1.2.3 使用大模型為工作提效

吳老師：隨著科技的發展，“模型”在AI系統中的地位呈日益上升的趨勢（見圖1-11）。你看，從最初依賴規則和搜索算法的AI，到如今生成式AI的廣泛應用，背后的核心就是復雜的深度學習模型。2020年，OpenAI發布了GPT-3，這是一項標志性成果。隨著GPT-3到GPT-4o的迭代，包括擴散模型在內，AI的能力和應用場景得到了極大擴展。生成式AI能生成文本、圖像、音頻等各種形式的內容，不僅豐富了AI的應用，也讓模型在AI系統中所占的比重變得越來越大。

圖1-11

小紅：AI的發展真的好快啊。

吳老師：是的。世界正在全面擁抱AI，很多大公司已搶先布局。比如Meta，2021年9月，Meta股價暴跌75%，很多人認為是元宇宙不成功，但根本原因是廣告業務下滑，而廣告占到了Meta營收的99%。于是Meta開始在AI上布局，之后，股價在兩年內翻了4倍，僅次于英偉達，遠超蘋果、谷歌、特斯拉和微軟。

小紅：竟然能有這么大的提升，Meta具體是怎么利用AI的呢？

吳老師：當時，蘋果的隱私政策升級，80%的用戶拒絕跨應用數據追蹤，導致Meta難以獲取用戶行為數據，廣告精準度下降。Meta隨即調整策略，專注分析用戶在自己平臺上的行為數據，比如瀏覽內容、停留時長、點贊和評論，借此優化廣告推送。他們在AI上投入巨資，僅英偉達H100顯卡就買了60萬塊。Meta的廣告系統Advantage+非常智能，廣告主只需提供產品信息和預算，系統就會自動分析受眾、匹配素材并分配預算，大幅提高了投放效率。AI不僅恢復了Meta廣告的ROI（Return on Investment，投資回報率），還能幫助廣告主更好地理解用戶行為，提升用戶體驗和留存率。此外，Meta還開源了大模型Llama，增強了他們在AI領域的影響力。

小紅：感覺AI還提升了用戶體驗呢。

吳老師：是的。說完Meta，再來聊聊蘋果。2024年2月，蘋果公司做了一個重大的戰略調整，決定放棄他們的電動汽車項目，轉而大力投資AI。這個消息一出來，蘋果的股價就上漲了超過1%。

這是一次戰略調整，表明蘋果看到了AI的巨大潛力。數據分析師預測，AI功能會縮短設備更換周期，因為更多人想體驗新推出的智能功能。特別是蘋果推出的Apple Intelligence體系，它能跨iPhone、iPad和Mac平臺，提升語言和圖像處理能力。在2024年全球開發者大會上，蘋果展示了如何利用自家芯片來支持這些功能。

小紅：聽了Meta和蘋果的例子，我感到世界在擁抱AI，我們數據分析師也要使用AI產品為工作提能增效。

吳老師：對我們來說，目前重要的是能用GPT這個工具提升生產效率，并解決工作中的實際問題。了解GPT能做什么、不能做什么，我們在使用大模型的過程中就會有的放矢，也知道哪里應該自己思考，哪里用大模型來提高效率。GPT如何幫數據分析師？我們直接來問一問。

對于數據分析工作，GPT可以如下方式賦能。

（1）數據分析指導：為數據分析師提供理論指導、技術指導和最佳實踐建議，幫助他們更有效地進行數據處理和分析。

（2）編程和腳本撰寫：輔助數據分析師編寫和調試用于數據處理和分析的腳本，使用Python、R 語言等常用于數據分析的編程語言。

（3）數據可視化建議：提供數據可視化的創意和建議，幫助數據分析師選擇最合適的圖表類型，以有效地展示數據。

（4）報告撰寫輔助：幫助數據分析師撰寫分析報告，提供清晰的結構和表達方式，使報告更加專業和易于理解。

（5）學習和發展：為數據分析師提供最新的數據分析工具、技術和行業動態，幫助他們不斷學習和進步。

通過這些方式，GPT 不僅可以提高數據分析的效率和質量，還可以幫助數據分析師更好地發揮創造力，做出更加明智的決策。

小紅：能做這么多事情呢。能給我編寫代碼、幫助我寫報告，還能指導我的學習發展。

吳老師笑笑：GPT的功能遠不止于此，它不僅能幫助你完成工作中的具體任務，還能為你提供方向性的建議和指導。對于任何具體問題，你都可以向它尋求幫助和解答。

小紅一笑：我現在花時間最多的就是寫代碼，先讓它算個留存率。

為了計算新增用戶的次日留存率，我們可以使用以下SQL腳本：

WITH FirstOrder AS (
    -- 計算每個用戶的首次下單日期
    SELECT user_id, MIN(order_date) AS first_order_date
    FROM order_base
    GROUP BY user_id
),
Retention AS (
    -- 計算次日留存的用戶數
    SELECT
        a.user_id,
        a.first_order_date,
        CASE
            WHEN b.order_date IS NOT NULL THEN 1
            ELSE 0
        END AS retained_next_day
    FROM FirstOrder a
    LEFT JOIN order_base b
    ON a.user_id = b.user_id
    AND DATE_ADD(a.first_order_date, INTERVAL 1 DAY) = b.order_date
)
-- 計算次日留存率
SELECT
    first_order_date,
    COUNT(user_id) AS total_new_users,
    SUM(retained_next_day) AS retained_users,
    SUM(retained_next_day) / COUNT(user_id) AS next_day_retention_rate
FROM Retention
GROUP BY first_order_date
ORDER BY first_order_date;

這個腳本的邏輯如下。

（1）FirstOrder子查詢：計算每個用戶的首次下單日期。

（2）Retention子查詢：對于每個新增用戶，檢查其是否在首次下單的次日也有訂單。如果有，則retained_next_day為1，否則為0。

（3）對于每個首次下單日期，計算總的新增用戶數、次日留存的用戶數和次日留存率。

請注意，這個腳本假設order_date字段是日期類型。如果order_date是日期時間類型，你可能需要使用日期函數（如DATE()）來確保只比較日期部分。

小紅瞪大了眼睛：真是太驚艷了！不但能識別出來要寫腳本解決這個問題，而且每一段代碼都有解釋。我感覺找到了一個全能的伙伴，大大提升了工作效率。