让一部分企业先学到真知识!

余星冰:深入探索AI:从DeepSeek到办公效率革命

余星冰老师余星冰 注册讲师 7查看

课程概要

培训时长 : 1天

课程价格 : 扫码添加微信咨询

课程分类 : 人工智能

课程编号 : 38497

面议联系老师

适用对象

需要使用AI办公软件的全体员工

课程介绍

【课程背景】

随着人工智能技术的飞速发展,越来越多的AI应用被引入到办公场景中,从文档处理、数据分析到会议协作、PPT设计,AI正逐步改变着我们的工作方式。本课程精选时下热门的AI前沿应用,如ChatGPT、智能会议工具、AI生成PPT等,通过理论讲解与实战操作相结合的方式,让学员快速入门并掌握这些工具的基本操作与应用技巧。通过本课程的学习,学员将能够更高效地处理办公任务,减少重复劳动,提升工作质量,同时培养对AI技术的敏锐洞察力,为未来的职业发展奠定坚实基础。

本课程适合对AI感兴趣、希望提升办公效率的职场人士,以及对AI技术应用有需求的各行业从业者。

通过本课程,希望帮助职场人士掌握最新的AI技术,提升办公效率,实现工作与生活的更好平衡。

【课程收益】

1、 掌握AI在职场中的核心应用

2、 掌握运用AI提升工作效率,优化服务流程

3、 掌握AI化思维,助力企业智能化转型

【课程特色】

干货,没有废话;科学,逻辑清晰;实战,学之能用;投入,案例精彩

【课程对象】

需要使用AI办公软件的全体员工

【课程时间】

1-2天6小时/天

【课程大纲

第一天

上午:理论缘起与概念导入

· 第一章:AI大模型概览与DeepSeek全解析(3小时)

o AI技术概述与历史发展

o 当前主流AI大模型概览(通义、Kimi、豆包、智谱清言、讯飞星火、DeepSeek等)

o DeepSeek介绍:功能特性、应用场景及优势分析

o 实战操作:DeepSeek基础操作入门

下午:常用指令实操入门

· 第二章:文档处理应用(3小时)

o 文档处理工具详解:文本生成、编辑、校对与润色

o 场景一:文档摘要提炼技巧与实践

o 场景二:自动做PPT的方法与流程优化

o 实操练习:使用DeepSeek撰写并提炼文档摘要;自动生成PPT演示文稿

o 小组讨论:如何在实际工作中高效利用这些工具?

第二天

上午:深入交互指令与能力边界

· 第三章:AI大模型的工作原理与能力边界(3小时)

o AI大模型工作原理简介

o 探讨AI大模型的能力边界及潜在挑战

o 案例分析:AI在不同行业中的成功应用与限制

o 提问技巧训练:“五层递进式提问法”的高级应用

下午:扩展性应用与未来展望

· 第四章:数据与会议场景的应用(3小时)

o 数据分析与图表制作:Excel AI插件介绍与实战

o 使用AI进行会议信息记录、音视频文件上传与内容生成

o 实操练习:根据提供的数据集生成财务报表和图表;将会议录音转换为文字纪要

o 小组讨论:AI技术在提升工作效率方面的局限性与突破点

课程总结与反馈(最后0.5小时)

· 总结两天的学习要点

· 学员分享学习心得与体会

· 收集学员反馈,评估课程效果

余星冰老师的其他课程

• 余星冰:数据化运营策略与执行
【课程背景】 在数字化转型的大潮中,企业运营越来越依赖于数据驱动。然而,仅仅拥有数据并不足以保证成功,关键在于如何将数据转化为有效的运营策略并执行到位。本课程旨在培养学员在数据化运营方面的核心能力,包括数据挖掘、分析、解读以及基于数据的策略制定与执行。通过深入学习,学员将掌握如何构建数据驱动的运营体系,提升运营决策的科学性和精准度,从而在激烈的市场竞争中实现高效运营和持续增长,为企业创造更大的价值。 【课程背景】 1、 掌握数据化运营核心,明确数据化运营对企业发展的意义 2、 构建数据驱动体系,设计并应用高质量的数据指标来评估业务表现; 3、 提升决策精准度,实现高效运营与持续增长。 【课程对象】 品牌零售、营销、运营、数据分析及零售从业者等人员 【课程时长】 1-2天(6小时/天) 【课程大纲】 一、数据化运营与数据指标 1、什么是数据化运营? ● 定义与理解 ● 目标设定 ● 指标设计 ● 指标应用 2、数据化运营本质 3、数据化运营目标与目的 4、数据运营与数据化运营的区别 5、数据指标 ● 过程型指标 ● 结果型指标 案例:支付宝结果指标到过程指标的拆解(案例可根据行业更换) 6、如何设计高质量的数据指标 7、数据指标的组合应用 8、电子商务数据指标与指标多样性困扰 9、我们需要关心哪些核心指标 ● 核心理论: ● 西肖尔的三层指标检验标准 案例:某制造业关键数字化运营指标制定(案例可根据行业更换) 10、运营活动的量化 ● 运营活动要素 ● 需要哪些过程指标与结果指标 案例:天猫双十一指标拆解案例(案例可根据行业更换) 二、数据分析与策略 1、数据采集 ● 数据获取与准备:数据采集的方法及数据清洗的重要性。 ● 分析框架:提供一套分析流程,从明确分析目标到数据可视化展示。 ● 策略制定:基于数据分析的结果来制定有效的运营策略。 2、数据处理 ● 采集、清洗、预处理数据。 ● 数据清洗 ● 数据预处理 3、数据分析框 ● 构建用户、行为、洞察分析框架。 ● 用户 ● 行为 ● 洞察 4、数据分析的5大步骤 ● 明确目标 ● 数据预处理 ● 特征分析 ● 算法建模 ● 数据表达 5、数据可视化 ● 可视化方式 ● 可视化价值 6、数据报告 7、形成策略 ● 数据指导策略 ● 功能优化 ● 迭代与创新 ● 问题解决 8、数据价值 ● 数据可洞察真相 ● 数据可转化行动 ● 数据的引导思路 案例: 20万零售店运营管理 三、数据化运营体系建设行动指南 1、数据化运营体系商业目标 ● 体系建设: ● 路径选择: ● 思路梳理: 2、数据化运营体系定位与价值 ● 释放数据价值 ● 让决策更科学 ● 让决策更高效 ● 使运营更智慧 3、数据化运营体系建设方法论 ● 数据体系 ● 运营体系 ● 方法体系 ● 组织体系 4、企业数据化运营体系建设的路径选择与行动指南 5、数据化运营7大思路 ● 分解思路 ● 追踪思路 ● 结合思路 ● 对比思路 ● 节点思路 ● 锚点思路 ● 行为标记思路 6、数据能力赋能运营 - 运营进阶 ● 明确体系的商业目标、定位与价值。 ● 体系建设方法论,包括:数据、运营、方法和组织体系。 ● 路径选择与行动指南:七大运营思路。 ● 数据能力对运营进阶的重要性。
• 余星冰:数据驱动决策—制造业的业务分析与洞察力提升
【课程背景】 在全球化竞争日益激烈的背景下,制造业面临着成本上升、效率低下和资源浪费等多重挑战。数据驱动决策作为一种先进的管理理念和技术手段,为解决这些问题提供了新的路径。 首先,许多制造企业由于缺乏有效的数据分析能力,难以准确把握生产流程中的瓶颈问题,导致资源浪费和成本增加。 其次,传统决策模式过于依赖经验和直觉,无法适应快速变化的市场环境,限制了企业的竞争力提升。 再者,随着工业物联网(IoT)的发展,企业积累了海量的数据,但如何有效利用这些数据进行精准决策成为了新的难题。 本课程旨在通过系统讲解数据驱动决策的基本理论与方法论,结合制造业特点,帮助学员掌握从数据收集到洞察生成的全过程,进而推动企业实现智能化转型。 【课程收益】 1. 掌握数据驱动决策的核心技能:学员将学习到如何利用数据分析工具和技术,如统计学、预测分析及机器学习,来优化生产流程、提高产品质量和降低成本。 2. 理解并应用数据治理框架:课程中不仅会介绍数据治理的重要性,还会教授如何在企业内部实施数据治理框架,确保数据质量,从而支持更明智的业务决策。 3. 增强跨部门协作与沟通能力:通过丰富的互动环节和实战演练,学员能够更好地理解各部门间的数据需求与挑战,促进信息共享和团队合作,共同推动数据驱动的文化建设。 4. 构建数据驱动的企业文化:了解如何在组织内推广数据意识,培养全员基于数据做决策的习惯,从根本上提升企业的灵活性和响应速度,以应对不断变化的市场需求。 【课程特色】 1、理论结合实际,聚焦真实工作任务,提供实战型解决策略及步骤 2、丰富互动及演练,激发学员思考,促进知识理解,强化操作记忆 【课程对象】 企业销售、财务、运营、市场、人事等部门的中高管和专家骨干 【课程时间】 1-2天(6小时/天) 【课程大纲】 第一部分:数据驱动决策的基础与重要性 1.1 开场与课程介绍 · 1.1.1 课程背景与目标 · 1.1.2 制造业数据驱动决策的现状与趋势 · 1.1.3 学习目标与期望设定 1.2 数据在决策中的角色 · 1.2.1 数据、信息与知识的转化过程 · 1.2.2 数据驱动决策与传统决策模式的对比 o 数据驱动决策核心概念概述 什么是数据驱动决策?——数据驱动决策的定义与重要性 数据驱动决策在制造业中的价值:提升效率、降低成本、优化资源配置。 数据驱动决策在制造业中的应用案例分析(如生产优化、成本控制等) 数据驱动决策的挑战与机遇 o 数据驱动决策的理论框架 数据洞察到决策的逻辑路径 数据可视化在决策中的作用 数据驱动决策的模型构建与应用 · 1.2.3制造业数据驱动决策的关键要素 o 制造业数据的特点与挑战 制造业数据的类型:生产数据、设备数据、供应链数据、质量数据等。 制造业数据分析的常见挑战:数据孤岛、数据质量、实时性要求。 o 数据治理与质量保障 o 数据分析工具与技术:统计学、预测分析、机器学习等 · 1.2.4制造业中数据决策的成功案例分享 o 案例一:某汽车制造企业通过数据分析优化生产线布局 o 案例二:某电子制造企业利用数据分析优化供应链管理 o 案例三:某传统制造业企业通过数字化转型实现智能化生产 1.3 数据文化与组织变革 · 1.3.1 建立数据驱动的文化氛围(组织数智素养) · 1.3.2 中高层管理者在数据驱动变革中的角色 · 1.3.3 小组讨论:结合企业实际问题进行数据驱动决策模拟 o 分组任务:每组选择一个制造业实际问题(如生产效率提升、库存管理优化等),讨论我们企业的数智素养与数据文化现状与挑战 第二部分:数据收集、处理与分析基础 2.1 数据收集与整合 · 2.1.1 制造业数据来源概述(生产、供应链、销售等) o 数据类型及其来源 o 数据质量的重要性 o 制造业数据驱动的现状与挑战 制造业数据的特点。  数据孤岛与数据质量的问题。 o 案例分享:美的集团如何通过数据驱动优化生产流程。 · 2.1.2 数据整合工具与方法简介 · 2.1.3数据导入与清洗基础 o 数据收集工具与方法。 o 数据清洗的常见方法。 o 数据预处理的重要性。 2.2 数据分析基础 · 2.2.1 描述性统计分析 · 2.2.2 数据可视化原理与工具(图表选择、Excel/Tableau基础) · 2.2.3 小组练习:使用Excel进行基础数据分析与可视化 2.3 数据质量与治理 · 2.3.1 数据质量的重要性 · 2.3.2 数据治理框架简介 · 2.3.3 数据在制造业中的应用 o 生产流程优化案例 o 质量控制中的数据分析实例 · 小组讨论: o 讨论如何在本部门优化数据收集流程。 o 如何在我们企业实施数据治理 2.4 高级数据分析技术在制造业中的应用 1. 预测分析与优化 o 时间序列分析在生产预测中的应用 o 因果分析在质量控制中的应用 2. 机器学习与智能算法 o 制造业中机器学习的应用案例(如设备故障预测、质量检测等) o 智能算法在供应链优化中的作用 3. 大数据技术在制造业中的实践 o 大数据技术如何支持制造业的数字化转型 o 工业物联网(IoT)在实时数据分析中的应用 4. 数据的基础知识 5. 互动环节 o 小组讨论:“您所在部门面临的数据挑战有哪些?” 第三部分:从数据到洞察的决策方法论 3.1 数据驱动决策的流程框架(10:30 - 11:00) o 数据收集 → 数据清洗 → 数据分析 → 数据可视化 → 洞察与决策。 3.2 数据分析工具与方法(11:00 - 11:30) o 描述性分析:发现问题(如生产效率下降、设备故障率上升)。 o 诊断性分析:分析原因(如设备老化、原材料质量问题)。 o 预测性分析:预测趋势(如设备故障预测、需求波动预测)。 o 规范性分析:制定解决方案(如优化生产计划、调整供应链策略)。 3.3 业务问题分析框架 · 3.3.1 问题定义与界定 · 3.3.2 数据分析问题的类型(分类、预测、关联等) · 3.3.3 小组讨论:选取一个制造业实际问题进行分析框架构建 3.4 数据探索与假设验证 · 3.4.1 数据探索方法(数据分布、异常值检测) · 3.4.2 假设检验基础 · 3.4.3 实战演练:针对选定问题进行数据探索与假设设定 3.5 决策模型构建与应用 · 3.5.1 简单决策模型介绍(如决策树、回归分析) · 3.5.2 模型评估与选择标准 · 3.5.3 小组项目:构建并评估一个针对制造业问题的决策模型 第四部分:制造业行业案例分析与小组讨论 4.1 制造业数据驱动决策案例分享 · 4.1.1 生产效率提升案例分析 · 4.1.2 供应链优化案例分析 · 4.1.3 产品质量控制案例分析 4.2 制造业数据分析的关键场景 · 生产效率分析:如何通过数据发现生产瓶颈。 · 设备维护分析:如何通过数据预测设备故障。 · 供应链优化:如何通过数据分析降低库存成本。 · 质量控制:如何通过数据分析提升产品合格率。 4.3 小组讨论:案例应用与本土化 · 4.2.1 分组讨论:如何将分享案例应用到本企业 · 4.2.2 识别本企业可实施的数据驱动决策项目 · 4.2.3 汇报与反馈:各小组分享讨论成果 第五部分:高级数据分析技术与工具 5.1 高级数据分析技术概览 · 5.1.1 机器学习基础概念 · 5.1.2 深度学习在制造业的应用前景 · 5.1.3 大数据与云计算在数据分析中的角色 5.2 数据分析工具介绍 · 5.2.1 Python数据分析库等简介 · 5.2.2 R语言在数据分析中的应用 · 5.2.3 BI工具的高级功能应用(如power BI等) 5.3 使用高级工具进行数据分析 · 5.3.1 选择一个制造业场景进行数据分析 · 5.3.2使用Python/R或BI工具进行数据分析 5.4 高级数据分析技术在制造业中的应用 1. 预测分析与优化 o 时间序列分析在生产预测中的应用 o 因果分析在质量控制中的应用 o 根因分析法用于故障排查 2. 机器学习与智能算法 o 制造业中机器学习的应用案例(如设备故障预测、质量检测等) o 智能算法在供应链优化中的作用 3. 大数据技术在制造业中的实践 o 大数据技术如何支持制造业的数字化转型 o 工业物联网(IoT)在实时数据分析中的应用 4. 案例分享:成功实施数据驱动决策的企业经验 o 案例一:某制造企业通过MES系统实现生产流程优化 o 案例二:某企业利用数据分析提升客户满意度 o 案例三:某汽车制造商如何通过数据分析提升生产线效率 o 案例四:某电子制造公司如何通过数据驱动决策降低库存成本 o 案例五:某制造企业通过数据分析优化供应链管理。 第六部分:数据驱动决策的实施与持续优化 6.1 数据驱动决策项目的实施步骤 · 6.1.1 项目规划与管理 · 6.1.2 团队组建与角色分配 · 6.1.3 实施过程中的常见挑战与应对策略 6.2 数据驱动决策的持续优化 · 6.2.1 监控与评估机制建立 · 6.2.2 数据反馈循环与决策调整 · 6.2.3 持续改进的文化与机制 6.3 数据驱动决策的落地实施策略 · 数据驱动文化构建 · 数据团队建设与人才培养 · 数据治理体系建设 6.4 建立数据驱动的决策框架 · 构建有效的KPI体系 o 关键绩效指标的选择与设定 o 如何利用KPI指导日常决策 · 数据驱动决策流程 o 数据收集、处理、分析、报告的完整流程 o 决策制定中的风险管理 o 数据可视化与决策支持  数据可视化的工具与方法:仪表盘、趋势图、热力图等。  如何通过可视化工具快速发现数据中的问题。 6.5数据决策机制的实施与持续改进 · 数据治理与合规性 o 数据隐私保护法规概览 o 数据安全最佳实践 · 推动企业文化变革 o 如何培养全员的数据意识 o 鼓励跨部门协作的数据文化 · 案例探讨 o 某机械制造企业成功转型为数据驱动型组织的经验 · 小组讨论 o 探讨如何在自己部门推行数据驱动的文化 6.6 结课总结与行动计划制定 · 6.3.1 回顾课程重点内容 · 6.3.2 学员分享学习心得 · 6.3.3 制定个人/部门数据驱动决策行动计划 附件-备用案例:制造业数据驱动决策的实践案例 1. 生产流程优化 o 通过数据分析发现生产瓶颈。 o 案例:某企业优化生产流程的案例。 o 案例:某家电制造企业通过供应链数据分析优化库存管理。 2. 质量控制与改进 o 数据驱动的质量检测与改进。 o 案例:某企业通过数据分析减少次品率。 o 案例: 3. 成本控制与资源优化 o 数据分析在成本控制中的应用。 o 案例:某制造企业通过数据分析优化资源分配。 o 案例:某机械制造企业通过设备数据分析实现预测性维护。 4. 制造业数据分析的深度应用 o 高级分析方法:回归分析、聚类分析、时间序列分析。 o 案例分享:某制造企业通过高级分析优化生产排程。 5. 数据驱动决策的组织落地(13:30 - 15:00) o 如何构建数据驱动的组织文化。 o 数据驱动决策的挑战与解决方案。 6. 小组讨论 o 讨论如何在本部门应用数据驱动决策优化业务。
• 余星冰:数字化产品设计
【课程背景】 产品经理存在的价值是洞察用户心理和用户诉求,寻找背后的市场机会和商业规律。尤其是当下全面进入存量市场的时代,“如何打造让客户尖叫的产品体验”来提升客户留存与复购,成了很多产品经理所要解决的问题。而产品经理们在工作中往往会遇到以下困难: 1、客户需求不清,闭门造车:瞬息万变的VUCA时代,客户需求变化飞快,有时候甚至客户也说不清楚自己需要什么。而如果把握不准用户需求和痛点,就会影响产品的设计和开发。 2、产研成本高、周期长:产品研发不可避免的存在废品率,高居不下的研发投入不仅带来了产品营收回本的账期压力,也伴随着对市场预判的机会风险。 3、新品推向市场难:新品推出往往伴随着学习成本的增加,如果不能清晰说明和完整验证产品价值,新品销售往往起步很难,也很难说清楚到底是产品的问题还是销售的问题。 本课程将帮助产品经理提升在市场洞察、用户需求、产品定位、市场投放四个关键任务上的工作效能,提升产品经理的工作信心和投入积极度。 【课程收益】 1、了解一款产品从产生概念到推向市场的全流程 2、掌握3种市场调研的常用工具方法 3、明确辅导并运用4种用户洞察的的工具方法 4、掌握产品灰测阶段的验收要点及验收标准设定 5、了解产品上市宣传需要考虑的各项筹备工作 【课程特色】 1、理论结合实际,聚焦产品经理真实工作任务,提供实战型解决策略及步骤 2、丰富互动及演练,激发学员思考,促进知识理解,强化操作记忆 【课程对象】 本课程适用于企业内的产品经理、用户体验设计师、市场营销人员、客服经理等中层业务骨干和高潜人群 【课程时间】 1-2天(6小时/天) 【课程大纲】 第一部分:能打动客户的产品才热卖 1、视频:乔布斯苹果发布会 2、什么样的产品能打动客户 3、让你的业务蓬勃发展的秘密武器 第二部分:产品设计前期准备 1、用户研究与需求分析 (1)目标用户画像 - 详细描绘目标用户群体的特征、需求、偏好及行为习惯。 - 细分市场:依据年龄、性别、职业等因素划分用户群体。 - 需求调研:通过问卷、访谈、观察等方式收集用户需求。 (2)竞品分析 - 分析竞争对手产品特点、优劣,寻找市场空白点。 - 功能对比:比较核心功能、用户体验、界面设计。 - 差异化策略:制定产品差异化方向,确立竞争优势。 (3)价值主张设计 - 明确产品的核心价值,解决用户痛点,满足未被充分服务的需求。 2、产品定位与愿景 (1)产品定位 - 确定产品在市场中的位置,明确解决的问题和提供的价值。 - 市场细分定位:选择特定市场细分领域深入服务。 - 品牌定位:塑造品牌形象,传达品牌价值。 (2)愿景与目标 - 设定长远发展目标,指引产品发展方向。 3、功能规划与优先级 (1)功能清单 - 列出产品所需的所有功能特性。 - 基础功能:确保满足用户基本需求。 - 增值功能:提升用户体验,增加产品粘性。 (2)优先级排序 - 使用MoSCoW(Must-Have, Should-Have, Could-Have, Won't Have This Time)法则,确定功能开发顺序。 第三部分:交互与视觉设计 1、信息架构与导航设计( 1)信息架构 - 组织内容和功能模块,确保逻辑清晰,易于用户理解。 - 层次结构:构建合理的页面层级和内容分类。 (2)导航设计 - 设计直观易用的导航系统,帮助用户快速找到所需内容。 - 全局导航:提供主要功能入口。 - 辅助导航:面包屑、侧边栏等辅助用户定位。 2、交互设计 (1)交互原型 - 创建交互原型,模拟用户与产品的互动过程。 - 流程图:展现用户操作流程。 - 线框图/低保真原型:快速验证界面布局和交互逻辑。  (2)交互细节 - 确定交互元素的响应方式、动画效果,提高可用性和愉悦感。 3、视觉设计 (1)设计语言与风格 - 设定统一的设计语言,包括色彩、字体、图标等,体现品牌特色。 - 色彩系统:建立色彩搭配规则。 - 图标设计:符合功能特性的图形符号。 (2)高保真原型 - 制作高保真视觉设计稿,展示最终产品外观。 - 界面设计:精细打磨每个界面细节。 第四部分:开发与测试 1、技术选型与开发  (1)技术栈选择 - 根据产品需求选择合适的前端、后端技术栈。 - 前端框架:React、Vue等。 - 后端服务:Node.js、Spring Boot等。  (2)开发流程 - 采用敏捷开发,持续集成/持续部署(CI/CD)。  2、产品质量保证 (1)单元测试与集成测试 - 编写自动化测试脚本,确保代码质量。 - 功能测试:验证功能是否按预期工作。 (2)用户测试 - 邀请真实用户进行测试,收集反馈,迭代改进。 - 可用性测试:评估产品的易用性。 第五部分:上线与迭代 1、发布策略 (1)版本规划 - 划分产品版本,逐步推出新功能。 - MVP:最小可行性产品快速验证市场。 (2)市场推广 - 制定推广计划,扩大产品影响力。 - 数字营销:社交媒体、SEO等策略。 2、数据分析与用户反馈 (1)数据监控 - 建立数据分析体系,监控用户行为、留存率等关键指标。 - A/B测试:优化产品功能和用户体验。 (2)持续迭代 - 基于用户反馈和数据分析结果,持续优化产品,迭代升级。 - 反馈循环:建立快速响应用户需求的机制。 第六部分:筹备与放大市场效应 1、早期用户招募与内测 2、增强品牌意识,塑造用户心智 (1)付费广告与公关活动 (2)社交媒体平台与用户互动 (3)品牌合作活动及品牌策略 (4)行业展会和会议 (5)优化网站搜索 (6)案例:向全球顶尖的企业学品牌打造(苹果、耐克、可口可乐、麦当劳、宝马) 3、合作伙伴关系 4、影响者营销 5、客户推荐及鼓励计划 第七部分:要点回顾和闭坑指南 1、趣味互动:要点回顾 2、闭坑指南 (1)一个失败案例的教训 (2)产品打造常见的3个坑 3、未来产品经理的成功画像展望

添加企业微信

1V1服务,高效匹配老师
欢迎各种培训合作扫码联系,我们将竭诚为您服务