DeepSeek | AI需求分析

运行环境jupyter notebook (python 3.12.7) Dash场景收集了小程序的问题点和优化建议一键AI分析快速排优先级指令话术对收集的小程序问题点和建议做需求分析并总结形成报告报告结构1.核心问题总结汇总数据概况列出3-5条关键问题2.优先级清单表格形式分类并列出数据支撑的明细内容标注优先级P0-P3、影响范围、实现成本、用户价值、解决方案、责任人、工期、工期依据用红色标注高优先级、高价值、低成本注用户价值对核心业务和用户体验的影响实现成本开发资源与时间投入3. 优先级矩阵横轴为用户价值纵轴为实现成本分四个象限标注需求项4.详细分析根因数据支撑5.用Python的Dash框架将以上报告做成Dashboard给出完整可运行的代码附件《小程序的问题点和优化建议》或直接黏贴全文代码pip install dash plotly pandas matplotlibimport dash from dash import dcc, html, Input, Output import plotly.express as px import pandas as pd import plotly.graph_objects as go # 准备数据 issues_data { 分类: [数据问题, 数据问题, 查询功能, 查询功能, 界面优化, 功能增强, 功能增强, 界面优化, 功能增强, 通知系统], 问题描述: [回单显示不完整, 订单状态更新延迟, 增加客户编码查询, 区域订单过滤, 异常红点显示数量, 显示冷链温度, 实时配送轨迹, 界面吸引力提升, 承运商信息显示, 异常订单弹窗通知], 优先级: [P0, P0, P1, P1, P2, P1, P1, P3, P1, P2], 影响范围: [高, 高, 中, 中, 低, 中, 中, 低, 中, 中], 实现成本: [中, 低, 低, 中, 低, high, high, 中, 低, 中], 用户价值: [高, 高, 中, 中, 中, 中, 高, 低, 中, 中], 解决方案: [优化回单显示逻辑, 增加状态同步机制, 扩展查询条件, 增加区域筛选, 优化红点逻辑, 接入温度数据, 集成地图API, UI优化, 扩展订单详情, 实现通知机制], 责任人: [前端组, 后端组, 前端组, 全栈组, 前端组, 后端组, 全栈组, 设计组, 前端组, 全栈组], 工期: [2周, 1周, 1周, 2周, 3天, 3周, 4周, 2周, 1周, 2周], 复杂度: [中等, 简单, 简单, 中等, 简单, complex, complex, 中等, simple, 中等] } df pd.DataFrame(issues_data) # 创建Dash应用 app dash.Dash(__name__) app.layout html.Div([ html.H1(小程序问题与建议需求分析仪表板, style{textAlign: center}), # 访问提示 - 添加在标题下方 html.Div([ html.P(访问 http://localhost:8050 查看Dashboard, style{textAlign: center, color: #666, fontStyle: italic}) ], style{marginBottom: 20px}), # 第一部分核心问题总结 html.Div([ html.H2(1. 核心问题总结), html.Ul([ html.Li(数据完整性与显示问题多个地区反馈数据不全、显示不一致、回单显示不完整等问题), html.Li(查询功能不足查询条件不足、区域过滤需求、实时数据更新问题), html.Li(订单状态管理问题状态更新延迟、异常通知不足), html.Li(界面与用户体验问题界面吸引力不足、信息展示不直观), html.Li(功能缺失缺少关键业务功能如冷链温度显示、配送轨迹、承运商信息) ]) ], style{marginBottom: 30px}), # 第二部分优先级清单 html.Div([ html.H2(2. 优先级清单), html.Div([ dcc.Dropdown( idpriority-filter, options[{label: 全部, value: 全部}] [{label: p, value: p} for p in df[优先级].unique()], value全部, style{width: 200px} ) ]), html.Div(idpriority-table-container), html.P(*红色标注项为高优先级高价值低成本的需求, style{color: red, fontStyle: italic}) ], style{marginBottom: 30px}), # 第三部分详细分析 html.Div([ html.H2(3. 详细分析), html.Div([ dcc.Graph(idissue-distribution), html.H4(根因分析:), html.Ul([ html.Li(后端API未返回完整数据前端未正确处理所有数据字段), html.Li(初期设计未考虑区域过滤需求实时数据更新机制不完善), html.Li(状态同步机制存在延迟异常检测与通知系统不完善), html.Li(初期以功能为主UI设计投入不足信息展示未充分考虑业务场景需求) ]), html.P(共收集到23条反馈其中数据相关问题7条(30%)查询功能问题5条(22%)状态管理问题4条(17%)界面问题3条(13%)功能增强需求4条(17%)) ]) ], style{marginBottom: 30px}), # 第四部分优先级矩阵 html.Div([ html.H2(4. 优先级矩阵), dcc.Graph(idpriority-matrix, style{height: 800px}), html.Div([ html.P(高价值低成本象限(右上): 回单显示优化, 状态同步机制, 客户编码查询, 承运商信息显示), html.P(高价值高成本象限(左上): 实时配送轨迹, 冷链温度显示), html.P(低价值低成本象限(右下): 异常红点数量, 界面吸引力), html.P(低价值高成本象限(左下): (当前无需求落在此区域)) ], style{marginTop: 20px}) ], style{marginBottom: 30px}) ]) # 回调函数过滤优先级表格 app.callback( Output(priority-table-container, children), Input(priority-filter, value) ) def update_priority_table(selected_priority): if selected_priority 全部: filtered_df df else: filtered_df df[df[优先级] selected_priority] def style_row(row): if row[优先级] in [P0, P1] and row[用户价值] 高 and row[实现成本] in [低, 中]: return {backgroundColor: rgba(255, 0, 0, 0.1)} else: return {} table html.Table([ html.Thead(html.Tr([html.Th(col) for col in filtered_df.columns])), html.Tbody([ html.Tr([html.Td(filtered_df.iloc[i][col], stylestyle_row(filtered_df.iloc[i])) for col in filtered_df.columns]) for i in range(len(filtered_df)) ]) ], style{width: 100%, borderCollapse: collapse, marginTop: 20px}) return table # 回调函数更新问题分布图 app.callback( Output(issue-distribution, figure), Input(priority-filter, value) ) def update_issue_distribution(selected_priority): if selected_priority 全部: dist_df df[分类].value_counts().reset_index() else: dist_df df[df[优先级] selected_priority][分类].value_counts().reset_index() dist_df.columns [分类, 数量] fig px.pie(dist_df, values数量, names分类, title问题分类分布) return fig # 回调函数更新优先级矩阵 app.callback( Output(priority-matrix, figure), Input(priority-filter, value) ) def update_priority_matrix(selected_priority): value_map {高: 3, 中: 2, 低: 1} cost_map {high: 3, 中: 2, 低: 1} matrix_df df.copy() matrix_df[价值数值] matrix_df[用户价值].map(value_map) matrix_df[成本数值] matrix_df[实现成本].map(cost_map) if selected_priority ! 全部: matrix_df matrix_df[matrix_df[优先级] selected_priority] label_positions { 回单显示不完整: {x: 0.1, y: 0.1}, 订单状态更新延迟: {x: -0.1, y: 0.1}, 增加客户编码查询: {x: 0, y: 0.15}, 区域订单过滤: {x: 0, y: -0.15}, 异常红点显示数量: {x: 0.1, y: -0.1}, 显示冷链温度: {x: -0.1, y: 0.15}, 实时配送轨迹: {x: 0.15, y: 0}, 界面吸引力提升: {x: -0.15, y: 0}, 承运商信息显示: {x: 0, y: 0.1}, 异常订单弹窗通知: {x: 0, y: -0.1} } fig go.Figure() fig.add_trace(go.Scatter( xmatrix_df[价值数值], ymatrix_df[成本数值], modemarkers, markerdict(size12, colorblue), hovertextmatrix_df[问题描述], hoverinfotext, showlegendFalse )) annotations [] for i, row in matrix_df.iterrows(): label row[问题描述] x_pos row[价值数值] y_pos row[成本数值] x_offset label_positions.get(label, {}).get(x, 0) y_offset label_positions.get(label, {}).get(y, 0) annotations.append(go.layout.Annotation( xx_pos x_offset, yy_pos y_offset, textlabel, showarrowFalse, fontdict(size10), xanchorcenter, yanchorbottom )) fig.add_shape(typeline, x02, y00, x12, y13, linedict(colorgray, width1, dashdot)) fig.add_shape(typeline, x00, y01.5, x13, y11.5, linedict(colorgray, width1, dashdot)) fig.update_layout( title优先级矩阵 (横轴:用户价值, 纵轴:实施成本), xaxisdict( title用户价值, range[0.5, 3.5], tickvals[1, 2, 3], ticktext[低, 中, 高], constraindomain ), yaxisdict( title实施成本, range[0.5, 3.5], tickvals[1, 2, 3], ticktext[低, 中, 高], scaleanchorx, scaleratio1 ), annotationsannotations, margindict(l50, r50, b50, t50, pad20), height800, hovermodeclosest ) fig.add_annotation(x1, y3, text低价值高成本, showarrowFalse, fontdict(colorgray)) fig.add_annotation(x3, y3, text高价值高成本, showarrowFalse, fontdict(colorgray)) fig.add_annotation(x1, y0, text低价值低成本, showarrowFalse, fontdict(colorgray)) fig.add_annotation(x3, y0, text高价值低成本, showarrowFalse, fontdict(colorgray)) return fig if __name__ __main__: # 在启动时打印访问提示 print(\n请访问 http://localhost:8050 查看Dashboard\n) app.run_server(debugTrue, port8050) # 端口默认8050可调整8051 8052注意不同AI输出结果略有不同相同输入条件多次输出结果略有不同输出代码偶尔还需要调试