作经验，参与过集团和企业级数据体系规划、DMP与数据仓库建设、标签和画像系统建设、大数据产品开发、网站流量系统建设、个性化智能推荐与精准营销、企业大数据智能营销与应用等。服务客户包括SHEIN、联合利华、Webpower、德国OTTO集团电子商务（中国），Esprit中国、猪八戒网、顺丰优选、乐视商城、泰康人寿、酒仙网，国美在线、迪信通等。<br />主要研究项目及领域<br />数据化运营 × AI、数据分析、数据挖掘、机器学习、个性化推荐、精准营销、互联网和网站分析。<br />社会资源和身份<br />中国商业联合会数据分析专业委员会《中国大数据人才培养体系标准》专家组成员，虎啸奖评委会委员，DMT数字营销人才认证委员会认证委员。<br />著作成果<br />《Python大数据架构全栈开发与应用》（2023年）<br />《电商流量数据化运营》（2021年）<br />《Python数据处理、分析、可视化与数据化运营》（2020年）<br />《Python数据分析与数据化运营（第2版）》（2019年）<br />《Python数据分析与数据化运营》（2017年）<br />《企业大数据系统构建实战：技术、架构、实施与应用》（2017年）<br />《网站数据挖掘与分析：系统方法与商业实践》（2015年）

序<br />前言<br />第一部分　AIGC基础知识<br />第1章　AIGC赋能数据分析与挖掘2<br />1.1　探索主流的AIGC产品2<br />1.1.1　ChatGPT：AIGC的行业标杆2<br />1.1.2　New Bing Chat：Bing聊天助手3<br />1.1.3　GitHub Copilot：智能编程伙伴3<br />1.1.4　Microsoft 365 Copilot：Microsoft一站式办公AI4<br />1.1.5　Azure OpenAI：Azure云平台服务4<br />1.1.6　Claude：Anthropic AI工具5<br />1.1.7　Google Bard：Google AI对话工具5<br />1.1.8　文心一言：百度AI工具6<br />1.1.9　通义千问：阿里AI工具6<br />1.2　选择适合数据工作的AIGC产品6<br />1.2.1　产品选择攻略：应用场景与关键要素6<br />1.2.2　应用集成AIGC：一站式AI助手7<br />1.2.3　SaaS模式AIGC：灵活的AI as a Service 7<br />1.2.4　私有化部署AIGC：企业定制版AI 9<br />1.3　ChatGPT实操指南9<br />1.3.1　ChatGPT的常用技巧9<br />1.3.2　ChatGPT的高级功能12<br />1.4　New Bing Chat实操指南14<br />1.4.1　New Bing Chat的常用技巧14<br />1.4.2　New Bing Chat的高级功能15<br />1.5　AIGC驱动数据分析与挖掘变革18<br />1.5.1　技能要求：数据从业者的技能演进18<br />1.5.2　应用场景：数据工作的加速器19<br />1.5.3　人机协作：数据工作的新范式19<br />1.6　AIGC在数据工作中的注意事项20<br />1.6.1　基于最新知识的推理限制20<br />1.6.2　“一致性”观点的挑战20<br />1.6.3　数据结果审查与验证21<br />1.6.4　数据安全、数据隐私与合规问题21<br />1.6.5　知识产权及版权问题22<br />1.6.6　社会认知偏差影响数据推理22<br />1.6.7　难以解决大型任务的统筹与复杂依赖问题22<br />1.6.8　垂直领域数据和知识缺失问题22<br />1.6.9　上下文数据容量限制23<br />1.6.10　多模态语境的输入限制23<br />1.6.11　编造事实24<br />1.6.12　合理设置AIGC使用期望24<br />第2章　构建高质量Prompt的科学方法与最佳实践25<br />2.1　Prompt的基本概念25<br />2.2　Prompt对AIGC的影响和价值25<br />2.2.1　模型的输入来源25<br />2.2.2　控制模型复杂度26<br />2.2.3　提高内容生成质量26<br />2.2.4　个性化体验和内容定制27<br />2.3　Prompt输入的限制规则27<br />2.3.1　信息类型的限制27<br />2.3.2　数据格式的约束规则27<br />2.3.3　内容长度的合理限制28<br />2.3.4　对话主题的限制原则28<br />2.3.5　语法和语义的严格限制28<br />2.4　高质量Prompt的基本结构29<br />2.4.1　角色设定：明确AI角色与工作的定位29<br />2.4.2　任务类型：明确AI任务的类别与性质29<br />2.4.3　细节定义：准确定义期望AI返回的输出30<br />2.4.4　上下文：让AI了解更多背景信息30<br />2.4.5　约束条件：限制AI返回的内容31<br />2.4.6　参考示例：优质示例的参考借鉴31<br />2.5　提升Prompt质量的关键要素32<br />2.5.1　指令动词：精确引导模型行动32<br />2.5.2　数量词：明确量化任务要求33<br />2.5.3　函数和公式：运用数学逻辑的威力34<br />2.5.4　标记符号：有效提示引用信息34<br />2.5.5　条件表达：准确限定输出条件35<br />2.5.6　地理名词：地理位置信息的界定35<br />2.5.7　日期和时间词：数据周期的明确表达36<br />2.5.8　比较词：精确比较与对比要求36<br />2.5.9　参考示例词：基于样板输出内容36<br />2.5.10　语言设置：设定合适的输出语言37<br />2.5.11　否定提示词：反向界定与排除歧义37<br />2.6　构建Prompt的最佳实践38<br />2.6.1　明确目标和场景：精准设定任务目标38<br />2.6.2　任务分解：拆解大型、复杂任务39<br />2.6.3　交互反馈：基于正负向反馈的优化40<br />2.6.4　让AI提问：引导模型主动提问41<br />2.6.5　控制上下文：合理管理对话信息量41<br />2.6.6　引导、追问和连续追问：优化对话交互42<br />2.6.7　语言简明扼要：语言表达精炼43<br />2.6.8　使用英文Prompt：借助英文提升质量43<br />2.6.9　输入结构化数据：让AI充分理解数据44<br />2.6.10　提供参考信息：确保信息完整性44<br />2.6.11　增加限制：避免输出宽泛内容45<br />2.6.12　明确告知AI：不知道时请回答“不知道”45<br />2.7　精调Prompt示例：引爆AIGC优质内容46<br />2.7.1　逐步启发和引导式的Prompt精调46<br />2.7.2　从广泛到收缩的Prompt精调47<br />2.7.3　利用反转角色的Prompt精调48<br />2.7.4　基于少样本的先验知识的Prompt精调49<br />2.7.5　基于调整模型温度参数的Prompt精调50<br />2.7.6　基于关键问题的Prompt精调51<br />2.8　Prompt构建工具：轻松撰写提示词52<br />2.8.1　Prompt构建工具简介52<br />2.8.2　New Bing Chat的提示词构建和引导功能52<br />2.8.3　ChatGPT第三方客户端工具的Prompt模板53<br />2.8.4　ChatGPT Prompt Generator：AI驱动的Prompt构建工具56<br />2.9　常见问题56<br />2.9.1　为什么Prompt相同AIGC答案却不一样56<br />2.9.2　会写Prompt就能做数据分析与挖掘吗57<br />2.9.3　如何避免Prompt的内部冲突和矛盾57<br />2.9.4　如何避免Prompt的内部歧义和模糊性58<br />2.9.5　在New Bing Chat中如何选用合适的对话风格来适应不同的数据分析与挖掘场景59<br />2.9.6　如何积累高质量Prompt并形成知识库59<br />第二部分　AIGC辅助Excel数据分析与挖掘<br />第3章　AIGC辅助Excel数据分析与挖掘的方法62<br />3.1　利用AIGC提升数据分析师的Excel技能62<br />3.1.1　利用AI指导Excel操作62<br />3.1.2　利用AI辅助VBA自定义编程63<br />3.1.3　利用Office AI在Excel中实现对话式数据分析65<br />3.1.4　利用Copilot或AI插件增强Excel功能65<br />3.1.5　利用第三方工具扩展Excel应用65<br />3.2　Excel应用中的Prompt核心要素66<br />3.2.1　明确Excel版本环境：确保兼容性66<br />3.2.2　确定数据文件和工作簿来源：导入数据67<br />3.2.3　描述数据字段和格式：规范数据结构67<br />3.2.4　指定确切的数据范围：有效数据引用68<br />3.2.5　提供具有代表性的数据样例：建立引用样本69<br />3.2.6　描述确切的处理逻辑：清晰定义需求69<br />3.2.7　确定清晰的输出规范：定制输出结果70<br />3.3　AIGC辅助生成数据集70<br />3.3.1　AIGC直接生成数据集71<br />3.3.2　AIGC辅助Excel随机数发生器生成数据集72<br />3.3.3　AIGC辅助Excel函数生成数据集72<br />3.4　数据高效管理：AIGC助力数据整合与拆分73<br />3.4.1　数据合并：按行批量追加并合并数据73<br />3.4.2　数据合并：按业务逻辑关联整合75<br />3.4.3　数据拆分：按业务逻辑分割并保存文件78<br />3.5　数据处理助手：AIGC让Excel数据清洗更智能81<br />3.5.1　多条件的数据替换与填充81<br />3.5.2　按条件查找和匹配值82<br />3.5.3　字符串的查找、提取、分割与组合83<br />3.5.4　日期的转换、解析与计算85<br />3.5.5　复杂数据类型的抽样87<br />3.5.6　多条件的数据筛选88<br />35.7　数据替换与缺失值填充89<br />3.5.8　多条件自定义排序91<br />3.6　AI驱动的数据分析：Excel用户的洞察利器92<br />3.6.1　输出并解读描述性统计分析结果92<br />3.6.2　按条件汇总数据94<br />3.6.3　利用数据透视表汇总所有数据95<br />3.6.4　计算不同记录之间的相似度96<br />3.6.5　不需要汇总的合并计算97<br />3.6.6　预测工作表：自动趋势预测99<br />3.6.7　规划求解：优化数据决策100<br />3.6.8　方案管理器：方案效果对比与分析102<br />3.7　数据展现魔法：AIGC助力Excel数据展示105<br />3.7.1　图形化展示：信息传达利器105<br />3.7.2　插入迷你图：数据一目了然108<br />3.7.3　条件格式化：数据美观有序112<br />3.8　常见问题115<br />3.8.1　如何实现AIGC自动化操作Excel115<br />3.8.2　能否将Excel数据直接复制到AIGC的提示中116<br />3.8.3　如何解决输入和输出表格数据过长的问题116<br />3.8.4　如何实现Excel与Markdown表格数据转换116<br />3.8.5　AIGC能否完成数据计算、分析或建模117<br />3.8.6　能否将所有数据输入AIGC进行处理118<br />第4章　AIGC辅助Excel数据分析与挖掘的实践119<br />4.1　AIGC+Excel RFM分析与营销落地：提升客户生命周期价值119<br />4.1.1　RFM模型初探119<br />4.1.2　准备用户交易的原始数据120<br />4.1.3　转换订单时间：从字符串类型转换为日期类型121<br />4.1.4　计算消费频率、消费金额和最近一次消费时间122<br />4.1.5　确定RFM分级标准以及分级实现122<br />4.1.6　基于R、F、M分级形成RFM组合123<br />4.1.7　解决RFM数据记录重复问题124<br />4.1.8　RFM洞察与营销应用126<br />4.1.9　跟踪分析用户个体的RFM变化127<br />4.1.10　跟踪分析用户群体的RFM变化129<br />4.1.11　案例小结130<br />4.2　AIGC+Excel时间序列分析的妙用：发掘用户增长规律131<br />4.2.1　时间序列分析基础131<br />4.2.2　准备用户增长数据132<br />4.2.3　完善时间序列业务分析思维132<br />4.2.4　完善时间序列Excel分析思维133<br />4.2.5　用户增长趋势分析、模型解读与优化尝试134<br />4.2.6　用户增长周期性波动分析136<br />4.2.7　用户增长异常数据分析138<br />4.2.8　用户增长预测及结果解读141<br />4.2.9　案例小结144<br />4.3　AIGC + Excel相关性分析与热力图展示：揭示网站KPI指标的隐秘联系145<br />4.3.1　相关性分析概览145<br />4.3.2　准备网站KPI数据146<br />4.3.3　在一个散点图中绘制21组变量关系146<br />4.3.4　输出7个变量的相关性得分矩阵149<br />4.3.5　使用热力图强化相关性分析结果149<br />4.3.6　相关性判断及相关性结果解读150<br />4.3.7　相关性分析的业务应用151<br />4.3.8　案例小结152<br />第三部分　AIGC辅助SQL数据分析与挖掘<br />第5章　AIGC辅助SQL数据分析与挖掘的方法154<br />5.1　利用AIGC提升SQL数据分析与挖掘能力154<br />5.1.1　利用AI辅助SQL语句编写与调试154<br />5.1.2　利用AI辅助SQL客户端使用155<br />5.1.3　利用IDE集成SQL Copilot/AI工具156<br />5.1.4　使用基于ChatGPT的第三方SQL集成工具或插件156<br />5.2　SQL数据库应用中的Prompt核心要素158<br />5.2.1　说明数据库环境信息158<br />5.2.2　提供数据库表的Schema159<br />5.2.3　描述SQL功能需求160<br />5.2.4　确定SQL输出规范161<br />5.2.5　输入完整代码段161<br />5.2.6　反馈详细的报错信息161<br />5.3　AIGC辅助数据库构建：轻松完成环境准备162<br />5.3.1　选择合适的数据库类型162<br />5.3.2　下载、安装和配置MariaDB数据库163<br />5.3.3　加载和导入数据164<br />5.3.4　将数据库数据导出为普通文件166<br />5.3.5　获取数据库Schema信息167<br />5.4　AIGC解决SQL复杂数据查询之谜169<br />5.4.1　示例1：跨表关联查询169<br />5.4.2　示例2：条件判断与过滤171<br />5.4.3　示例3：标量子查询、子查询和子查询嵌套174<br />5.4.4　示例4：带有窗口函数的排名、首行、末行查询175<br />5.4.5　示例5：分组、聚合查询和多重排序177<br />5.4.6　示例6：使用临时查询表、视图等方法简化查询过程179<br />5.4.7　示例7：使用CTE的WITH语句组织复杂查询逻辑181<br />5.4.8　示例8：将查询结果写入新表、增量写入或更新现有表182<br />5.5　AIGC实现SQL高效数据清洗和转换184<br />5.5.1　数据格式与类型转换184<br />5.5.2　字符串拆分、组合与正则提取186<br />5.5.3　空值、异常值的判断与处理187<br />5.5.4　数据去重188<br />5.5.5　数据归一化和标准化189<br />5.5.6　多行数据聚合为一行190<br />5.5.7　多个查询结果的合并192<br />5.6　AIGC助力高阶数据分析：SQL数据分析大师193<br />5.6.1　描述性数据统计分析194<br />5.6.2　数据透视表分析195<br />5.6.3　排名、分组排名197<br />5.6.4　自定义欧氏距离实现相似度分析199<br />5.6.5　基于均值、同比、环比和加权规则的简单预测分析201<br />5.7　AIGC化解SQL困局：SQL解释、转换、排错、性能优化203<br />5.7.1　SQL解释和逻辑说明203<br />5.7.2　跨异构数据库的SQL转换206<br />5.7.3　SQL排错和问题修复208<br />5.7.4　SQL查询性能优化210<br />5.8　常见问题212<br />5.8.1　本章的知识和内容是否适用于不同数据库212<br />5.8.2　为什么通过关键数据进行逻辑验证必不可少212<br />5.8.3　如何将AIGC生成的SQL语句嵌入Python等程序中214<br />5.8.4　数据库是否可以实现所有的数据分析和数据挖掘功能215<br />5.8.5　为何选择在数据库内执行数据挖掘任务而非使用第三方工具216<br />第6章　AIGC辅助SQL数据分析与挖掘的实践217<br />6.1　AIGC优化广告渠道评估：构建客观、全面的评估体系217<br />6.1.1　广告渠道效果评估概述218<br />6.1.2　构建完整的广告渠道效果指标体系218<br />6.1.3　广告渠道数据的收集和准备220<br />6.1.4　合理剔除高度共线性指标222<br />6.1.5　科学确定指标权重224<br />6.1.6　对转化成本字段缺失值的处理226<br />6.1.7　数据归一化和加权汇总计算228<br />6.1.8　广告渠道评估报表的分析和应用231<br />6.1.9　案例小结232<br />6.2　AIGC复现归因报表：揭示真实转化贡献233<br />6.2.1　转化归因概述233<br />6.2.2　准备广告渠道数据234<br />6.2.3　基于订单ID构建转化周期ID235<br />6.2.4　基于末次归因计算广告渠道订单贡献236<br />6.2.5　基于首次归因计算广告渠道订单贡献238<br />6.2.6　基于线性归因计算广告渠道订单贡献239<br />6.2.7　基于位置归因计算广告渠道订单贡献240<br />6.2.8　归因报表的对比分析和应用242<br />6.2.9　案例小结243<br />6.3　AIGC构建留存报表：发现用户增长的关键244<br />6.3.1　用户留存报表概述244<br />6.3.2　用户留存和留存率的定义244<br />6.3.3　用户数据的收集和准备245<br />6.3.4　基于AIGC生成日留存率报表245<br />6.3.5　用户留存报表的数据验证质量检查247<br />6.3.6　用户留存报表的分析和解读248<br />6.3.7　案例小结249<br />第四部分　AIGC辅助Python数据分析与挖掘<br />第7章　AIGC辅助Python数据分析与挖掘的方法252<br />7.1　利用AIGC提升Python数据分析与挖掘能力252<br />7.1.1　利用AI生成与调试Python代码252<br />7.1.2　利用Copilot/AI工具增强Python编程能力252<br />7.1.3　在Notebook中直接与AI交互254<br />7.1.4　通过ChatGPT Code Interpreter<br />　　　和Pandas AI实现对话式数据分析256<br />7.2　Python应用中的Prompt核心要素257<br />7.2.1　准确描述Python环境和版本257<br />7.2.2　完整陈述代码任务需求258<br />7.2.3　界定代码输出格式和规范258<br />7.2.4　提交完整的Python代码片段259<br />7.2.5　提供清晰详尽的错误反馈259<br />7.3　AIGC智能化环境构建：轻松搞定Python环境260<br />7.3.1　一键安装Python数据分析环境260<br />7.3.2　设置第三方库安装源261<br />7.3.3　安装和管理第三方库262<br />7.3.4　自定义Jupyter默认工作路径263<br />7.3.5　安装Chrome插件ChatGPT-Jupyter-AI Assistant264<br />7.4　AIGC驱动的智能数据探索：数据洞察的新途径266<br />7.4.1　自动输出数据探索报告266<br />7.4.2　整体数据质量评估268<br />7.4.3　异常数据初步解读270<br />7.4.4　变量高相关性分析272<br />7.4.5　数据偏斜分布问题274<br />7.4.6　重复值和缺失值问题277<br />7.5　AIGC驱动的自动化数据处理：简化数据准备过程278<br />7.5.1　智能输出预处理方案278<br />7.5.2　使用链式方法批量实现预处理279<br />7.5.3　利用New Bing Chat上传截图调试代码281<br />7.5.4　管道式特征工程处理及特征解读282<br />7.6　AIGC+AutoML：智能自动化机器学习新纪元284<br />7.6.1　AIGC+AutoML重塑机器学习全流程284<br />7.6.2　7个常用的AutoML库285<br />7.6.3　开箱即用的AutoML应用示范287<br />7.6.4　基于AI的AutoML调优策略288<br />7.6.5　AI调优AutoML代码290<br />7.6.6　使用AutoML预测新数据293<br />7.7　利用AIGC解析机器学习：原理、机制与底层逻辑294<br />7.7.1　AI辅助算法学习：探索不同算法的特性与应用场景295<br />7.7.2　AI辅助特征解读：可视化特征与目标的关系297<br />7.7.3　AI解析分类模型指标：掌握分类模型效果评估基准301<br />7.7.4　AI解析回归模型指标：掌握回归模型效果评估基准302<br />7.8　常见问题303<br />7.8.1　有哪些标准的数据挖掘工作流程303<br />7.8.2　AIGC是否能够协助不具备编程经验的个体成功完成整个数据分析与挖掘过程304<br />7.8.3　为何没有一种算法能够在所有情境下都表现最佳304<br />7.8.4　是否需要订阅付费的OpenAI服务才能执行Python智能任务305<br />7.8.5　Code Interpreter：对ChatGPT数据分析的延伸还是变革305<br />第8章　AIGC辅助Python数据分析与挖掘的实践307<br />8.1　AIGC+Python 广告预测：基于回归模型的广告效果预测307<br />8.1.1　回归模型在广告效果预测中的应用概述307<br />8.1.2　正确标识和追踪广告渠道308<br />8.1.3　识别和排除广告效果中的噪声和异常信息309<br />8.1.4　数据准备：整理广告效果数据311<br />8.1.5　利用AI+AutoML实现广告回归建模312<br />8.1.6　基于不同广告预算预估广告效果313<br />8.1.7　AI以营销经理的身份提供广告预算建议314<br />8.1.8　通过人工反馈纠正AI的错误决策315<br />8.1.9　案例小结316<br />8.2　AIGC+Python商品分析：基于多维指标的波士顿矩阵分析316<br />8.2.1　利用波士顿矩阵进行商品分析概述316<br />8.2.2　波士顿矩阵分析的四维指标317<br />8.2.3　商品数据准备与归一化处理317<br />8.2.4　商品指标加权策略设计318<br />8.2.5　商品指标加权代码设计319<br />8.2.6　基于品类的权重汇总计算320<br />8.2.7　波士顿矩阵结果的图形可视化321<br />8.2.8　波士顿矩阵分析的落地应用325<br />8.2.9　案例小结327<br />8.3　AIGC+Python KPI监控：基于时间序列的异常检测328<br />8.3.1　时间序列在KPI异常检测中的应用概述328<br />8.3.2　时间序列识别KPI异常的挑战与应对策略329<br />8.3.3　数据准备和异常识别329<br />8.3.4　时间序列中的异常值处理331<br />8.3.5　利用AI实现时间序列模型训练331<br />8.3.6　利用New Bing Chat上传截图调试代码333<br />8.3.7　利用自定义回归特征改进时间序列模型334<br />8.3.8　利用时间序列模型检测KPI异常状态336<br />8.3.9　利用ChatGPT-Jupyter-AI Assistant调试代码337<br />8.3.10　异常检测信息的部署应用与告警通知339<br />8.3.11　案例小结340