先划定边界。这套流程适合的对象是：手里有业务数据（销售流水、客户名单、考勤记录、问卷结果），需要从里面看出点门道，但不熟悉函数和透视表的普通职场人。能达到的程度是：描述统计、分组对比、趋势观察、异常定位，以及一页结构完整的分析结论——覆盖日常工作里八成以上的分析需求。

不适合的场景也要说明：需要严格统计推断的科研数据、上百万行的大表、要进生产系统的自动化报表，这些还是该交给专业工具和专业的人。大模型做数据分析的定位是把原来不做分析的人带进门，把原来要两天的活压到半小时，不是替代数据分析师。

目前主流对话产品基本都支持直接上传表格文件，通用的操作路径都是一样的：打开对话，点附件上传 xlsx 或 csv 文件，然后用自然语言提要求。工具随手可得，差距全在怎么用——下面五步就是把「怎么用」拆成可以照抄的动作。

原始表格直接上传，是新手最常犯的错误。上传前要做两件事。

第一件是脱敏。客户手机号、身份证号、真实姓名、银行账号，这些信息没有任何分析价值，却有实实在在的泄露风险。处理办法很简单：删掉这些列，或者用编号替换——「客户A、客户B」完全不影响分析结论。涉及公司敏感经营数据的，金额可以整体乘一个系数再上传，分析完的相对结论（占比、增速、排名）依然成立。这一步是纪律问题，不是技术问题，任何时候都不该省。

第二件是整形。大模型读表的能力不差，但表格本身太乱会显著拉低产出质量。花两分钟检查四点：表头是不是只有一行、每列是不是只放一种信息（日期列别混着写备注）、合并单元格拆开、汇总行删掉（大模型会把「合计」当成一条普通记录算进去）。判断标准就一条：这张表让一个不了解业务的同事看，他能不能猜出每列是什么——能，就合格了。

表格上传后，多数人的第一句话是「帮我分析一下」。这是整个流程里效果最差的提问方式，大模型只能就着列名瞎猜，产出一堆正确但无用的泛泛统计。

正确的起手式是先发一段背景说明，包含四个要素：这是什么数据（业务背景）、每列什么意思（字段口径）、数据范围是什么（时间段、覆盖对象、有没有已知缺漏）、你最终想回答什么问题（分析目标）。

举个例子，比起「帮我分析销售数据」，下面这段话的产出质量会高出一个量级：「这是公司今年上半年的销售流水，每行一笔订单。金额列是含税实收，渠道列里的直营指线下门店，客户类型列的新客指首次下单。三月因系统迁移缺了一周数据。我想知道：哪个渠道增长最快，新客占比是升是降。」

字段口径尤其关键。同一个「收入」，含税不含税、下单口径还是回款口径，结论可能完全相反。人和人协作要对口径，人和大模型协作同样要对——它不会主动追问，你不说，它就按最常见的理解默认处理，错了也不吭声。

Excel 丢给大模型的五步流程图

背景交代完，不要急着问最终问题，按三层阶梯往下走，每层都基于上一层的结果收窄方向。

第一层：摸底。让它先做整体描述——「先给出整体概况：总行数、时间跨度、各列的缺失情况，金额的总和、均值和分布，按月份汇总一下趋势。」这一层的作用是校验它有没有正确理解数据，也让你对全貌心里有数。如果这一层的总数就和你的认知对不上，立刻停下来排查，别带着错误往下走。

第二层：交叉。开始分组对比——「按渠道分别统计上半年销售额和订单量，算出各自的月均增速」「新客和老客的客单价差多少，各渠道的新客占比排个序」。交叉分析是业务洞察的主要来源，谁和谁交叉，取决于第二步里定下的分析目标。

第三层：追因。对着交叉结果里的异常点深挖——「直营渠道五月环比掉了三成，把五月的直营订单按周和按门店拆开看，定位一下缺口来自哪里」。追因这一层往往要来回问三五轮，这正是对话式分析的优势：不用重建透视表，一句话就是一次下钻。

三层问下来，一份几百行的表格基本就被盘透了。整个过程里保持一个习惯：每层都让它把关键数字连同计算口径一起列出来，方便下一步核验。

分析结果要拿去开会或汇报，还差两步加工。

图表方面，多数产品支持直接生成柱状图、折线图、饼图，一句「把各渠道月度销售额画成折线图，直营用深色突出」就能出图。图表原则从简：趋势用折线、对比用柱状、占比用饼图，一张图只说一件事。生成的图如果要进正式材料，建议让它同时给出绘图用的汇总数据表，方便在 Excel 或 PPT 里按公司模板重画。

结论方面，让它按固定结构输出一页纸：「把上面的分析整理成一页结论：三个核心发现，每个发现配一句数据支撑；两个待确认的疑点；一条你建议的下一步动作。」这个「发现＋支撑＋疑点＋建议」的结构，比一大段自由发挥的总结好用得多——发现给结论，支撑给底气，疑点给严谨，建议给行动。直接把这一页贴进周报或会议材料，稍加修改就能用。

最后一步决定这套流程能不能长期用下去：大模型的计算结果必须抽查。它读表偶尔会看错列、算错口径，而且错得毫无征兆。核验不需要全量重算，三个动作就够。

一是抽三个数：从结论里挑三个最关键的数字（比如总销售额、增速最高渠道的增速、新客占比），用 Excel 的求和或筛选功能手工验一遍，两分钟的事。二是对一次口径：把它列出的计算口径读一遍，确认和你交代的一致——最常见的翻车是它把「合计行」算了进去，或者把退款订单当成了正常订单。三是问一句反话：「上面的结论里，哪一条的数据支撑最弱？」它对自己产出的批判往往相当诚实，这句话经常能暴露出你没注意到的漏洞。

人工核验三动作清单

最后把实践中出现频率最高的四个坑单独列出来，都有对应的解法。

坑一：数据一次喂太多。几万行的大表直接丢进去，容易触发截断，模型只读了前面一部分却不声明。解法：先在 Excel 里按分析目标筛出相关子集再上传，或者按月份拆成几张表分别分析。判断是否被截断的办法很简单——让它报告读到的总行数，和实际行数对不上就说明有问题。

坑二：把它的推测当事实。问到数据里不存在的信息（比如问客户流失原因，但表里只有交易记录），它会基于常识给出听起来合理的推测。解法：在背景说明里加一句「数据里没有的信息，明确说没有，不要推测」，并且对任何解释性结论多问一句「这是从数据里算出来的，还是你的推断」。

坑三：图表数字对不上正文。同一轮对话里，图表引用的汇总数和正文结论里的数字偶尔会不一致，通常是两次计算取了不同的过滤条件。解法：发现不一致时别自己猜，直接问「图里的总额和结论里的总额为什么不同，分别是怎么算的」，让它把两条计算路径摆出来对质，错在哪一眼就能看出来。

坑四：一轮对话用到底。对话太长之后，模型对早期交代的口径记忆会衰减，后面的计算悄悄跑偏。解法：一个分析主题一轮对话，换主题就开新对话重新交代背景；重要口径在关键提问时重复一遍，别嫌啰嗦。

把五步流程走顺之后，可以沉淀一个自己的背景说明模板：业务背景、字段口径、数据范围、分析目标四段固定下来，每次换数据只改内容。用过三五次就会发现，真正值钱的不是会用哪个工具，而是你比同事更快地把一堆数字变成了一页说得清楚的结论——这个能力，从现在开始半小时就能起步。

本文关键词 · 进入相关话题