LakeAgent实战 | 业务分析篇从一句提问到业务分析
内容提要
LakeAgent结合DataArts Studio，支持业务人员用自然语言发起订单分析：先检索相关资产与字段，再生成SQL对比两日历史样例，发现记录由59行增至66行，其中NOT SPECIFIED增5行、URGENT减2行；血缘追溯未查到来源，需补充资料。之后可延伸追问、自动生成含查询依据与见解的报告，并沉淀企业规则和定时任务，减少重复分析。
延伸解读
从自然语言到可执行查询的衔接
LakeAgent 将业务人员的口语化提问转化为对数据资产的检索与字段确认，再生成可回看的 SQL。这一过程降低了业务人员直接写 SQL 的门槛，但前提是数据已接入 DataArts Studio 且连接与权限配置就绪。案例中因数据条件从零售订单资产切换到 tpch.orders，说明资产可用性会直接影响分析范围，业务人员需与数据负责人协作确认字段含义。
变化定位与归因的边界
案例通过对比两日历史样例，发现记录行数净增 7 行，其中 NOT SPECIFIED 增 5 行、URGENT 减 2 行，并借助血缘分析尝试追溯来源。但 tpch.orders 的血缘未查到，支付资产链路关联也未建立，因此原因判断仍需补充来源资料。这提示读者：分组变化可以量化，但归因需要额外证据，不能仅凭查询结果下结论。
报告与规则沉淀的实用价值
LakeAgent 能将查询结果、见解和追溯记录组织成报告，并标注比较日期、分组字段和统计单位，便于团队协作核查。对于重复性分析，企业规则可保存已确认的统计口径与输出要求，定时任务则适合范围固定、无需临时交互的场景。但规则需随业务定义或数据资产变化而更新，否则可能沿用失效口径。
Q&A
LakeAgent 如何帮助业务人员从一句自然语言提问开始做订单分析？
LakeAgent 结合 DataArts Studio 的数据资产与专业 Skills，先根据提问检索相关资产和字段，再通过问数分析 Skill 生成 SQL 并执行查询，在对话中逐步看清变化，最后整理查询依据和发现。
在订单分析案例中，两日历史样例的对比结果是什么？
记录行数由 59 增至 66，净增 7 行，约增长 11.86%。分组上，NOT SPECIFIED 增加了 5 行，是净增的主要贡献组；URGENT 减少了 2 行。
为什么这次分析没有找到订单优先级变化的原因？
因为血缘追溯没有查到 tpch.orders 的血缘，随后转查的支付资产与 tpch.orders 的关联尚未建立，所以支付链路还不能用来解释订单优先级的变化。继续分析需要先请资产负责人补充 tpch.orders 自身的来源资料。
LakeAgent 生成的报告包含哪些内容，对团队协作有什么帮助？
报告将查询结果、重点见解和追溯记录组织在一起，写清比较日期、分组字段、统计单位和查询依据，并呈现关键数字与分组变化。它让团队能沿着同一份材料回看依据、讨论变化，并明确下一步需要核查的问题。
如何让下一次类似分析减少重复工作？
团队可以把有效流程沉淀为企业自定义 Skills，把确认过的统计口径和输出要求写入企业规则；对于范围固定、数据和连接持续可用的分析，还可以配置定时任务周期调用 Skills，从而沿用已验证的方法。
LakeAgent 除了问数分析，还提供哪些专业 Skills？
LakeAgent 还提供资产检索、血缘分析、质量检查和元数据补充等专业 Skills，在已配置的工具、连接和权限范围内辅助日常的数据发现、分析与治理。
