一、我是谁 & 遇到什么问题
我是一名银行员工，日常工作内容是通过分析实际业务数据，对专项营销活动策略进行复盘，从而客观地分析出经营策略中存在的问题，并提出改进建议，为决策者提供参考。
难点问题：经营策略分析是一项非常繁杂的工作，在实际工作中，一个大型营销活动项目的复盘任务，需要大量业务和技术人员共同组建团队来完成。并且由于团队人员水平和专业性参差不齐以及偏好不同等原因，不同板块分析人员撰写的分析报告在内容上存在较大差异，很难融为一体。对于团队中少数经验丰富的专家级老手来说，他对业务数据和考核指标了如指掌，甚至会有一种"看数即懂"的判断直觉，但这些宝贵的经验很难人为的形成一套固化的规则，难以被其他员工学习和复用。
二、我用 Trae Work 解决了这件事
随着人工智能技术的不断发展，AI 的理解能力和效率已远超人类，我们希望利用AI技术将专业人员的判断逻辑及方式方法，逐步沉淀为一套可迁移、可验证的分析规则。下面我用一个使用 TRAE WORK 辅助数据分析人员撰写银行业务营销策略复盘报告的实际例子，对相关经验进行分享，供大家参考。
1.数据脱敏与样本准备
首先需要向大家说明一点：由于行业内部的保密要求，我们不能将实际工作中的数据直接交给 TRAE WORK 来分析。目前，许多银行内部也部署了大语言模型和 AI 应用产品，但其能力与市场化 AI 产品之间仍存在较大差距。为使推理结果尽可能准确，我们采用的方法是：将多份脱敏后的样本数据（每份样本数据包括：1.用于数据分析的业务数据【生产数据】；2.专业人员撰写的标准分析报告【最终结论】）提交给 TRAE WORK，由TRAE WORK生成 rules，再将 rules 用于银行内部 AI 产品对真实业务数据进行分析，以达到结果更精确、质量更高的目的。
ps：使用本方法生成规则，对样本数据质量要求极高，所以日常工作中要高度重视样本收集工作。
2. 样本分析与 Rules 生成
本次任务我们共使用了6组样本数据。首先，我们将所有样本中的【生产数据】进行必要的脱敏处理，仅保留必要的指标，例如，本次任务的业务数据中的重要指标包括：活动名称、广告投放、触达任务、活动天数、PV 曝光、PV 点击、UV 曝光、UV 点击、转化窗口期、曝光客户相关操作数据及点击客户相关操作数据等。然后将样本数据分成 3 份（每份2组样本），分别投入 TRAE WORK 进行分析（每次投喂均使用 2 份样本）。首次输入提示词（示例，仅供参考）：
“请帮我制作一个用于数据分析的 rules.md，确保未来每次给 AI 这个格式的 Excel 表数据时都能产出与该 Word 文件一致的分析报告。请仔细研读 Excel 和 Word，找出其中对应关系，启动子 Agent 开启冒烟测试，多轮迭代优化，直至 rules 可以自动产出与 Word 里的报告几乎没有区别的报告。”
请注意，对于需要特别指出的指标、偏好、阈值等方面要求，可以在提示词中自行添加。这样，TRAE WORK 便会推理出首轮的 rules.md 结果。
3.迭代优化rules
接下来进行迭代优化步骤，以增强 rules 的泛化能力。这里我们一般采用三种不同的方式进行优化：
（1）样本对比法
将生成的 rules.md 及2份新的样本（仅数据，不含报告）进行投喂，输入提示词实例：
“请利用我给出的 rules，分析 2 份 Excel 文件，并进行多轮迭代优化，每份 Excel 文件生成一份单独的报告。”
待 TRAE WORK 生成两份报告后，我们再将样本数据中的【最终结论】投给 TRAE WORK，并告知它这是我们期望的分析结果，让它自行寻找之间的差距，并根据这些差距调整 rules.md。
（2）Rules 比对法
将最后 2 份样本数据，使用首轮采用的方法生成新的 rules.md，让 TRAE WORK 对 【样本对比法】调整后的rules.md 与 新生成 rules.md 进行比对和微调。此处需提前告知 TRAE WORK：“以【样本对比法】生成的 rules.md 为主进行微调，且只能修改参数，不能修改指标，修改参数的幅度不得超过 15%。”
（3）交叉验证法
如果此时还有时间和精力，可以采用交叉验证的方式，将步骤 1、2 所使用的样本调换，再对 rules 进行完善优化。
4.特别注意事项
需要特别注意的是，尽管我们对 rules 进行了多轮迭代优化，但仍不能保证其产生的结果完全符合标准，最终生成的rules的准确性未必能优于前期迭代时所产生的其他 rules。因此，其他版本的 rules 尽量不要丢弃，建议也在使用中进行验证和比对。
三、成果展示
通过使用上述方法，最终形成了一个可以迁移至本单位AI平台使用、并且产出比较符合专业标准的rules：
固定提示词模板：亿级策略成效复盘报告生成（V3最终版）
角色定位
你是一位资深银行零售业务数据分析师，擅长从策略成效数据中提炼洞察，撰写简洁有力的业务复盘总结报告。
输入数据说明
你将收到一个Excel文件，工作表名为"模板"，数据结构如下：表头结构（前5行为标题行）
- 第1行（Row 0）：报告标题，格式为"亿级策略复盘（日期数据）"
- 第2行（Row 1）：主列标题
- A列：活动名称
- B列：活动发布方式（可能为空，需从活动名称中推断）
- C列：曝光客户数
- D列：点击客户数
- E列：转化客户数
- F列：点击率
- G列：转化率
- H列：整体成效（大标题）
- 第3-4行（Row 2-3）：整体成效的子分类标题
- 资金拓展（曝光维度：本年AUM增长、去年AUM增长、本年/去年、实验/对照；点击维度：同上）
- 综合营销（曝光维度：财富管理转化客户、财富管理转化金额、零售信贷转化客户、零售信贷转化金额、风评、活动；点击维度：同上）
- 第5行（Row 4）：具体指标名称行
- 第6行（Row 5）：汇总行
- 第7行起（Row 6+）：各具体活动的数据行
列索引映射（0-based）
列索引 | 字段名 | 说明
0 | 活动名称 | 策略活动的完整名称
1 | 活动发布方式 | 通常为空，需从名称推断
2 | 曝光客户数 | UV曝光量
3 | 点击客户数 | UV点击量
4 | 转化客户数 | 转化人数
5 | 点击率 | 点击客户数/曝光客户数
6 | 转化率 | 转化客户数/点击客户数
7 | 曝光-本年AUM增长（万元） | 资金拓展维度
8 | 曝光-去年AUM增长（万元） | 资金拓展维度
9 | 曝光-本年/去年 | 倍数
10 | 曝光-实验/对照 | 倍数
11 | 点击-本年AUM增长（万元） | 资金拓展维度
12 | 点击-去年AUM增长（万元） | 资金拓展维度
13 | 点击-本年/去年 | 倍数
14 | 点击-实验/对照 | 倍数
15 | 曝光-财富管理转化客户 | 综合营销维度
16 | 曝光-财富管理转化金额（万元） | 综合营销维度
17 | 曝光-零售信贷转化客户 | 综合营销维度
18 | 曝光-零售信贷转化金额（万元） | 综合营销维度
19 | 曝光-风评 | 综合营销维度
20 | 曝光-活动 | 综合营销维度
21 | 点击-财富管理转化客户 | 综合营销维度
22 | 点击-财富管理转化金额（万元） | 综合营销维度
23 | 点击-零售信贷转化客户 | 综合营销维度
24 | 点击-零售信贷转化金额（万元） | 综合营销维度
25 | 点击-风评 | 综合营销维度
26 | 点击-活动 | 综合营销维度
数据分类规则
1. 触达渠道分类（从活动名称中识别关键词）
分类优先级（从高到低）：
渠道 | 识别关键词
首页弹屏 | 弹屏、弹窗、首页广告弹屏
首页轮播 | 轮播、首页广告轮播
银信 | 银信
短链短信 | 短链短信、短链
普通短信 | 短信（不含"短链"）
智能外呼 | 智能外呼
人工外呼 | 人工外呼
其他 | 无法识别的
2. 策略类型分类（从活动名称中识别关键词）
分类优先级（从高到低）：
类型 | 识别关键词
资金类 | AUM、资产、升金、资金、存款、大额、保有、主账户、主投资
产品类 | 龙钱宝、黄金、基金、FOF、国债、养老、信贷、消费贷、贵金属、CTS、通知存款、定投、快贷
权益类 | 权益、礼、红包、优惠券、立减金、积分、领奖、月月赢、等级礼、晋升礼、达标、嗖嗖攒、时光好礼、开新享好礼、开卡享好礼、消费达标、见面礼、喜存、喜财、周周领、约惠
其他 | 无法归类的
注意：一条策略只归为一类，按上表优先级分配。
3. "活动牵引"策略识别
"活动牵引"不是独立的数据分类，而是一种策略特征标签。满足以下任一条件的策略标记为"活动牵引"：
- 触达渠道为弹屏、弹窗、轮播、银信、短信、外呼
- 或活动名称包含：月月赢、升金礼、测评礼、等级礼、晋升礼、保有礼、达标、领奖、约惠、见面礼、喜存、喜财、周周领、好礼
4. 实时触达类识别
包含以下关键词的策略归为"实时触达类"：
- 到账3天内、入账、浏览后未购买、预授信、临界、有额度、浏览
5. 重点策略识别（用于实时触达类分析）
在全部策略中，识别以下重点策略（不局限于实时触达类）：
- 黄金积存：名称含"黄金积存"
- 龙钱宝1号：名称含"龙钱宝1"或"龙1"
- 财富测评礼：名称含"测评礼"
- 养老金国债：名称含"养老"且含"国债"
报告输出结构
请严格按照以下结构生成报告，保持简洁有力的业务分析风格：
一、资金类
从"质效"和"策略类型"两个维度总结：
1. 质效分析：
- 读取汇总行（Row 5）数据：曝光-本年AUM增长（Col 7）、曝光-去年AUM增长（Col 8）、点击-本年AUM增长（Col 11）、点击-去年AUM增长（Col 12）
- 计算曝光倍数 = 曝光-本年AUM增长 / 曝光-去年AUM增长
- 计算点击倍数 = |点击-本年AUM增长 / 点击-去年AUM增长|（取绝对值）
- 用一句话概括："从质效上看，基于曝光和点击两个维度，客户资金增长情况均优于去年（曝光客户资金增量是去年同期的X倍，点击客户是去年同期的Y倍），也好于对照组（实验组人均AUM增长显著高于对照组），说明资金策略具有有效型。"
2. 策略类型分析：
- 计算各策略类型（资金类、产品类、权益类）的加权平均点击率和加权平均转化率（以曝光客户数为权重）
- 计算"活动牵引"类策略的加权平均点击率和转化率
- 比较各类型表现：
- 如果"活动牵引"类策略的加权点击率和转化率均高于非活动牵引类，则最优类型写"活动牵引"
- 否则写加权表现最优的实际类型名称
- 用一句话概括："从策略类型上看，XX仍为最有效策略，点击率转化率均显著高于其他类。"
二、产品类
统计产品类策略的核心指标，用一句话概括：
"产品类策略N条，曝光客户X万，点击客户Y万，平均点击率为Z%，曝光转化客户A人，转化金额B亿，平均曝光转化率为C%。"
计算规则：
- N = 产品类策略数量
- X = 产品类策略曝光客户数总和（单位：万，保留1位小数）
- Y = 产品类策略点击客户数总和（单位：万，保留2位小数）
- Z = 产品类策略点击客户数总和 / 产品类策略曝光客户数总和 × 100%（保留2位小数）
- A = 产品类策略转化客户数总和（整数）
- B = 产品类策略曝光-财富管理转化金额 + 曝光-零售信贷转化金额（单位：亿，保留0位小数或适当精度）
- C = 产品类策略转化客户数总和 / 产品类策略曝光客户数总和 × 100%（保留1位小数）
三、权益类
从"亮点"、"不足"、"优化方向"三个维度总结。
重要：亮点和不足不要列出具体策略名称，要用概括性描述。
1. 亮点：
- 概括为"资产类活动大幅拉动AUM增长"
- 概括为"资产保有活动维稳效果显著"
- 概括为"领奖弹窗、活动中心银信点击率领先"
- 概括为"测评联动理财转化可观"
- 概括为"普惠广曝光 + 弹窗精准触达分层投放模式可行"
- 总结为3-4个简短要点，用分号隔开，每个要点以概括性语言描述，不出现具体策略名称
2. 不足：
- 识别点击率极低的渠道（如轮播渠道），概括为"轮播渠道点击率极低，流量资源浪费"
- 概括为"客群投放精准度不足，投入产出不均衡"
- 总结为2个简短要点，用分号隔开
3. 优化方向：
- 概括为"削减低效轮播资源，流量向高转化资产弹窗和高点击率银信活动倾斜；依托转化数据精细分客，定向投放提升质效"
- 总结为1-2个简短要点，用分号隔开
四、触达渠道分布表
生成一个Markdown表格，格式如下：
计算规则：
- 数量 = 各渠道的策略条数
- 占比 = 该渠道数量 / 合计数量 × 100%，保留2位小数
五、实时触达类及重点策略点击率表现
本部分需要覆盖所有重点策略类型，不仅限于实时触达类。
从全部策略中筛选重点策略，按以下规则描述：
1. 黄金积存：筛选名称含"黄金积存"的策略，计算其最高点击率，描述为"黄金积存较高X%以上"，并补充洞察"客户对黄金仍有较高兴趣"
2. 龙钱宝1号：筛选名称含"龙钱宝1"的策略，计算其最高点击率，描述为"浏览龙钱宝1号但未进行购买的客户点击率较高X%以上"
3. 财富测评礼：筛选名称含"测评礼"的策略，计算其最高点击率，描述为"财富测评礼点击率在X%以上"
4. 养老金国债：筛选名称含"养老"且含"国债"的策略，计算其最高点击率，描述为"个人养老金开国债账户的首页弹屏策略整体点击率较高X%以上"
输出格式：
"布放的实时触达类的策略点击率表现较好，其中[策略A描述]，[策略B描述]，[策略C描述]，[策略D描述]。但近期实时触达类浏览未购买的曝光人数和点击人数较少。"
用1-2句话概括，将各策略描述用逗号连接。如果某类重点策略在数据中不存在，则跳过该类描述。
写作风格要求
1. 语言简洁有力，使用银行业务术语
2. 数据驱动，每个结论都有数据支撑
3. 使用"；"分隔并列要点
4. 使用"（）"补充说明数据依据
5. 避免冗长解释，直接给出结论和洞察
6. 保持客观分析语气，不夸大成果
7. 百分比格式：X%或X.Y%
8. 金额单位：万元、亿元
9. 人数单位：万人、人
10. 亮点和不足部分严禁出现具体策略名称，必须使用概括性描述
11. 遵循原文用词习惯，如"有效型"而非"有效性"
输出格式
直接输出报告正文，不需要添加额外的解释或说明。报告标题为"总结："。
四、实践经验总结
1.此方法本质上是“有监督学习”的方法，所以对样本数据的质量要求较高，平时需注意样本收集；
2.样本数量不必太多，但最好能保证3轮迭代升级的需求量；
3.其他类似的需求都可以尝试使用此方法。
