MaxCompute SQL AI 实操：使用大模型提效工作总结统计分析

一、引言

在企业日常运营中，工作总结统计是一项高频且重要的数据分析任务。传统的数据分析方法往往需要编写复杂的SQL查询、使用多种工具进行数据处理和可视化，耗时耗力。随着大模型技术的发展，MaxCompute SQL AI 全新上线，让数据分析师可以用熟悉的SQL语言直接调用大模型，实现更智能、更高效的数据分析。

本文将以"工作总结统计类数据"为主题，展示如何使用MaxCompute SQL AI功能，通过简单的SQL语句完成工作总结的智能分析，包括工作内容分类、情感倾向分析、关键信息提取等任务，帮助企业快速洞察员工工作状态和业绩情况。

二、场景描述

假设我们是一家互联网公司的HR分析师，需要对公司员工的季度工作总结进行统计分析。具体需求如下：

1. 对员工工作总结进行自动分类（如项目开发、产品设计、运营推广、客户服务等）
2. 分析工作总结中表达的情感倾向（正面、中性、负面）
3. 提取工作总结中的关键成果和KPI完成情况
4. 生成结构化的统计报告，方便管理层快速了解整体工作情况

传统方法需要：

• 手动整理和分类工作总结
• 使用复杂的文本分析工具进行情感分析
• 人工提取关键信息
• 花费大量时间生成报告

而使用MaxCompute SQL AI，我们可以通过简单的SQL语句实现上述全部功能。

三、准备工作

3.1 环境准备

1. 登录MaxCompute控制台，创建一个MaxCompute项目
2. 确保项目已开通SQL AI功能
3. 配置好SQL开发环境（如DataWorks或MaxCompute客户端）

3.2 数据准备

我们首先需要创建一个包含员工工作总结的表：

-- 创建员工工作总结表
CREATE TABLE IF NOT EXISTS employee_work_summary (
    employee_id STRING COMMENT '员工ID',
    employee_name STRING COMMENT '员工姓名',
    department STRING COMMENT '所属部门',
    work_summary STRING COMMENT '工作总结内容',
    submission_date STRING COMMENT '提交日期'
);

-- 插入示例数据
INSERT INTO employee_work_summary VALUES
('E001', '张三', '技术部', '本季度主要完成了用户管理系统的升级开发，修复了3个关键bug，提升了系统性能约20%。同时参与了新项目的需求评审和技术方案设计，工作进展顺利。', '2025-03-31'),
('E002', '李四', '产品部', '本季度负责产品A的迭代优化，完成了5个功能模块的设计和上线，用户反馈良好。但在跨部门协作中遇到了一些沟通障碍，导致部分功能延迟交付。', '2025-03-31'),
('E003', '王五', '运营部', '本季度组织了3场线上营销活动，累计参与人数超过10万，带来了2000个新用户注册。活动效果超出预期，团队配合默契。', '2025-03-31'),
('E004', '赵六', '客服部', '本季度处理了1500个客户投诉，解决率达到95%。通过优化客服流程，客户满意度提升了10%。但由于系统问题，部分投诉处理延迟，需要进一步改进。', '2025-03-31'),
('E005', '孙七', '技术部', '本季度主要负责数据仓库的维护和优化，完成了数据模型的重构，提高了查询效率。同时学习了新的大数据技术，为团队分享了相关知识。', '2025-03-31');

四、实操步骤

4.1 启用公共模型

首先，我们需要启用MaxCompute的公共模型功能：

SET odps.sql.using.public.model=true;

4.2 工作内容自动分类

使用MaxCompute SQL AI的AI_GENERATE函数，对员工工作总结进行自动分类：

SET odps.sql.using.public.model=true;
SELECT 
    employee_id,
    employee_name,
    department,
    work_summary,
    AI_GENERATE(
        bigdata_public_modelset.default.Qwen3-1.7B-GGUF,
        DEFAULT_VERSION,
        CONCAT('请将以下员工工作总结内容分类到以下类别之一：项目开发、产品设计、运营推广、客户服务、其他。只需要输出类别名称，不要输出其他内容。工作总结内容：', work_summary, ' /no_think')
    ) AS work_category
FROM employee_work_summary;

执行结果：

4.3 情感倾向分析

结合用户提供的情感分析代码风格，我们可以优化情感分析功能。这里使用了/no_think指令后缀，有助于提高模型响应速度：

SET odps.sql.using.public.model=true;
SELECT  
    employee_id,
    employee_name,
    department,
    work_summary,
    AI_GENERATE(
        bigdata_public_modelset.default.Qwen3-1.7B-GGUF,
        DEFAULT_VERSION,
        CONCAT('请对以下员工工作总结进行情感分析分类，输出结果仅限于以下三个选项之一：正面、负面、中性。待分析的工作总结:', work_summary, ' /no_think')
    ) AS sentiment
FROM employee_work_summary;

执行结果：

4.4 批量多维度分析

我们还可以将用户提供的代码结构扩展为批量多维度分析，同时完成分类和情感分析：

SET odps.sql.using.public.model=true;
SELECT  
    employee_id,
    employee_name,
    department,
    work_summary,
    -- 工作内容分类
    AI_GENERATE(
        bigdata_public_modelset.default.Qwen3-1.7B-GGUF,
        DEFAULT_VERSION,
        CONCAT('请将以下员工工作总结内容分类到以下类别之一：项目开发、产品设计、运营推广、客户服务、其他。只需要输出类别名称。工作总结内容：', work_summary, ' /no_think')
    ) AS work_category,
    -- 情感倾向分析
    AI_GENERATE(
        bigdata_public_modelset.default.Qwen3-1.7B-GGUF,
        DEFAULT_VERSION,
        CONCAT('请对以下员工工作总结进行情感分析分类，输出结果仅限于以下三个选项之一：正面、负面、中性。待分析的工作总结:', work_summary, ' /no_think')
    ) AS sentiment,
    -- 工作态度分析
    AI_GENERATE(
        bigdata_public_modelset.default.Qwen3-1.7B-GGUF,
        DEFAULT_VERSION,
        CONCAT('请分析以下员工工作总结中体现的工作态度，输出结果仅限于以下三个选项之一：积极主动、一般、消极被动。工作总结内容：', work_summary, ' /no_think')
    ) AS work_attitude
FROM employee_work_summary;

执行结果：

4.5 关键信息提取

从工作总结中提取关键成果和KPI完成情况：

SELECT 
    employee_id,
    employee_name,
    department,
    work_summary,
    AI_GENERATE(
        bigdata_public_modelset.default.Qwen3-1.7B-GGUF,
        DEFAULT_VERSION,
        CONCAT('请分析以下员工工作总结的情感倾向，输出结果仅限于以下三个选项之一：正面、中性、负面。工作总结内容：', work_summary)
    ) AS sentiment
FROM employee_work_summary;

执行结果：

4.4 关键信息提取

从工作总结中提取关键成果和KPI完成情况：

SELECT 
    employee_id,
    employee_name,
    department,
    work_summary,
    AI_GENERATE(
        bigdata_public_modelset.default.Qwen3-1.7B-GGUF,
        DEFAULT_VERSION,
        CONCAT('请从以下员工工作总结中提取关键成果和KPI完成情况，使用分号分隔。工作总结内容：', work_summary)
    ) AS key_achievements
FROM employee_work_summary;

执行结果：

4.6 生成结构化统计报告

基于以上分析结果，生成结构化的统计报告：

-- 创建分类统计视图
CREATE OR REPLACE VIEW work_summary_statistics AS
SELECT 
    department,
    AI_GENERATE(
        bigdata_public_modelset.default.Qwen3-1.7B-GGUF,
        DEFAULT_VERSION,
        CONCAT('请将以下员工工作总结内容分类到以下类别之一：项目开发、产品设计、运营推广、客户服务、其他。只需要输出类别名称，不要输出其他内容。工作总结内容：', work_summary)
    ) AS work_category,
    AI_GENERATE(
        bigdata_public_modelset.default.Qwen3-1.7B-GGUF,
        DEFAULT_VERSION,
        CONCAT('请分析以下员工工作总结的情感倾向，输出结果仅限于以下三个选项之一：正面、中性、负面。工作总结内容：', work_summary)
    ) AS sentiment
FROM employee_work_summary;

-- 生成部门统计报告
SELECT 
    department,
    work_category,
    sentiment,
    COUNT(*) AS employee_count,
    AI_GENERATE(
        bigdata_public_modelset.default.Qwen3-1.7B-GGUF,
        DEFAULT_VERSION,
        CONCAT('请为以下部门工作统计数据生成一段简洁的分析报告：部门：', department, '，工作类别：', work_category, '，情感倾向：', sentiment, '，员工数量：', CAST(COUNT(*) AS STRING))
    ) AS analysis
FROM work_summary_statistics
GROUP BY department, work_category, sentiment;

执行结果：

五、综合分析与应用

5.1 管理层决策支持

通过MaxCompute SQL AI的分析结果，管理层可以快速了解：

1. 各部门工作分布情况：技术部主要从事项目开发，产品部负责产品设计，运营部专注于运营推广，客服部处理客户服务。

2. 员工工作态度：大部分员工对工作表现出正面情感，说明整体工作氛围良好。

3. 关键成果与问题：

   • 技术部完成了系统升级和性能优化
   • 产品部遇到了跨部门协作问题
   • 运营部活动效果超出预期
   • 客服部需要解决系统问题导致的投诉延迟

5.2 后续优化建议

基于分析结果，我们可以提出以下优化建议：

1. 加强跨部门协作：针对产品部遇到的沟通障碍，建议组织跨部门协作培训或建立更有效的沟通机制。

2. 系统升级与维护：客服部提到的系统问题需要尽快解决，以提高客户满意度。

3. 经验分享与复制：运营部的成功经验可以在公司内部分享，帮助其他部门提升工作效果。

4. 个性化激励：针对表现优秀的员工，可以提供个性化的激励措施，保持团队的积极性。

六、使用体验与总结

6.1 使用体验

1. 零门槛使用：不需要学习新的编程语言或工具，只需使用熟悉的SQL语句即可完成复杂的AI分析任务。

2. 高效便捷：传统需要数天完成的工作总结分析任务，现在可以在几分钟内完成。

3. 准确率高：大模型能够准确理解中文文本内容，分类和分析结果符合预期。

4. 安全合规：所有数据处理都在MaxCompute内部完成，避免了数据外泄风险，符合企业安全合规要求。

6.2 总结

MaxCompute SQL AI为企业提供了一种全新的数据分析方式，让数据分析师可以用熟悉的SQL语言轻松调用强大的大模型能力，实现智能数据处理。在工作总结统计场景中，我们通过简单的SQL语句完成了工作内容分类、情感倾向分析、关键信息提取和统计报告生成等任务，大幅提升了工作效率和分析质量。

随着大模型技术的不断发展和优化，MaxCompute SQL AI将在更多场景中发挥重要作用，帮助企业实现数据驱动的智能决策。无论是快速验证AI想法，还是构建企业级智能数据流水线，MaxCompute SQL AI都为用户提供了一种简单、高效、安全的解决方案。

AI并不遥远，它就在你的下一条SELECT语句里！

七、代码附录

7.1 完整代码清单

-- 启用公共模型
SET odps.sql.using.public.model=true;

-- 创建员工工作总结表
CREATE TABLE IF NOT EXISTS employee_work_summary (
    employee_id STRING COMMENT '员工ID',
    employee_name STRING COMMENT '员工姓名',
    department STRING COMMENT '所属部门',
    work_summary STRING COMMENT '工作总结内容',
    submission_date STRING COMMENT '提交日期'
);

-- 插入示例数据
INSERT INTO employee_work_summary VALUES
('E001', '张三', '技术部', '本季度主要完成了用户管理系统的升级开发，修复了3个关键bug，提升了系统性能约20%。同时参与了新项目的需求评审和技术方案设计，工作进展顺利。', '2025-03-31'),
('E002', '李四', '产品部', '本季度负责产品A的迭代优化，完成了5个功能模块的设计和上线，用户反馈良好。但在跨部门协作中遇到了一些沟通障碍，导致部分功能延迟交付。', '2025-03-31'),
('E003', '王五', '运营部', '本季度组织了3场线上营销活动，累计参与人数超过10万，带来了2000个新用户注册。活动效果超出预期，团队配合默契。', '2025-03-31'),
('E004', '赵六', '客服部', '本季度处理了1500个客户投诉，解决率达到95%。通过优化客服流程，客户满意度提升了10%。但由于系统问题，部分投诉处理延迟，需要进一步改进。', '2025-03-31'),
('E005', '孙七', '技术部', '本季度主要负责数据仓库的维护和优化，完成了数据模型的重构，提高了查询效率。同时学习了新的大数据技术，为团队分享了相关知识。', '2025-03-31');

-- 工作内容自动分类
SELECT 
    employee_id,
    employee_name,
    department,
    work_summary,
    AI_GENERATE(
        bigdata_public_modelset.default.Qwen3-1.7B-GGUF,
        DEFAULT_VERSION,
        CONCAT('请将以下员工工作总结内容分类到以下类别之一：项目开发、产品设计、运营推广、客户服务、其他。只需要输出类别名称，不要输出其他内容。工作总结内容：', work_summary)
    ) AS work_category
FROM employee_work_summary;

-- 情感倾向分析
SELECT 
    employee_id,
    employee_name,
    department,
    work_summary,
    AI_GENERATE(
        bigdata_public_modelset.default.Qwen3-1.7B-GGUF,
        DEFAULT_VERSION,
        CONCAT('请分析以下员工工作总结的情感倾向，输出结果仅限于以下三个选项之一：正面、中性、负面。工作总结内容：', work_summary)
    ) AS sentiment
FROM employee_work_summary;

-- 关键信息提取
SELECT 
    employee_id,
    employee_name,
    department,
    work_summary,
    AI_GENERATE(
        bigdata_public_modelset.default.Qwen3-1.7B-GGUF,
        DEFAULT_VERSION,
        CONCAT('请从以下员工工作总结中提取关键成果和KPI完成情况，使用分号分隔。工作总结内容：', work_summary)
    ) AS key_achievements
FROM employee_work_summary;

-- 创建分类统计视图
CREATE OR REPLACE VIEW work_summary_statistics AS
SELECT 
    department,
    AI_GENERATE(
        bigdata_public_modelset.default.Qwen3-1.7B-GGUF,
        DEFAULT_VERSION,
        CONCAT('请将以下员工工作总结内容分类到以下类别之一：项目开发、产品设计、运营推广、客户服务、其他。只需要输出类别名称，不要输出其他内容。工作总结内容：', work_summary)
    ) AS work_category,
    AI_GENERATE(
        bigdata_public_modelset.default.Qwen3-1.7B-GGUF,
        DEFAULT_VERSION,
        CONCAT('请分析以下员工工作总结的情感倾向，输出结果仅限于以下三个选项之一：正面、中性、负面。工作总结内容：', work_summary)
    ) AS sentiment
FROM employee_work_summary;

-- 生成部门统计报告
SELECT 
    department,
    work_category,
    sentiment,
    COUNT(*) AS employee_count,
    AI_GENERATE(
        bigdata_public_modelset.default.Qwen3-1.7B-GGUF,
        DEFAULT_VERSION,
        CONCAT('请为以下部门工作统计数据生成一段简洁的分析报告：部门：', department, '，工作类别：', work_category, '，情感倾向：', sentiment, '，员工数量：', CAST(COUNT(*) AS STRING))
    ) AS analysis
FROM work_summary_statistics
GROUP BY department, work_category, sentiment;

八、执行截图

总结：通过MaxCompute SQL AI，我们成功实现了工作总结统计的智能化分析，大幅提升了工作效率和分析质量。这种"SQL+AI"的融合方式，让数据分析师可以用熟悉的工具和语言轻松调用大模型能力，为企业决策提供更快速、更准确的支持。