基于 AntV 做了一个 AI 数据报告生成 Skill,顺手沉淀了一套 B 端 AI 管理界面框架
前段时间一个朋友说,他们公司用传统的外贸 CRM,数据都在里面,系统自带报表也有。但每到季度汇报,还是要花半天手动导出、筛选、配图、写文字。
领导真正想要的,是快速知道下个季度该重点跟哪几个客户。
数据在系统里,不等于报告在系统里。图表堆出来的东西,也不等于真正的报告。
顺着这个思路,我基于 AntV 做了一个报告生成 Skill,顺手沉淀了一套 B 端 AI 管理界面框架,接下来分享这个过程~
01
图表不是报告:大屏、仪表盘、数据报告到底有什么区别
数据可视化工具解决的是"怎么把数字画出来"。柱状图、折线图、饼图——解决的是视觉编码问题,不是分析问题。
先厘清三个概念,它们经常被混用:
数据大屏:解决的是展示问题。它通常出现在会议室、展厅、指挥中心,让人快速感受到"数据很多、系统很强"。受众更多是旁观者,追求视觉冲击和整体氛围,不要求读者完整读完每一项指标。
仪表盘(Dashboard):解决的是巡检问题。它服务的是具体岗位的人,让他每天快速扫一眼:业绩有没有异常、风险有没有冒出来、有没有需要立刻处理的事项。所以仪表盘的信息要精简,判断要快,最好一眼能发现异常,不适合承载太长的分析叙事。
数据报告:解决的是复盘问题。它通常面向阶段性经营分析,需要把一段时间的数据讲清楚:看什么、先看什么、这意味着什么、下一步应该怎么做。所以报告需要完整的叙事结构,结论、数据、解释、建议要串起来。
三者不是谁替代谁,而是使用频率、阅读深度和决策场景不同。
把大屏的视觉风格用在仪表盘上,容易做成"好看但不好用";把报告的信息量塞进仪表盘里,又容易变成"什么都有但看不出重点"。这两种都是很常见的设计错位。
回到报告本身。一份真正的报告需要回答三个问题:
- 看什么
这份数据里,哪些视角是重要的?品类结构、客户集中度、回款风险,优先级是什么? - 先看什么
信息呈现的顺序决定了读者的理解路径。结论放前面还是后面,不是审美问题,是叙事判断。 - 这意味着什么
数字背后的经营洞察,才是报告最核心的价值。"夹克毛利率 32.9%"是数字,"夹克是当前唯一处于高利润高份额区域的明星品类,建议优先保障产能"才是报告。
AI 在这件事上真正能做贡献的,是中间这一层——经营解读。不是画图(画图工具已经很成熟了),而是"基于这份数据,该怎么看、先看什么、意味着什么"这个判断过程。
这也是为什么我把这个项目叫做"报告生成 Skill"而不是"图表生成工具"——两件事的设计目标完全不同。
02
产品案例:出口服装销售分析报告
说清楚了判断,来看真实的产出是什么样的。
我用一份模拟的外贸服装公司(HY International)销售数据跑了一遍完整流程:96 条出口订单,12 家海外客户,6 个品类,覆盖 5 大区域市场,近 12 个月数据。
报告最顶部是"经营建议"区块,不是 KPI 数字。这是整个报告里最重要的设计决策:先给结论,再给数据。
看报告的人往往是时间最紧张的那个——在第一屏就知道最重要的 3 件事,再决定要不要往下深入看。
第二个设计决策是图表选型。品类分析的传统做法是两张柱状图,分别展示销售额和毛利率,读者需要在脑子里做交叉对比。
换成气泡散点图:X 轴是毛利率,Y 轴是销售额占比,气泡大小是订单数,加上均值参考线,四象限自然呈现。读者一眼就能看出谁是"明星品类",谁需要战略决策。
图表选型不是审美偏好,是分析目的决定表达方式。
其他几个图表的选型逻辑也是一样:
回款率分布用直方图,能看出哪个区间的订单最集中,而不是只知道一个平均数 客户×品类用热力图,能发现哪个客户在哪个品类是空白——这是潜在增量 回款缺口用颜色深浅编码的横向条形,颜色越深越需要跟进
03
Report Skill 怎么设计:业务层负责"看什么",AntV 负责"怎么画"
两层分工,各司其职
这个 Skill 最核心的设计判断是把业务层和技术层彻底分开:
业务层(我的 Skill) 负责"看什么" · 这份数据应该分析哪些视角 · 各视角用什么图表类型表达 · 经营解读怎…