用 AI 做数据分析：从提问到结论的完整链路

很多人以为用 AI 做数据分析的难点在"算"，其实难点在"问"。问题提得含糊，分析做得再漂亮也答不到点子上。整条链路拆开是四步：翻译问题、核查数据、给结论也给边界、落回业务动作。每一步该给 AI 什么、产出怎么验收，下面逐段说。

第一步：把业务问题翻译成数据问题

"为什么最近销量不好"是业务问题，太宽泛。"近三个月各渠道的转化率分别变化了多少"才是数据问题，可以回答。翻译的方法是加限定：加时间范围、加对象范围、加指标口径。同一场分析里常要拆出好几个数据问题，按优先级排好，一次只让 AI 回答一个，混着问容易得到各答一半的输出。提给 AI 之前先自己完成这一步，它帮忙拆出来的数据问题只能当参考清单，选哪个，由你对业务的了解决定。

第二步：先核查数据质量，再谈分析

缺失值、异常值、口径不一致，都会让结论失真。让 AI 先做一遍数据核查：哪些字段有缺失、哪些数值明显异常、时间范围是否一致。跳过这一步，后面的分析全不可靠。这一步的产出是一张问题清单，你按影响大小决定哪些修、哪些在结论里注明。口径说明写清楚两样就行：每个指标怎么算出来的，统计的时间粒度是什么。口径没写清，AI 默认按常见口径推，推错了结论跟着错。

第三步：结论要带边界

要求 AI 给结论的同时说明适用条件：这个结论在什么情况下成立、哪些情况不适用。比如"转化率下降与页面改版相关，但无法排除同期活动结束的影响"。有边界的结论才可靠，不带边界的结论拿去用，出了问题你不知道是从哪一步开始错的。

第四步：结论落回业务动作

分析的最后一定要落到"所以该做什么"。一条结论如果对应不上任何行动，它只是描述，不是洞察。让 AI 对每条结论给一个可执行的建议，再由你判断成本和优先级——它不知道你能调动多少资源，建议的取舍在人。

四步的输入与验收

这张表按行走即可：上一步的验收标准达标了，再进下一步，顺序乱了返工的是自己。

一条可以直接用的提问链路

把字段说明和业务问题一起交给 AI，按这个顺序提要求：把业务问题拆成可回答的数据问题；先列出需要检查的数据质量问题；再给分析思路；对每个结论说明适用边界；最后给出对应的业务动作建议。加一句约束：不要假设数据是干净的。跳过"拆问题"直接要结论，往往会得到一堆看似专业却无法落地的内容。

它做不到的部分

它不知道你的口径为什么这么定，不知道某个异常值是录入错误还是真实波动，也看不到数据之外的原因——渠道政策变了、竞品动了、季节到了，这些不在表里的信息，它给不出来。分析链路里它负责结构和计算，你对业务的理解负责最后那一锤。

数据分析链路速查

• 先把业务问题翻译成可回答的数据问题
• 核查缺失、异常、口径，再谈分析
• 结论必须带适用边界
• 每条结论对应一个可执行动作
• 提要求时写明"不要假设数据是干净的"

三个常被问到的问题

• 数据不能发出去，怎么做分析？：脱敏后再给：改字段名、去掉标识列、数值做比例化处理。或者只给字段说明和抽样统计特征，让 AI 出分析思路，计算留在本地做。
• AI 给的分析思路和我预期的不一样，听谁的？：先看它有没有用到你不知道的口径。没有的话，两条思路各跑一遍小样本，结果对得上的那条优先。
• 几条结论之间互相矛盾怎么办？：多数是口径不一致造成的。回第二步把每个结论用到的字段口径列出来对一遍，矛盾通常自己消失；对完还矛盾，说明有变量没控制住，别急着下结论。

数据分析只是起点，结论拿去用还有下游。用 AI 分析退货原因的归因方法，是把异常数据挖到底的一套问法；年度复盘的总结法与年度经营总结的写法，则是把结论沉淀成周期性报告的两条现成路径。