夜雨聆风学习资料网

ARTICLE · 1116899

AI实战技能 03:别再只让AI“总结Excel”——如何让AI帮你真正分析数据?

AI实战技能 03:别再只让AI“总结Excel”——如何让AI帮你真正分析数据?
工作中:
Excel可能是最常见的工具之一。
销售数据。
项目进度。
成本明细。
问卷结果。
客户数据。
库存数据。
运营指标。
……
过去拿到一个Excel以后:
我们通常会:
筛选。
排序。
做公式。
做透视表。
画图。
然后:
自己一点一点寻找问题。
现在有了AI:
很多人开始尝试:

帮我分析一下这个Excel。

几秒钟之后:
AI可能告诉你:
总共有多少条数据。
平均值是多少。
最大值是多少。
哪个类别最多。
甚至:
自动画几张图。
看起来:
确实很厉害。
但是:
如果只是做到这里,
AI其实只是帮你完成了:

更快的数据统计。

真正更有价值的问题是:

这些数据到底说明了什么?


01 “看数据”和“分析数据”不是一回事

假设有一份:
销售数据。
AI告诉你:

本月销售额为1200万元。

这是:
Data。
AI进一步告诉你:

比上个月下降了8%。

这是:
Comparison。
再进一步:

销售额下降主要集中在华东地区。

这是:
Finding。
然后继续:

华东地区下降主要来自老客户订单减少。

这是:
Insight。
最后:

建议进一步检查老客户复购率和重点客户订单变化。

这是:
Action。
有没有发现:
数据分析其实存在一个过程:
Data
↓
Comparison
↓
Finding
↓
Insight
↓
Action
真正有价值的:
往往不是第一步。
而是:

从数据走到行动。


02 不要一上来就问“帮我分析”

这是使用AI分析数据时:
最常见的问题之一。
把Excel扔进去:
然后说:

帮我分析一下。

问题是:
分析什么?
AI并不知道。
同一份销售数据:
销售负责人可能关心:

哪些产品卖得最好?

财务人员可能关心:

哪些产品利润率最低?

运营人员可能关心:

哪些地区增长最快?

管理层可能关心:

整体业务有没有异常?

所以:
AI分析数据的第一步仍然是:

先明确你想解决什么问题。


03 先告诉AI:我为什么看这份数据?

例如:
不要只说:

分析这个Excel。

可以改成:

这是一份过去12个月的销售数据。我想了解最近销售额下降的主要原因,并找出最值得进一步调查的地区、产品和客户。

或者:

这是一份客户满意度调查数据。我希望知道用户最不满意的地方是什么,以及不同年龄、地区和用户类型之间是否存在明显差异。

或者:

这是一个项目的问题管理表。我想知道问题主要集中在哪些类型、哪些阶段,以及有没有持续恶化的趋势。

这样:
AI就知道:

分析的目的是什么。


04 第二步:先让AI“认识数据”

很多人上传Excel以后:
马上开始问业务问题。
但是更稳妥的方法是:
先让AI做:
Data Understanding
也就是:
先理解数据本身。
例如:

暂时不要做结论。请先告诉我:

  1. 这个数据集包含哪些字段;

  2. 每个字段大概代表什么;

  3. 数据覆盖什么时间范围;

  4. 有多少条记录;

  5. 是否存在空值、重复值或明显异常值;

  6. 哪些字段适合进一步分析。

这一步:
看起来很简单。
但是非常重要。
因为:

如果连数据是什么都没有搞清楚,后面的分析很容易建立在错误基础上。


05 数据分析第一件事:先检查数据质量

假设AI发现:
销售金额里面:
有大量空值。
日期格式:
不统一。
同一个客户:
出现多个不同名称。
某些销售额:
突然多了两个零。
那么:
再漂亮的分析结果:
也可能没有意义。
所以正式分析之前:
可以让AI先做:
Data Quality Check
重点检查:
Missing Values
缺失值。
Duplicates
重复数据。
Outliers
异常值。
Format Issues
格式问题。
Inconsistent Categories
分类不一致。
Suspicious Values
可疑数据。
AI最大的优势之一就是:
可以快速帮助我们:

找到“数据本身有没有问题”。


06 不要只看“多少”,还要看“变化”

很多Excel分析:
最后变成:
产品A销售额多少。
产品B销售额多少。
地区A多少。
地区B多少。
当然:
这些信息有价值。
但是:
更值得关注的往往是:
Change
也就是:
变化。
例如:
和上个月相比:
发生了什么?
和去年同期相比:
发生了什么?
过去12个月:
趋势是什么?
哪些指标突然变化?
哪些变化持续了很久?
哪些变化刚刚开始?
所以可以直接问AI:

不要只告诉我当前数值,请重点寻找趋势、拐点和异常变化。

这句话:
非常实用。

07 AI特别适合帮你找“异常”

人看Excel:
很容易关注:
最大的数字。
但真正值得关注的:
不一定是最大值。
有时候是:

不正常的变化。

例如:
一个产品:
销售额一直很稳定。
突然:
下降40%。
一个地区:
整体销售一般。
但是:
连续6个月增长。
一个客户:
订单金额不大。
但是:
投诉次数突然增加。
这些都属于:
Anomaly
异常。
可以直接告诉AI:

请找出这份数据中最值得关注的5个异常,不只是最大值和最小值,还要关注突然变化、趋势反转和明显偏离整体规律的数据。

这时候:
AI开始帮助我们:

发现问题。


08 从“发生了什么”到“为什么”

发现异常之后:
下一步就是:
Why
例如:
AI发现:

3月份销售额下降20%。

不要停在这里。
继续问:

哪些因素对这次下降贡献最大?

AI可能进一步拆解:
地区。
产品。
客户。
渠道。
销售人员。
然后发现:

下降主要来自某两个地区。

继续:

这两个地区又是什么原因?

进一步发现:

主要来自某个产品销量下降。

继续:

哪些客户减少了购买?

于是:
分析开始像:
剥洋葱一样。
一层一层深入。

09 一个很好用的方法:不断问“为什么”

可以把AI数据分析:
简单理解成:
What
发生了什么?
↓
Where
发生在哪里?
↓
When
什么时候开始?
↓
Who
哪些对象影响最大?
↓
Why
可能是什么原因?
↓
What Next
下一步应该验证什么?
这其实就是:
一个非常简单的:
分析路径。

10 不要急着让AI给“原因”

这里有一个非常重要的问题。
假设数据告诉你:

使用时间越长的用户,购买金额越高。

AI可能会说:

因为长期用户更加信任产品,所以购买更多。

听起来:
很合理。
但:
数据真的证明了吗?
不一定。
这可能只是:
Hypothesis
假设。
而不是:
Fact
事实。
所以使用AI分析数据时:
一定要区分:

数据证明了什么?

和:

AI猜测了什么?


11 让AI明确区分三件事

可以要求AI:
把分析结果分成:
Fact
数据直接支持的事实。
Hypothesis
根据数据提出的可能解释。
Next Check
为了验证假设,还需要进一步检查什么。
例如:
Fact
华东地区销售额同比下降18%。
Hypothesis
可能与重点客户订单减少有关。
Next Check
检查华东地区Top 20客户的订单变化。
这样:
AI的分析:
会可靠很多。

12 相关性不等于因果关系

这是数据分析中特别容易出现的问题。
比如:
数据发现:
使用某个功能的用户:
留存率更高。
能不能直接得出:

这个功能提高了用户留存?

不能。
因为:
也可能是:
本来就更活跃的用户:
更喜欢使用这个功能。
所以:
Correlation ≠ Causation
相关:
不等于:
因果。
AI特别容易:
把一个合理的解释:
说得像已经确定的事实。
所以看到:
“因为”
“导致”
“说明”
这种词时:
最好继续追问:

这个结论是数据直接支持的,还是推测?

这是一个非常重要的AI使用习惯。

13 AI很适合做“切片分析”

面对一个整体指标:
平均值有时候会:
掩盖很多问题。
比如:
整体客户满意度:
4.2分。
看起来:
不错。
但是如果拆开:
新用户:
4.6。
老用户:
3.7。
这时候:
问题就出现了。
所以:
AI非常适合帮助我们:
Slice & Dice
按照不同维度:
切数据。
例如:
地区。
时间。
产品。
客户类型。
年龄。
渠道。
负责人。
项目阶段。
然后寻找:

不同群体之间有没有明显差异。


14 可以让AI主动寻找“最值得切的维度”

如果自己不知道:
应该按什么维度分析。
可以直接问:

根据当前字段,哪些维度最值得做交叉分析?请说明原因。

然后让AI:
逐个分析。
例如:
时间 × 产品。
地区 × 客户类型。
渠道 × 转化率。
项目阶段 × 问题类型。
这时候:
AI开始从:
回答问题
变成:

帮助设计分析路径。


15 不要一开始就画很多图

AI现在很容易:
生成图表。
柱状图。
折线图。
饼图。
散点图。
热力图。
……
但是:

图表多,不等于分析好。

一张真正有价值的图:
应该回答:
一个问题。
比如:
不是:

销售额趋势图。

而是:

销售下降从什么时候开始?

不是:

各地区销售对比。

而是:

哪个地区对整体下降影响最大?

所以:
在让AI画图之前:
先问:

这张图想证明什么?


16 让AI选择“最合适的图”

可以直接告诉AI:

针对这个结论,请选择最容易让人理解的图表,不要为了展示而画图。

例如:
看趋势:
用:
Line Chart
比较大小:
用:
Bar Chart
看构成:
用:
Stacked Bar / Pie
看关系:
用:
Scatter Plot
看分布:
用:
Histogram
看多个维度:
可能使用:
Heatmap
重点不是:
图表多漂亮。
而是:

能不能让人快速看懂结论。


17 AI分析数据最有价值的一步:告诉我下一步看什么

很多分析做到最后:
给出:
10个结论。
然后:
结束。
但我觉得真正有价值的一步是:

下一步应该继续分析什么?

例如:
AI发现:
某地区销售下降。
然后告诉你:
下一步建议检查:
Top客户变化。
产品结构变化。
价格变化。
渠道变化。
退货率。
竞争活动。
这时候:
AI不只是:
回答问题。
而开始帮助你:

寻找下一个问题。


18 一个可以直接使用的Prompt

下次拿到Excel:
可以试试:

我会提供一份业务数据。

暂时不要直接给结论,也不要马上画图。

请按照以下步骤分析:

第一步:理解数据

说明数据包含哪些字段、时间范围、记录数量,以及每个主要字段的含义。

第二步:检查数据质量

找出缺失值、重复值、异常值、格式问题和可疑数据。

第三步:发现变化

找出主要趋势、明显变化、异常点和拐点。

第四步:寻找原因

从时间、地区、产品、客户等可用维度进一步拆解,找出对变化影响最大的因素。

第五步:区分事实和假设

将结论分为:

  • Fact:数据直接支持;

  • Hypothesis:可能的解释;

  • Next Check:下一步需要验证什么。

第六步:总结

最后只告诉我:

  1. 最重要的3个发现;

  2. 最值得关注的3个异常;

  3. 最需要进一步分析的3个问题。

如果数据不足以支持某个结论,请明确说明,不要推测成事实。

这个Prompt真正重要的:
不是格式。
而是它让AI:

按照一个分析过程工作。


19 从“Excel操作”走向“数据对话”

以前分析Excel:
我们需要想:
用什么公式?
怎么写VLOOKUP?
怎么做Pivot Table?
怎么筛选?
怎么画图?
这些能力:
当然仍然有价值。
但是AI正在带来一种新的方式:
Conversation with Data
也就是:
和数据对话。
例如:

最近三个月发生了什么异常?

↓

哪个因素影响最大?

↓

再拆开这个地区看看。

↓

是哪些客户造成的?

↓

和去年同期比较呢?

↓

有没有其他类似情况?

↓

帮我把最重要的发现整理出来。

分析过程:
越来越像:

和一个数据分析师一起讨论问题。


20 但人仍然需要知道自己在问什么

这也是:
AI数据分析最重要的一点。
如果你完全不知道:
业务问题是什么。
AI也很难:
自动给你真正有价值的答案。
所以:
AI时代的数据能力:
可能正在从:

“会不会操作Excel?”

逐渐增加一个新的能力:

“会不会提出好的数据问题?”

因为:
工具越来越简单。
但是:
判断:
什么值得分析。
什么是异常。
什么是真正重要。
什么只是巧合。
什么需要进一步验证。
这些能力:
反而越来越重要。

写在最后

如果让我用一句话总结今天这篇:

不要只让AI告诉你“数据里有什么”,要让AI帮助你发现“数据里发生了什么”。

AI数据分析:
最基础的是:
Calculate
计算。
再进一步:
Compare
比较。
然后:
Discover
发现。
再进一步:
Explain
解释。
最后:
Decide
帮助行动。
真正有价值的AI数据分析:
不是:

“AI帮我算得更快。”

而是:

“AI帮助我更快发现值得关注的问题。”

所以:
下一次打开Excel:
不要马上问:

帮我总结一下。

可以试着问:

这里面最值得我关注的3件事情是什么?

然后继续:

为什么?

再继续:

下一步应该看什么?

这时候:
AI才真正开始:
和你一起分析数据。

下一篇|AI实战技能 04
别再自己搜半天资料
如何让AI帮你真正做一次Research?
不是:
搜索几个网页。
也不是:
把网上的内容拼成一篇总结。
而是:

定义问题 → 搜集证据 → 比较来源 → 发现分歧 → 形成结论。

下一篇继续聊:
AI × Research。
继续学习,继续实践,继续记录我的AI学习笔记。

相关学习资料