一、背景引入（Context）

财务人手里从不缺数据。

销售数据、费用明细、应收账款表……每个月都在产生，堆在文件夹里，等着被分析。

但"分析"这件事，往往卡在同一个地方：

数据有了，但不知道从哪里切入；想分析，但说不清楚要分析什么。

于是很多人的做法是：把数据直接扔给AI，说"帮我分析一下"——然后得到一段"总体趋势向好，建议持续关注"的废话输出，看完什么都没得到。

问题不在AI，在于你还没有练习过一项底层技能：用语言定义问题的能力。

二、直面问题（Problem）

为什么"直接扔数据给AI"的分析效果很差？

问题①：AI不知道你的分析目的

同一份费用明细，可以分析"哪个部门超预算"，可以分析"哪类费用的季节性规律"，可以分析"环比变化的异常点"——目的不同，分析框架完全不同。你不说，AI只能猜，猜出来的通常是最泛泛的那个。

问题②：AI不了解你的数据背景

这份数据是什么时间段的？哪些列是关键指标？有没有已知的异常？这些背景，你心里清楚，但AI完全不知道。没有背景，AI分析出来的"发现"，可能是你早就知道的常识，毫无价值。

问题③：问题没想清楚，数据就没有方向

"我想分析这份数据"——这句话本身就是模糊的。你想回答的是什么问题？领导关心什么？你自己最想知道什么？在把数据给AI之前，你自己先要有一个初步的分析假设。

三、拆解步骤（Solution）

Step 1：拿出一份数据，先不要打开AI

随便哪份——销售数据、费用明细、应收账款表均可。

打开这份数据，看30秒，然后关掉。

现在问自己：这份数据，我想用它回答什么问题？

把这个问题写下来，哪怕只是一句半通不通的话。

Step 2：用三句话口述给AI，包含这三个要素

不要把数据文件粘贴进去，先用自己的话描述：

第一句：这份数据是什么"这是我们公司1-4月的费用明细，按部门和费用科目拆分，共8个部门、12个费用类别。"

第二句：你看到了什么/你想分析什么"我注意到3月的管理费用比1、2月明显高了不少，我想搞清楚是哪个部门、哪类费用拉高了，以及是不是季节性的还是一次性的。"

第三句：你希望得到什么形式的结论"我希望AI帮我梳理一个分析逻辑框架，先从哪个维度看，再从哪个维度切入，最后得出什么样的结论。"

Step 3：让Claude帮你梳理分析逻辑和结论框架，而不是直接得出结论

把三句话发给Claude，加上这个要求：

"请帮我梳理一个分析这个问题的逻辑框架——先看什么，再看什么，每一步看的目的是什么，以及最终我需要回答的核心问题是什么。"

关键：你要的是"框架"，不是"答案"。

AI给出框架后，你再按框架，自己去数据里找对应的数字——这个过程，才是你真正的分析能力在运转。

Step 4：对AI给出的框架进行评估和调整

拿到框架后，逐条问自己：

• 这个分析步骤，在我们公司的实际情况下适用吗？
• 有没有它没考虑到的维度？（比如公司特殊的季节性业务）
• 框架里用到的数据，我手头都有吗？

修改框架，让它更贴合你的实际场景，然后再开始执行分析。

Step 5：把"你的分析框架"保存下来

每次用AI梳理完的分析框架，保存到你的"分析方法库"里：

分析场景：管理费用异常增长分析分析框架：1. 按部门拆分，定位主要贡献部门2. 按费用科目拆分，定位具体费用类别3. 与历史同期对比，判断季节性vs一次性4. 确认是否有已知事项（搬迁/活动/人员变化）5. 核心结论：归因+定性（可控/不可控）

积累20-30个框架后，你会发现大多数财务分析问题都有规律可循。

四、底层逻辑（Underlying Logic）

为什么要先"口述分析思路"，再让AI帮你组织？

因为这个过程，锻炼的不是AI的能力——锻炼的是你用语言定义问题的能力。

"用语言定义问题"是财务分析最核心的底层能力之一：

• 你能不能把一个模糊的"数据异常感"，转化成一个清晰的"可以被验证的假设"？
• 你能不能在数据分析开始之前，就想清楚"我想回答什么问题"？

这个能力，不只是对AI有用。

它是你和领导沟通的能力——能不能把领导的需求翻译成一个具体的分析任务？ 它是你做汇报的能力——你的分析结论，是否在回答一个真实的业务问题？

AI在这里扮演的角色，是"你的思维外化工具"——它帮你把说出口的思路，变成可执行的框架；但框架里的判断和数据，必须由你来填充。

数据分析的价值，永远来自于"你对业务的理解"，而不是来自于工具。

🔧 知识块拆解：哪些内容适合独立提炼？

🔍 漏洞与深化：我需要向你提问

1. 你这次口述的是哪类数据？ 费用明细、销售数据、还是应收账款？不同数据类型的"口述难度"差异很大——费用数据通常最容易口述，销售数据涉及维度更多。真实场景能帮读者更快代入。

2. AI给你梳理的框架，和你自己原本的思路相比，有没有让你"没想到"的维度？ 这个"发现感"是文章最有价值的高光——如果AI帮你补全了一个你原本忽略的分析角度，这就是"用AI思考"而不是"用AI写字"的最好证明。

3. Step 2的三句话，你实际上说了多少字？ 很多人会以为"口述"很难，但实际上50字就够了。如果你有真实的口述样本，放进文章会让读者立刻感受到"原来门槛这么低"。

关于"分析假设前置"的进阶做法

在口述之前，可以先对数据做一个"30秒快速扫描"，形成一个初步假设：

"我的假设是：3月管理费用上升，主要是差旅费和会议费，因为上半年通常有年度战略会。"

把这个假设告诉AI：

"我的假设是XX，请帮我设计一个可以验证或推翻这个假设的分析框架。"

有假设的分析框架，比"帮我分析这个问题"的框架，质量高出一个数量级。

因为它逼迫AI从"你的业务理解"出发来设计路径，而不是从"数据分析的通用方法"出发——这个区别，在真实工作中非常显著。