AI不是分析师,它只是执行器

运营人用AI做数据分析前，先把业务规则写清楚

你有没有这种感觉：同一份数据，问AI三次，能给你三种“都像那么回事”的分析结论。我以前以为是模型不稳定，后来才发现，很多时候问题在我自己。

前段时间我在做月度复盘，顺手把一份换电运营数据丢给AI，让它帮我“看问题、提建议”。我给的指令很简单：

“帮我分析下本月运营表现，找出主要问题和优化方向。”

看上去挺完整，对吧？但实际上，这句话对数据分析来说，几乎等于没说。

结果就是：第一次，它说成功率在提升；第二次，它说整体波动不大；第三次，它又建议重点优化晚高峰时段。

每一句单看都“有道理”，但放在一起就容易打架。那一刻我才意识到：AI不是在分析我的业务，它是在猜我的业务。

为什么会这样？

因为很多时候，我们默认AI“懂场景”。但真实情况是：如果你不定义规则，它就会按最常见的统计习惯去补全。

而业务里的关键指标，往往并没有唯一标准答案：

• 成功率到底按订单算，还是按用户算？

• 异常单要不要剔除？测试单要不要算？

• 重复触发的订单怎么去重？

• 看日趋势、周趋势，还是月累计？

你不说，AI就自己选。它自己一选，结论就可能偏。

所以我现在非常明确一件事：业务判断由我定义，AI只负责执行。

我现在固定使用的“规则四件套”

我后来改了方法：不再上来就说“帮我分析”，而是先把规则写清楚，再让AI跑分析。

1）指标定义：这个指标到底回答什么问题

比如“换电成功率”，不是为了好看，而是为了判断履约稳定性。定义不清，后面全乱。

2）计算公式：分子分母必须明确

例如：成功率 = 成功换电单量 / 发起换电单量如果有重试订单，还要明确是否去重、按什么主键去重。

3）筛选条件：哪些数据算，哪些不算

比如：

• 是否剔除测试单

• 是否排除系统演练单

• 是否过滤明显脏数据和无效记录

这一步不写，结果基本不可控。

4）时间窗口与对比维度

• 时间范围：近7天、30天还是自然月？

• 维度：按某某城市、站点、时段，还是渠道拆分？

• 对比方式：同比、环比，还是仅看趋势？

这一步决定结论有没有业务解释力。

同一句需求，改写前后差别有多大？

我以前会这样说：“看下某某城市最近成功率怎么了。”

现在我会这样写：

统计某某城市近30天数据。指标为换电成功率，定义为用户发起换电后最终成功完成。公式：成功率 = 成功换电单量 / 发起换电单量。剔除测试单与系统演练单，重复触发按订单ID去重。输出按天趋势、站点排名、18:00-21:00时段单独分析，并给出可执行优化建议。

你会明显感觉到：AI的输出从“看起来会分析”，变成“可以直接落地用”。

我给自己定的底线：先口径一致，再追求速度

现在我每次用AI做数据分析，都会先问自己三件事：

• 指标有没有业务定义？

• 公式是不是透明可解释？

• 结果能不能被复跑验证？

如果这三件事没写清楚，我宁愿先不让AI算。因为快是快了，但最后结论不可信，等于白做。

写在最后

AI在数据分析里最强的能力，不是“替你思考”，而是“放大你已经想清楚的逻辑”。你规则越清楚，它越稳定；你定义越模糊，它越容易“自由发挥”。

所以对我来说，真正有价值的用法不是“把分析外包给AI”，而是：我来定义业务问题，AI来执行计算过程。

这一步做对了，效率才会和准确性一起上来。