过去做一份数据分析，要会 SQL、Excel 函数，进阶还得写 Python。现在把表格交给大模型，用自然语言提需求就能完成大部分日常分析——前提是知道它能干什么、哪一步会出错、什么数据不能直接上传。这篇按任务类型、问法、复核、脱敏四块讲。
五类任务，难度差别很大
归类整理：按规则分类、去重、清理杂乱数据，容错率高，错了肉眼能查。提取信息：从长文本或大表里抠出需要的字段，适合交给 AI。算指标：求和、平均、占比、同比环比，日常量级没问题，但大模型算大数可能出错。找规律：异常值、趋势、相关性，AI 擅长给出方向，结论要人确认。写结论：把数字变成能汇报的说明，这是它发挥最稳的部分。一句判断标准：越靠近「算」的任务越要复核，越靠近「说」的任务越可放心。
拆步问法：一步一问才可控
最常见的失败问法是一次性丢需求：「分析这份销售数据」。表一大，它可能漏行、串列，你还发现不了。更稳的做法是拆开：先让它做清洗，输出「删了哪些重复、补了哪些缺失」；再让它算指标，每步展示中间结果；最后让它基于已核对过的数字写结论。比如先问「这份 CSV 里有哪些明显异常的行」，确认后再问「各区域环比变化，按降幅排序」。每一步都能人工检查，错误就不会滚到下游。
数据量超出上下文窗口时，别硬塞全量，抽样或分块处理后再汇总，与长文档分段处理是同一个思路。
提问模板可以固定下来，例如：「以下是清理要求：按 XX 字段去重，空值行单独列出，不要自行删除，先给我看清单。」把「先给清单、后执行」写进要求，它就不会越权改动数据，你也能在执行前拦住错误。
适合的场景与要绕开的场景
适合的：日常销售、运营、市场数据的汇总与交叉统计；从几十张表里快速定位信息；把已有数字整理成汇报结论。共同点是容错空间存在、结果可抽查。要绕开的：涉及精确结算的账目核对，关键金额一律用 Excel 公式或数据库复核；真正的复杂建模与统计推断，样本量、显著性这些概念 AI 会用但常常用错场合，专业分析工具更靠谱。
还有一个容易忽略的用法：让 AI 解释别人做的表。接手同事留下的复杂表格时，把公式粘给它逐段解释，比逐个函数查文档快得多。
四类任务的复核方式
| 任务 | 做法 | 复核方式 |
|---|---|---|
| 数据清洗 | 让 AI 列出删除与补全的每一行 | 抽查 10 行对照原表 |
| 指标计算 | 分步问，要求展示中间过程 | 关键数字用 Excel 公式重算一遍 |
| 异常定位 | 让 AI 按条件筛出可疑行 | 回原始系统查证，不当成结论 |
| 结论撰写 | 基于已核对数字生成说明 | 核对每个数字与正文是否一致 |
数字复核的三种手段
手段一是重算：关键指标换一个工具再算一次，两边对得上才算过。手段二是抽样：AI 说删了三十行重复，就随机抽几行回原表看。手段三是量级检查：环比数据突然翻十倍，先怀疑算错，再找业务原因。养成「AI 出初稿、人对终稿」的习惯后，速度优势才真正兑现。复核的成本其实不高：一份周报级别的分析，加一道重算和抽查通常只多十几分钟，换来的是敢把结论直接写进汇报里的底气。
脱敏清单：上传前过一遍
客户姓名、手机号、身份证号、地址、客户公司全称，这五类字段上传公开 AI 工具前必须处理掉：能删就删，不能删就替换成编号。财务数据、未公开经营数据同属敏感范围，稳妥做法是用企业版或本地部署方案，或脱敏后再分析。分析结果对外分享前也要再过一遍，防止单个字段拼接后反推出具体客户。还有一个细节：文件名和表头也会带敏感信息，比如「XX 客户对账单」，上传前连同文件属性一起清掉。
把这套方法落到具体业务，售后数据的归因分析是典型场景，见用 AI 分析退货原因；周期性的数据汇总与复盘，可参考用 AI 做年度复盘；经营数据的定期总结，可参考用 AI 写年度经营总结。
AI 数据分析速查
- 越靠「算」越要复核，越靠「说」越可放心
- 一步一问：清洗、算指标、写结论分开做
- 关键数字换工具重算，量级突变先怀疑算错
- 姓名、电话、证件、地址、公司全称，上传前处理掉
- 敏感数据走企业版、本地部署，或脱敏后再分析
