很多人做 Power BI 是从”拖图表”开始的。这篇反着来：让 Codex 参与整个 BI 项目——数据体检、业务问题拆解、指标体系与星型模型设计、Power Query 和 DAX 生成、仪表盘规划，最后对结果复算与说明限制。

项目使用 2025 年连锁糕点店模拟经营数据（28 万行销售记录），六步走完一个可复现的 BI 项目。

项目六步流程

数据体检 → 需求拆解 → 模型设计 → DAX 开发 → 仪表盘设计 → 结果 QA

第一步：先让 Codex 做数据体检，而不是立刻画图

拿到 Excel（门店/产品/日期/活动/销售 5 张表），先别急着拖图。提示词：

你是一名 BI 数据分析师。请读取本项目 Excel，先不要画图。
请完成：
1. 识别每张表的粒度、主键和可用分析字段
2. 检查缺失值、重复值、外键、金额计算、日期逻辑和业务逻辑
3. 复算核心指标，并输出数据质量问题清单
4. 对可修正问题生成修正版数据，同时保留质量日志
5. 明确哪些分析当前数据不能支持，不要编造结论

结果：Codex 不只统计缺失值，还把字段间的业务关系放进校验规则。抓出最关键的坑——28,721 条销售记录早于商品上市日期（占 10.2%），不修正，新品的上市表现分析会全失真。处理：只调整受影响商品的上市日期为首次销售日期，其余不动，并生成 Data_Quality_Log。

AI 的价值不是替你决定”什么是真的”，而是把数十万行数据快速变成一组可复核的质量规则。

第二步：把”看销售情况”拆成业务问题

数据可用之后，先限定使用者：连锁门店经营负责人。这个角色关心三件事：

  1. 整体是否增长？（销售额/毛利/订单趋势）
  2. 问题来自哪里？（区域、门店、渠道、时段）
  3. 优先处理哪家门店、哪类产品？（Top/Bottom 分析）

把这三问变成指标体系，再落到模型。

第三步：模型设计——星型模型

  • 事实表：销售事实（销售额、成本、毛利、订单数、会员、渠道、时段）
  • 维度表：门店、产品、日期、活动日历
  • 关系：事实表外键关联各维度表主键

第四步：DAX 开发

关键度量值示例：

总销售额 = SUM('销售事实'[销售额])
毛利率 = DIVIDE(SUM('销售事实'[毛利额]), SUM('销售事实'[销售额]))
上年同期销售额 = CALCULATE([总销售额], SAMEPERIODLASTYEAR('日期'[日期]))
同比增速 = DIVIDE([总销售额] - [上年同期销售额], [上年同期销售额])
Top门店销量 = TOPN(5, VALUES('门店'[门店名]), [总销售额])

时间智能（同比、环比）、筛选上下文（区域联动）、TopN 动态排名，是驾驶舱的三大 DAX 刚需。

第五步：仪表盘设计

  • 首页大屏：总销售额 972.9 万、毛利润 490.3 万、订单量 28.2 万等核心 KPI 卡片
  • 区域商品：上海销量最高；糕点占比 47.82%（销售结构）
  • 门店经营：上海大宁路店销售额最高（门店排行 + 下钻）
  • 下钻路径：区域 → 门店 → 产品，逐层看

第六步：结果 QA

  • 复算：核心指标用原始明细复核一遍，误差在合理范围
  • 异常说明：天气字段与温度不一致 → 首版不输出天气经营结论
  • 限制声明：这是模拟经营数据，展示工作流，不代表真实企业经营情况

经验要点

  • 先体检再建模：10% 的脏数据会让所有下游分析失真
  • 限定使用者：给”门店负责人”做的驾驶舱和给”CEO”做的完全不同
  • AI 生成 DAX 要复核：透视逻辑、时间智能最容易错，必须抽查复算
  • 保留质量日志：每个修正都有据可查，才能谈”可复现”

小结

  • Codex 参与 BI 项目的价值：把脏数据、口径、模型设计这些”苦活”自动化
  • 完整链路：体检 → 拆解 → 建模 → DAX → 看板 → QA
  • 模拟数据可完整复现工作流，拿真实数据做一遍即可迁移

下一篇：用 Codex 完成银行信用逾期风险预测，从 BI 进入建模。