通用AI工具指令包·第4/9篇:编程与数据

模块六：AI编程与开发指令

不会写代码的人，现在能用AI做出小工具；会写代码的人，用AI把效率拉满。这一模块覆盖从"零基础做东西"到"专业开发提效"的全链路指令。即使你不懂编程，看完也能照着让AI给你搭个能用的小应用。

一、给非程序员：用AI做工具

你不需要懂语法，只要说清"我要一个什么东西、干什么用"。AI会写出完整代码。

【模板1：零基础小工具】 我要一个[Windows/Mac/网页]小工具，功能是[具体描述，如：把一堆Excel里的手机号去重并导出]。我完全不会编程。请：①选最合适的语言和运行方式；②给出完整可复制代码；③写明怎么运行（一步一步）；④说明需要装什么。代码要带注释。

【模板2：网页应用】 帮我做一个单页网页应用，功能是[ ]，界面要[简洁/美观]，包含[输入框/按钮/结果显示]这些元素。用HTML+CSS+JS纯前端实现，能直接双击打开使用。给出完整代码。

【模板3：自动化脚本】 写一段Python脚本：从[文件夹]读取所有[类型]文件，按[规则，如日期/名称]重命名并归类到子文件夹，运行前先打印将要执行的操作让我确认，再真正执行。带异常处理。

【模板4：批量处理】 我有[数量]个[文件/数据]，需要对每个做[操作]。请写脚本批量处理，进度条显示，出错跳过并记录到日志，最后汇总成功/失败数量。

二、给程序员：提效指令

【模板5：代码生成】 用[语言]实现一个[功能]，要求：[输入/输出/边界条件]。代码要生产级：含错误处理、必要注释、单元测试骨架。先给设计思路再给代码。

【模板6：报错修复】 下面这段代码报错：[错误信息]。完整代码：[代码]。请：①定位根因；②给出修复后的完整代码；③解释为什么错、怎么改；④提示如何避免同类问题。

【模板7：代码审查】 请审查下面代码，从可读性、性能、安全性、边界处理四个维度给意见，列出问题按严重度排序，并给出修改示例：[代码]。

【模板8：重构优化】 这段[语言]代码能跑但很丑/很慢：[代码]。请重构，目标：①降低复杂度；②提升可读性；③如有可能优化性能。保持功能不变，说明每处改动理由。

【模板9：单元测试】 为下面这个函数写单元测试，覆盖正常、边界、异常三类情况，用[pytest/unittest]，断言清晰：[函数]。

【模板10：加注释/文档】 给下面代码生成清晰的中文注释和一份简洁的API文档（函数用途、参数、返回值、示例）：[代码]。

三、数据库与SQL

【模板11：SQL查询】 我有表[表名]，字段[列出]。请写SQL实现：[需求，如：按月份统计各区域销售额TOP3]。考虑性能，给出索引建议，并解释执行逻辑。

【模板12：SQL优化】 下面这条SQL很慢（附执行计划或表结构），请诊断瓶颈并给出优化版本，说明加了什么、为什么快：[SQL]。

【模板13：数据建模】 设计一个[业务，如电商/博客/考勤]的数据库表结构，给出建表SQL、字段类型与约束、表间关系，并说明设计权衡。

四、正则、爬虫、API

【模板14：正则】 写一个正则表达式匹配[模式，如：中国大陆手机号/邮箱/身份证]，并给出在[Python/JS]里的使用示例和测试用例（含应匹配和不应匹配的样例）。

【模板15：爬虫】 用Python写一个爬虫抓取[网站]的[数据]，要求：①遵守robots和频率限制；②处理反爬（UA/延时）；③异常重试；④结果存为CSV。仅用于合法公开数据。

【模板16：调用API】 给我一段调用[某API]的代码示例，包含认证、请求构造、错误处理、响应解析，用[语言]，并说明关键参数含义。

五、DevOps与部署

【模板17：Docker化】 把下面这个[语言]应用写成Dockerfile，多阶段构建，最小化镜像，附 docker-compose（如需要数据库），并写一句怎么构建运行。

【模板18：CI/CD】 为一个[语言]项目设计GitHub Actions工作流：push时自动跑测试、代码检查、构建，失败通知。给出yaml配置和关键步骤说明。

【模板19：排查服务器】 我的服务报[现象]，日志关键行是[ ]。请基于常见原因给出排查清单（按可能性排序）和对应命令（Linux）。

六、技术文档与学习

【模板20：读源码】 下面这段代码/仓库我看不懂，请用"给初学者讲"的方式解释：①它整体在干嘛；②核心流程分步；③关键函数作用；④涉及的我不懂的概念补一句解释：[代码]。

【模板21：学新技术】 我想用一周入门[技术]，有[基础]。给学习计划：每天学什么、动手做什么小项目、踩坑预警、免费资源。以能做出一个最小可用东西为目标。

【模板22：架构设计】 我要做一个[产品/系统]，预计规模[ ]。请设计技术方案：①整体架构图（文字描述）；②技术选型及理由；③核心模块划分；④数据存储方案；⑤可能的扩展瓶颈。务实，不过度设计。

七、与AI协作编程的最佳实践

实践1：小步快跑。别让AI一次写500行再跑。让它先写核心函数，你测过再扩展。每步可验证，错了好定位。 实践2：给上下文。把相关文件、报错、环境版本贴全，AI猜错的概率骤降。 实践3：要解释不要只给代码。让它"边写边讲"，你才学得会、才敢改。 实践4：版本与备份。AI改代码可能引入新bug，改前备份，用git管理，小步提交。 实践5：安全审查。AI可能写出有注入/越权风险的代码，涉及安全的部分务必人工过一遍。 实践6：明确约束。说清"不要引入新依赖""保持Python3.9兼容""遵循PEP8"，避免它自由发挥。

八、避坑指南

坑1：直接跑不明代码。AI给的代码可能有安全或逻辑问题，先在隔离环境跑、读一遍再上生产。 坑2：不限定技术栈。没说语言/框架，它默认用自己顺手的，可能和你项目冲突。先定栈。 坑3：要太多一次给。大模型一次写超长代码易前后矛盾，拆函数写更稳。 坑4：忽视依赖与版本。说清运行环境，否则代码在你机器上跑不起来。 坑5：把AI当最终权威。它也会编API、编参数名，查文档核实关键调用。

九、给"想做工具但不会代码"的人

你最大的障碍不是学编程，而是把需求说清楚。下次想要个什么小工具，先用一句话写清"输入什么、做什么、输出什么、在哪儿用"，然后套模板1丢给AI。第一版大概率能跑个大概，再让它修bug、加功能，迭代几轮就是一个真能用的工具。这年头，会用AI写代码，约等于雇了个随叫随到的初级程序员。

十、补充编程模板（20-45）

【模板20：解释报错信息】 下面这段报错我看不懂，请用大白话解释它什么意思、通常哪几种原因、怎么排查，给新手能照做的步骤：[报错]。

【模板21：代码转语言】 把下面的[Python]代码改写成[Go/JS]，保持逻辑一致，注意两种语言在[类型/并发/错误处理]上的差异，并说明改写要点。

【模板22：加日志调试】 下面代码偶发bug难查，请加入恰当的日志（级别、关键变量、分支入口），并说明看日志怎么定位问题：[代码]。

【模板23：性能优化】 这段[语言]代码跑得慢（附场景和数据量），请给优化方案：算法层面、IO层面、并发层面分别能做什么，给示例代码和预期收益。

【模板24：写CLI工具】 用Python写一个命令行工具，功能[ ]，要求：参数用argparse、有--help、出错有友好提示、可管道输入。给完整代码和用法。

【模板25：写API服务】 用[FastAPI/Flask]写一个REST接口，路径[ ]，接收[ ]返回[ ]，含输入校验、错误处理、简单鉴权，给可运行代码。

【模板26：前端组件】 用[React/Vue]写一个[组件]，props有哪些、状态怎么管、样式用[CSS/Tailwind]，可复用，给代码和用法示例。

【模板27：数据库迁移】 我有旧表[结构]，要改成[新结构]，请写迁移SQL（含数据回填），并保证迁移中旧功能不中断，说明回滚方案。

【模板28：写测试数据】 生成一批逼真的测试数据（SQL/JSON），覆盖正常、边界、异常，用于压测/演示，给出生成脚本。

【模板29：Git高级操作】 请告诉我怎么用git做[交互式rebase/找回误删提交/拆分提交/cherry-pick]，给命令和注意事项，避免把仓库搞坏。

【模板30：容器化排错】 我的Docker容器起不来，日志是[ ]，请按常见原因给排查清单和对应命令。

【模板31：写正则提取】 从下面这类文本里提取[手机号/金额/日期]，给正则和[Python]使用示例，含应匹配与不应匹配的测试。

【模板32：README生成】 为下面这个项目生成一份README：简介、安装、用法、示例、API、贡献指南、License。结构清晰，新手能跑起来：[项目]。

【模板33：代码注释规范】 按[Google/PEP8]风格，给下面函数写规范文档字符串（参数、返回、异常、示例）：[函数]。

【模板34：安全审查】 审查下面代码的安全隐患：注入、XSS、越权、密钥硬编码、不安全的反序列化，逐条给修复：[代码]。

【模板35：算法实现】 实现[二分/快排/DFS/Dijkstra]并用[语言]写出，含时间空间复杂度分析、边界处理和测试用例。

【模板36：异步改造】 把下面的同步[Python]代码改造成async/await，指出哪些IO操作该异步、怎么避免阻塞，给改造后代码。

【模板37：配置管理】 给我的项目设计配置方案：环境变量/配置文件/密钥管理怎么分，开发生产怎么隔离，给示例（[语言]）。

【模板38：错误监控接入】 教我怎么给[语言]项目接入基础错误监控和日志上报，给出最小实现和关键埋点建议。

【模板39：SDK封装】 把下面这组重复调用[API]的代码，封装成一个易用的SDK/客户端类，隐藏细节、统一错误处理，给代码。

【模板40：代码评审回复】 下面是reviewer给我的意见（粘贴），请帮我逐条判断哪些该改、怎么改，哪些可以礼貌拒绝并说明理由。

【模板41：技术选型对比】 在[方案A]和[方案B]之间选型做[系统]，从开发效率、性能、生态、维护成本、团队熟悉度五维对比，给建议。

【模板42：写迁移文档】 我要把[旧系统]迁到[新系统]，请写一份迁移方案文档：风险评估、灰度策略、回滚、时间表、责任人。

【模板43：Mock数据/接口】 为前端联调写一套Mock接口（[语言/框架]），返回假数据，支持常用查询参数，便于前后端并行。

【模板44：CI失败排查】 我的CI在[步骤]挂了，日志[ ]，请给常见原因和定位方法，以及怎么在本地复现。

【模板45：学习路线】 我想成为[后端/前端/数据]工程师，目前[基础]，给6个月学习路线：每月主题、动手项目、避坑、免费资源。

十一、实战案例：零基础做"批量重命名"小工具

需求：把下载文件夹里几百张"微信图片_xxx.jpg"按"日期-序号.jpg"重命名。

指令（套模板3）："写一段Python脚本，遍历[文件夹]所有.jpg，读取拍摄日期（EXIF或修改时间），重命名为'YYYYMMDD-序号.jpg'，运行前先打印预览让我确认，再执行，带异常跳过。"

AI返回代码。你跑预览确认无误，说"执行"。再让它加"按月份分文件夹"。三轮迭代，一个顺手的工具到手。全程你没写一行代码，只说了需求。

十二、编程速查卡

十三、常见问题FAQ（模块六）

Q1：完全不会代码能做出工具吗？ A：能。把需求说清（输入/输出/在哪用），套模板1，它给完整代码+运行步骤。第一版大概能跑，再让它修bug。

Q2：AI给的代码直接跑危险吗？ A：先读一遍、在隔离环境跑、改前git备份。别直接在生产库执行它写的删除/迁移SQL。

Q3：为什么代码在我电脑跑不起来？ A：多半环境/依赖/版本问题。把报错和你的系统版本贴全，让它给"针对我环境的安装运行步骤"。

Q4：AI写的代码有安全漏洞？ A：可能（注入/越权/硬编码密钥）。涉及安全的部分人工审，或用模板34做安全审查。

Q5：怎么让AI一次写对？ A：小步快跑——先写核心函数测过再扩展；给足上下文（相关文件/报错/版本）；要解释不要只给代码。

Q6：不会debug怎么办？ A：把完整报错+代码贴给它（模板6/模板20），它定位根因给修复；学会读堆栈，下次自己能看个大概。

Q7：该学哪门语言？ A：写小工具/数据处理选Python；前端选JS；系统选Go/Java。先一门打通，再横向。

Q8：AI会让我变懒、真不会写？ A：把AI当陪练而非代写：要它"边写边讲"，你复盘，能力才长。只复制不学，能力会退化。

Q9：怎么管理AI改出来的代码？ A：git小步提交，每改一处commit，出问题能回滚；别让它一口气大改再整体覆盖。

Q10：哪类活最适合交给AI写？ A：样板代码、脚本、单函数、测试用例、文档、报错修复——这些它最强；架构决策仍需你拍板。

模块七：AI数据分析与可视化指令

数据躺在表里不会自己说话，AI能帮它开口。你不用是数据分析师，只要会提需求，就能让AI帮你清洗脏数据、跑统计、画图、写洞察报告。这一模块从"看不懂数据"到"拿出结论"全程覆盖。

一、分析前：先把问题问对

好的分析从好问题开始。别一上来就说"分析一下这组数据"，要先定：分析目的、关键指标、对比维度、给谁看。

【模板1：分析框架】 我有一份关于[业务]的数据，字段是[列出]。我的目标是[搞清楚/提升/对比]。请帮我设计分析框架：①该看哪些核心指标；②按什么维度拆；③预期能回答什么决策问题；④需要哪些图表。先框架后动手。

二、数据清洗

真实数据永远是脏的。让AI先帮你整理。

【模板2：脏数据体检】 下面是一份数据样本（粘贴前20行+说明总行数），请诊断它存在哪些质量问题：缺失值、重复、格式不一、异常值、编码乱。给出每种问题的处理建议和对应Python/pandas代码。

【模板3：清洗代码】 用pandas写清洗脚本：①删除完全空行；②统一[某列]的日期格式为YYYY-MM-DD；③[某列]去空格转数值；④剔除[金额]为负或超阈值的异常；⑤输出清洗后CSV并打印各步处理掉的条数。

【模板4：缺失值策略】 我的[列名]有约15%缺失，请对比几种处理方案（删除/均值填充/众数/插值/预测填充）的利弊，结合该列是[连续/类别]变量给出推荐做法和代码。

三、探索性分析与统计

【模板5：描述统计】 用Python对下面数据做描述统计：各数值列均值、中位数、标准差、最大最小、分位数；类别列做频数。输出可读表格，并对异常分布做一句解读。附代码。

【模板6：相关性】 请分析[变量A、B、C]之间的相关性，计算Pearson/Spearman系数并画热力图，指出哪些强相关、哪些可能只是巧合，提醒相关不等于因果。

【模板7：分组对比】 按[维度，如地区/渠道]分组，比较[指标]的均值和分布差异，做显著性检验（t检验/卡方），说明差异是否显著、有多大业务意义。给代码和结论。

【模板8：时间序列】 这是一段按日的[指标]数据，请做：①趋势/季节/残差拆解；②环比同比；③异常点检测（如3σ或IQR）；④简单预测未来7天。给代码和可读结论。

四、可视化：选对图

图表选错，再好看也误导。速查：趋势→折线；构成→饼/堆叠柱；对比→柱状；关系→散点；分布→直方图/箱线；地理→地图；多维→热力图。

【模板9：图表代码】 用Python（matplotlib/seaborn）画一张[类型]图：x是[ ], y是[ ], 配色[ ], 加标题和坐标轴标签，保存为高清PNG。给出完整可运行代码。

【模板10：仪表盘思路】 我想做一个[业务]看板，核心看[指标]，要给[老板/运营]每天看。请设计看板布局：放哪几张图、每张回答什么问题、用什么图、预警线怎么设。给原型描述。

【模板11：图表美化】 下面这段绘图代码画出来的图很丑：[代码]。请优化：统一字体、去掉多余边框、调色协调、加数据标签、合理图例，让它达到汇报级美观。返回美化后代码。

五、建模与预测（进阶）

【模板12：回归预测】 用sklearn对[目标变量]做线性回归/随机森林回归，特征为[列]，流程：①训练测试拆分；②标准化；③训练；④评估（RMSE/R²）；⑤输出特征重要性。给代码和解读。

【模板13：分类模型】 这是一个[二分类/多分类]问题，特征[ ]，目标[ ]。请给端到端流程：数据平衡检查、模型选择、交叉验证、评估指标（精确率/召回/F1）、阈值调优建议。附代码。

【模板14：聚类分群】 用KMeans对用户做分群，特征[ ], 请：①用肘部法/轮廓系数定K；②聚类；③给每个群画像（均值特征）；④建议运营动作。给代码和群标签。

六、业务洞察报告

图表不是终点，结论才是。让AI把数字翻成人话。

【模板15：洞察提炼】 下面这些分析结果（粘贴指标和图表结论），请提炼3条最值得管理层关注的业务洞察，每条：①发现了什么；②为什么重要；③建议做什么。用大白话，不堆术语。

【模板16：数据故事】 把下面这组数据编成一个"数据故事"：开头抛矛盾现象，中间用数据解释原因，结尾给行动建议。适合在汇报里讲，有起承转合，约400字。

【模板17：异常解读】 监控发现[指标]在[时间]异常[上升/下降X%]。基于历史数据和可能因素[列出]，请推断最可能的原因（按概率排序），并给出验证方法和应急动作。

【模板18：A/B结论】 我们做了A/B测试，对照组[数据]实验组[数据]，请：①判断是否显著；②算提升幅度与置信区间；③说明样本是否足够；④给出是否全量上线的建议。

七、给非分析师的速成路线

你不需要啃统计教材也能用AI做分析，关键是"说人话+要代码+看结论"：

第一步，把数据（CSV/Excel）贴给AI，套模板2做体检。 第二步，套模板1定框架，确认要看的指标。 第三步，让AI出清洗+分析+画图代码，你只管运行（不会跑就套模块六模板1让它教）。 第四步，套模板15要洞察，拿去汇报。

这套下来，你做的"分析"可能比很多手工做表的同事还像样。AI把统计门槛削平了，剩下的是你的业务判断——那恰恰是你不可替代的部分。

八、避坑指南

坑1：相关当因果。AI算出A和B相关，别急着说A导致B，先想有没有第三变量。让它在结论里标注"相关非因果"。 坑2：样本偏差。用小样本得出的结论别当真理，让AI注明样本量和置信度。 坑3：P值迷信。显著不等于重要，业务意义比p值更该被讨论。 坑4：图表误导。截断坐标轴、选错图表会歪曲事实，让AI说明每张图的诚实性。 坑5：瞎编数字。AI可能为了"完整"编造缺失数据，涉及真实决策务必核对原始来源。

九、收尾建议

数据分析的终极产出不是图表，是"所以呢？该怎么办？"。每次分析完，强迫自己写出一句"基于数据，我建议……"。做不到这步，前面全是热闹。AI负责把数据理清楚，你负责拍那个板——分工明确，才是真提效。

八、补充分析模板（19-45）

【模板19：指标字典】 请帮我把下面这些业务指标定义成"指标字典"：每个写清口径（怎么算）、数据来源、更新频率、负责人、常见误用。指标：[列表]。

【模板20：同环比解读】 下面这月核心指标（粘贴），请做同比、环比，标注显著变化项，对每处异常给"可能原因+验证方法"，不编造。

【模板21：漏斗分析】 我有一串用户路径数据（访问-注册-激活-付费），请算各环节转化率、找出最大流失环节，并给提升建议。

【模板22：留存分析】 下面是新用户[N]日留存数据，请算留存曲线、找"悬崖点"（掉得最狠的那天）、分析可能原因、给挽留动作。

【模板23：RFM分群】 用RFM（最近消费/频次/金额）对下面客户数据分群，给每群命名和运营策略，附Python代码。

【模板24：归因分析】 我们的销量受[广告/促销/季节]影响，请设计归因思路：用[回归/SHAP]量化各因素贡献，说明局限，给代码方向。

【模板25：预测模型选型】 我想预测[销量/流失/价格]，数据量[ ]、需要有解释性，请对比[树模型/回归/时序]的优劣并推荐，给流程。

【模板26：异常检测】 下面这列每日指标，请用电离差/IQR/3σ检测异常点，标出日期和偏离程度，区分"真异常"和"噪声"。

【模板27：满意度NPS】 下面是NPS调查结果（ detractors/passives/promoters 数），请算NPS、做文本情感归类（贬损者主要骂什么）、给改进行动。

【模板28：成本结构】 下面各项成本（粘贴），请做结构占比分析、找占比最高和增速最快的项、给降本优先级建议。

【模板29：渠道ROI】 各渠道花费和带来的[转化/收入]（粘贴），请算ROI、排序、识别"花钱不办事"的渠道、给预算重分配建议。

【模板30：用户画像】 基于下面行为/属性数据，请刻画核心用户画像：人口、偏好、活跃时段、消费力、流失信号，给运营启示。

【模板31：价格弹性】 我想测[产品]价格敏感度，请设计A/B或问卷方案，说明怎么从结果读出弹性、定最优价。

【模板32：文本情感分析】 下面这批评论（粘贴），请做情感分类（正/中/负）+ 主题抽取（大家在聊什么）+ 高频词，输出可读总结。

【模板33：竞品对比】 基于下面我方与竞品的数据/功能，请做结构化对比、找我方优势短板、给差异化建议。

【模板34：仪表盘指标树】 我想监控[业务]，请设计指标树：一级北极星指标→二级拆解→三级过程指标，每级说明怎么采、怎么看异常。

【模板35：数据质量报告】 请基于下面数据样本，生成一份数据质量报告：完整性、准确性、一致性、时效性评分，列问题清单和修复优先级。

【模板36：复盘分析】 [活动]做了，前后数据（粘贴），请判断活动是否真的有效（排除自然波动）、量化增量、总结可复用与踩坑。

【模板37：预测置信区间】 下面模型的预测值，请补充置信区间/预测区间，说明怎么向非技术老板解释"区间"而不是只给一个点。

【模板38：样本量计算】 我要做A/B测试，基线转化率[X]、期望检出[Y]提升、显著性[ ]，请算需要多少样本和周期，给公式。

【模板39：数据故事板】 为下面这组分析结论，设计一页"数据故事板"：钩子句、3个支撑图表、一句收尾行动，适合汇报首页。

【模板40：自动分析脚本】 写一个Python脚本：读[CSV]→自动出描述统计+相关性+几张关键图→存为一份HTML报告。可复用。

【模板41：指标异动归因】 指标[ ]今天突降[X]%，请列"先看哪几层"（细分维度/数据延迟/口径变更/外部事件），给排查顺序。

【模板42：可视化选图速查】 请给一张"场景→图表"速查表：占比、趋势、分布、关系、排名、地理、漏斗各用什么图，附反例。

【模板43：数据清洗自动化】 把下面人工清洗步骤固化成Python脚本，每月跑一次，输出清洗后表和质检日志。

【模板44：汇报图表文案】 为下面这张图写图注和一句"所以呢"：说明它讲了什么、为什么重要、下一步。

【模板45：分析计划书】 接手[分析课题]前，请写一份分析计划：目标假设、所需数据、方法、交付物、时间线、风险，先对齐再动手。

九、实战案例：一次完整的销售复盘

背景：上月销售额环比下降15%，老板要原因。

第1步框架（模板1）：锁定要看的指标（总销、客单、订单数、品类、区域）。 第2步清洗（模板2）：发现数据里有重复订单和测试单，先剔。 第3步拆解（模板21/23）：环比发现是"订单数降、客单略升"，区域上华东掉最多。 第4步归因（模板20）：华东掉是因为一个大客户流失+促销结束；不是整体需求问题。 第5步洞察（模板15）：结论——问题集中在B端大客维护，而非C端疲软。建议：建大客预警+续约SOP。 全程用AI跑数，你只做"问对问题+拍板结论"。一份有说服力的复盘，两小时交差。

十、分析速查卡

十一、常见问题FAQ（模块七）

Q1：完全不懂统计能做分析吗？ A：能。用"说人话+要代码+看结论"三步法，AI把统计门槛削平，你负责业务判断——那才是不可替代的。

Q2：AI算的数能直接汇报吗？ A：关键数字务必抽查（尤其它写的公式）。让它"解释算法"，你核对逻辑，别直接信输出。

Q3：相关性能当因果说吗？ A：不能。让它在结论里标注"相关非因果"，先想有没有第三变量，别急着下"因为"。

Q4：选错图表会误导人吗？ A：会。用模板42的"场景→图表"速查表；截断坐标轴、错用饼图都会歪曲事实，要诚实地画。

Q5：样本小结论可信吗？ A：让AI注明样本量和置信度，小样本的结论当"信号"而非"定论"，别拿去拍板大决策。

Q6：怎么让分析有"洞察"而非罗列数字？ A：套模板15，逼它给"发现了什么/为什么重要/建议做什么"，把数字翻成人话和行动。

Q7：数据太脏从哪下手？ A：先套模板2做体检（缺失/重复/格式/异常），再模板3清洗，别直接分析脏数据。

Q8：预测模型一定要会建模吗？ A：不必深。说清"预测什么、数据量、要不要解释性"，让它给选型和端到端代码，你跑并解读。

Q9：老板听不懂分析怎么办？ A：用模板16编"数据故事"：矛盾现象开头→数据解释→行动结尾，30秒讲完，比堆图表管用。

Q10：分析流程怎么固化？ A：把"定问题→体检→探索→可视化→结论"存成模板，每月同样跑，人只审异常和拍板。