第 2 章 · 用户与使用场景
2.1 目标用户画像
ADAP 面向三类核心用户，覆盖从业务决策者到数据工程团队的完整谱系。
用户画像 A：业务决策者 / 数据分析师
| 属性 | 描述 |
|---|---|
| 典型职位 | 运营总监、业务分析师、产品经理、部门负责人 |
| 技术背景 | 熟悉 Excel / BI 工具，不会写 SQL，不了解 Glue/Athena 等技术 |
| 核心诉求 | 快速获得业务洞察；不想依赖数据团队排期；看得懂结果 |
| 痛点 | 有数据、有问题，但不知道如何分析；向数据团队提需求等待周期长 |
| 期望 | "我只需要告诉系统我的数据库在哪，AI 帮我分析出有价值的结论" |
用户画像 B：数据工程师 / 数据平台团队
| 属性 | 描述 |
|---|---|
| 典型职位 | 数据工程师、数据平台工程师、云架构师 |
| 技术背景 | 熟悉 AWS 数据栈（S3、Glue、Athena、EMR），会写 SQL 和 Python |
| 核心诉求 | 降低重复性建设工作；快速搭建数据链路并交付给业务团队 |
| 痛点 | 大量时间消耗在机械重复的 ETL 配置、建表、权限设置上 |
| 期望 | "让 AI 自动生成 ETL 脚本和建表语句，我只需要 Review 和部署" |
用户画像 C：中小企业技术负责人 / 初创公司 CTO
| 属性 | 描述 |
|---|---|
| 典型职位 | CTO、技术总监、独立开发者 |
| 技术背景 | 懂技术但没有专职数据团队 |
| 核心诉求 | 用最小成本构建数据分析能力；快速验证数据价值 |
| 痛点 | 没有数据工程师，AWS 数据栈学习成本高，无法自建数仓 |
| 期望 | "一个能替代数据团队的自动化平台，成本可控" |
2.2 典型使用场景
场景一：电商企业数据分析（核心 Demo 场景）
背景：某电商企业运营团队有一个 MySQL 数据库，包含订单、用户、商品、营销等 12 张业务表，共约 150 万行数据。运营总监想了解销售趋势和用户行为，但公司没有数据分析师。
使用流程：
① 运营总监登录 ADAP，在首页选择「新建数据源」
② 填写 MySQL 连接信息（JDBC URL + SSM Key），保存为「电商主库」
③ 在首页选择「电商主库」，输入业务描述（可选）：「分析用户购买行为和销售趋势」
④ 点击「开始分析」→ AI 开始自主工作
⬇ AI 自动执行（Analytics Advisor → Data Product Manager）
⑤ 跳转「分析方向确认页」：
- 数据画像卡片：识别为「电商行业」，12张表，150万行，时间跨度 2 年
- AI 推荐 5 个分析方向（可勾选）：
· 销售漏斗分析（GMV 趋势）
· 用户 RFM 分层
· 品类表现对比
· 营销活动 ROI
· 用户留存率分析
- 每个方向显示：预计耗时、预计成本、核心 KPI
⑥ 运营总监勾选前 3 个方向，点击「确认，开始执行」
⬇ AI 后台执行（Data Integration → Analytics Advisor → Data Governance → Query Builder → Visualization）
⑦ 跳转「执行监控页」：
- Agent DAG 可视化，实时显示各 Agent 执行状态
- 每个 Agent 运行时显示计时器和工作日志
- 全程约 8~15 分钟
⑧ 执行完成，进入「分析结果页」：
- 数据资产：ODS/DWD/DWS/ADS 四层表清单
- 数据画像：字段统计、关联关系
- 合规报告：PII 字段标注（用户手机号、邮箱等）
- Athena SQL 历史：所有建表和 ETL 语句
- QuickSight 仪表盘：点击直达，3 个图表仪表盘已就绪
⑨（可选）点击「转生产」：配置 MWAA 调度，固化为每日自动更新的数据管道结果：运营总监在 15 分钟内，从零获得了一个包含 GMV 趋势图、用户分层分布、品类销售对比的 QuickSight 仪表盘，无需任何技术背景。
场景二：复用已有数据源，快速验证新分析方向
背景：数据团队已接入了「电商主库」并完成过一次分析。产品经理想针对同一数据源，单独分析「用户留存率」。
使用流程：
- 首页直接从下拉框选择「电商主库」（无需重新填写连接信息）
- 输入分析需求：「分析用户月留存率和复购周期」
- 系统检测到 ODS 层数据已存在，自动跳过重复 ETL，直接从数据建模阶段开始
- 约 3~5 分钟完成新的留存率仪表盘
幂等复用机制（Issue #65）：系统自动识别已存在的 Glue Database 和 ODS 表，跳过重复数据接入，节省时间和成本。
场景三：草稿模式 — 先保存，稍后执行
背景：数据工程师配置好了一个新数据源，但希望先保存，等业务确认分析方向后再启动。
使用流程：
- 填写数据源 + 分析描述后，点击「保存草稿」（而非「开始分析」）
- 项目以
draft状态保存到历史列表 - 业务确认后，在历史页找到草稿项目，点击「开始执行」
- 流程正常继续
草稿状态流转：
draft→initializing→exploring→ready（等待确认）→running→completed
场景四：转生产 — 一键固化为自动调度管道
背景：分析项目验证成功，需要将每日数据自动更新并刷新仪表盘。
使用流程：
- 项目完成后，监控页/结果页出现「转生产」按钮
- 弹出配置对话框，填写：
- EMR Serverless Application ID
- MWAA DAG S3 路径
- 调度频率（默认每日）
- Production Pipeline Agent 自动：
- 生成包含完整 ETL 逻辑的 Airflow DAG Python 文件
- 创建 Glue ETL Job（ODS 增量同步，自动识别时间字段作为 Bookmark Key）
- 将 DAG 文件上传到 MWAA S3 桶
- MWAA 开始按计划调度，数据每日自动更新
场景五：查看历史项目 & 项目管理
背景：团队已积累多个分析项目，需要管理和查看历史结果。
操作路径：
- 历史页：查看所有项目，带状态标记（草稿/进行中/已完成/失败）、创建时间、成本
- 下线项目：项目不再使用时，删除对应 MWAA DAG，停止调度（保留数据）
- 删除项目：
- 模式 A：仅删除元数据（保留 AWS 资源，快速）
- 模式 B：级联删除（同时删除 Glue Tables、S3 数据、DynamoDB 记录）
2.3 用户旅程地图
完整的用户旅程分为五个阶段，对应五个核心页面：
【登录页】
↓ 认证（Cognito）
【首页 / HomePage】
· 选择/新建数据源
· 输入分析需求（或从推荐 prompt 选择）
· 保存草稿 or 直接执行
↓ 提交后跳转
【分析方向确认页 / DirectionPage】
· 查看数据画像（行业识别 / 表数 / 行数 / 时间范围）
· 查看 AI 推荐的分析方向（可勾选）
· 查看数据治理徽章（PII 字段概览）
· 确认执行 or 取消
↓ 确认后跳转
【执行监控页 / MonitorPage】
· Agent DAG 实时可视化（ReactFlow）
· 各 Agent 执行状态 + 计时器
· 实时工作日志（AgentCore CloudWatch）
· 总耗时 / 成本统计
↓ 完成后跳转
【分析结果页 / ResultPage】
· 数据资产（ODS/DWD/DWS/ADS 分层）
· 数据画像报告（字段统计 / 关联关系）
· 合规报告（PII 检测 / Lake Formation 标签）
· Athena SQL 历史
· QuickSight 仪表盘入口（完成后点亮）
· 转生产按钮
↓ 可选
【QuickSight 仪表盘】（跳出至 AWS 控制台）2.4 核心操作说明
数据源连接
- 目前支持 MySQL（通过 JDBC 连接 + SSM Parameter Store 管理密码）
- 密码通过 AWS SSM Key 传递，前端不传递明文密码（安全修复，Issue #11）
- 支持保存多个数据源并复用
分析方向选择
- AI 基于行业知识库 + 数据画像推荐分析方向
- 用户可以勾选任意组合（多选）
- 每个方向显示预计耗时和成本，帮助用户决策
执行监控
- 使用 WebSocket 实时推送 Agent 状态变更
- Agent 计时器从 Agent 真正启动时刻计时（非页面打开时刻）
- 业务语言展示阶段名称（数据接入、数据建模、可视化……），不暴露技术术语
分析结果
- 完成后 QuickSight 仪表盘按钮自动点亮（历史项目详情页和运行完成页体验统一）
- 数据资产按 ODS/DWD/DWS/ADS 分层展示，含行数、字段数、最后更新时间
- 合规报告展示 PII 字段检测结果和 Lake Formation 权限配置状态
本章参考来源：GitHub Issues #10 #11 #20 #21 #22 #28 #32 #42 #43 #64 #65 #74 #78 #115 #116 #118 #129 #136、前端源码 HomePage.tsx / DirectionPage.tsx / MonitorPage.tsx / ResultPage.tsx