前提：先有清晰的问题

把「帮我分析这份数据」换成具体问题，效果差别巨大：

  • ❌ 分析一下这份销售数据
  • ✅ 按月份看，哪个产品线的环比下滑最明显？可能的原因有哪些方向值得查？

问题越具体，输出越可用。

第一步：整理与脱敏

  • 只保留分析需要的列，删掉无关字段
  • 敏感信息先处理：客户姓名、手机号、身份证等必须脱敏或删除
  • 确认字段含义（单位、时区、是否含税），避免后续解读错误

第二步：让它先做「描述」，不要急着下结论

先要求输出基础事实：

  • 数据范围（时间区间、记录数）
  • 各维度的分布与缺失情况
  • 明显的异常值

这一步能帮你发现数据本身的问题（缺失、重复、口径不一致），避免基于脏数据得出错误结论。

第三步：再要「分析」

在描述的基础上追问：

  • 趋势变化的拐点在哪里
  • 哪些因素可能存在关联
  • 有哪些需要进一步验证的假设

关键要求：让它区分「数据能支持的结论」和「推测」，并标注置信程度。

第四步：交叉验证（不可跳过）

  • 换个角度重算一遍（如换时间粒度、换分组方式），看结论是否一致
  • 挑几个具体样本手动核对
  • 涉及对外汇报的数字，必须用原始表格复核

最常见的坑：样本量很小时得出的「显著变化」，往往只是波动。

不适合交给 AI 的部分

  • 因果判断（相关性不等于因果）
  • 需要业务背景才能解释的异常
  • 对外承诺性的数据结论

小结

AI 能显著加快「描述数据」和「提出假设」的环节，但结论验证仍需要人。按「问题→整理→描述→分析→验证」四步走，既高效又不容易出错。