夜雨聆风做了15年改善，最怕开月度质量会。
不是怕数据难看，是怕数据看完了，没人知道"为什么"。
月初生产经理发过来三张Excel表——产量、良率、停机时间。他花了两个小时做透视表、画折线图，PPT做得漂漂亮亮。
我问："良率为什么掉？"
他看着图，沉默了五秒。
Excel 分析 vs 对话分析，差在哪
Excel 没问题，我自己也用。但它的逻辑是：你想好要看什么 → 你建模型 → 你出结果。
数据是被动的。你没问的，它就躺在那里。
我见过太多人把Excel玩得很溜，但分析方向永远是"按什么维度看"——这是描述，不是诊断。
对话分析不一样。你把数据丢给Gemini，第一句话别说"帮我分析"。
这样说：
"装配线最近两个月良率从98.2%掉到96.7%。帮我看：掉得最厉害的是哪个维度（班次/产线/产品）？有没有时间规律？"
它给你一个初步判断。
然后你接着问——
"良率掉的那几天，停机记录里有没有集中故障？交叉看一下。"
"夜班的良率如果单独拉出来，和新员工上岗时间有没有重叠？"
"这组数据里，有没有哪个产品的良率一直在低位，但被平均值掩盖了？"
这个过程和Excel的本质区别：
Excel是你把所有可能的分析方向先想好，再逐一验证。
Gemini对话是你看到一个线索，立刻追问下一步——像你和一个懂数据的同事在办公室里聊天。
那个汽配厂的问题，最后就是这么问出来的：夜班良率掉得最厉害，而夜班那个月刚好换了两批新员工。不是设备，不是原料，是培训没跟上。
用Excel，你也能发现这个问题——前提是你先想到"会不会是人员问题"。
用对话，它在第三轮会提醒你："夜班良率异常，建议交叉查看人员排班记录。"
实操：三步走，不用写代码
第一步：数据直接丢，别整理
很多人卡在这——觉得数据不整理干净，AI读不懂。
不用。
Gemini能直接读：
Excel表（.xlsx）——直接上传 CSV文件——直接上传 甚至你截图粘贴进去，它能读表格
唯一要注意的：列名用中文或常用英文（"产量""良率""日期"），别用自己厂的缩写（"CL""YR""DT"），AI猜错一次就全错。
第二步：第一问，给背景+给目标
别扔一句"帮我分析这个"就完事。
有效问法：
"背景：装配线3月1日-4月30日的良率记录，按班次和产线统计。
目标：我想搞清楚良率下跌的根本原因，不是只看哪个班次差。"
这样问，Gemini的第一次回复就会往"诊断"方向走，而不是给你一堆描述性统计。
第三步：追问三波，别停在第一个答案
这是最关键的一步。
第一波：让它帮你找异常
"你说的那个异常点，是系统性下跌，还是某几天的偶发异常？"
第二波：交叉验证
"你把良率和停机记录交叉看了吗？如果没看，帮我推测一下，哪类停机最可能导致这种良率曲线？"
第三波：转化成改善语言
"如果我要把这个发现写成一个改善课题，你会怎么描述这个问题（用A3报告的写法）？"
到第三步，你得到的不是一份"数据分析报告"——是一个改善方向的起点。
和Excel的真实差距
不是说Excel不好，是说两种工具的定位不一样。
| 你负责 | ||
| 它负责 | ||
| 适合 | ||
| 短板 |
我自己的用法：
日常报表、给老板的固定格式报告 —— Excel。
出了问题、想搞清楚"为什么会这样"、手里有数据但不知道从哪下手 —— Gemini对话。
一个提醒
Gemini给出的交叉分析、异常判断，你得自己核对原始数据。
它不是审计员，它是个反应很快的同事——提的假设可能对，也可能不对，你要用它帮你拓宽思路，不是替你下结论。
去年有家电子厂，Gemini分析良率数据后提示"可能是焊锡温度波动"，现场一查，焊锡炉温度记录完全正常。真正的原因是新品导入时工艺参数设错了，Gemini没看到"产品型号"这个维度。
AI帮你问对问题，但答案得你自己去现场确认。
精益视角
丰田生产方式里有个词：现地现物。
意思是：问题在哪，你得去那看。
但现地现物有个前提——你得先知道"该去看什么"。
Gemini对话分析做的，就是帮你把"该去看什么"的范围缩小。
它不直接解决问题，它帮你问对问题。
这和精益改善的逻辑一模一样：80%的问题定义清楚了，解决方案往往不复杂。
精益王老五，15年现场改善和精益管理，持续输出干货。日更。
下期继续谷歌AI系列。讲搭建你的「工厂AI工具箱」——不只是对话，是让它帮你搭一个重复可用的分析流程。
明晚8:30，继续。
系列第4/20期，关注不迷路。
