这才是最好的[AI+数据分析]方法，而不是盲目堆砌提示词

面对数据没思路、AI只会说官话？核心在于定位错位：AI是你的‘超级员工’而非‘导师’。本文提出五步实战法：从明确业务场景与层级，到锁定主副指标与内部标准；从五问法定位问题根源，到基于历史数据与竞品对标的四种假设推导，再到严谨的单/多因素验证。

面对数据没思路，放着AI不会用，是很多人的痛点。如果生硬的把问题塞给AI，经常得到一堆看似正确实则难落地的官话。也很难和自己公司的情况结合。咋办呢？？

AI是你的员工，不是你的老师。解决实际问题时，一定要自己牢牢把握思路，清晰主线任务，让AI帮我们收集外部数据，补充代码细节，丰富假设。这样才能从从容容游刃有余。

具体操作，则要分成五步

第一步：明确业务场景

“我在回答哪个部门的问题”，是第一步。即使是相同问题，最高决策层，管理层，一线执行层问起来，关注的重点也不一样。AI可不了解你的问题背景，你需要自己弄清楚：

1）我的行业背景、业务类型

2）我面对的问题是哪个层级（参考下图）

3）我要分析的数据具体是哪个层级的数据

这叫：清晰业务场景，也是AI提示词中最重要的背景部分

第二步：清晰分析指标

明确业务场景之后，可进一步确定分析指标。

大部分业务场景的主指标是固定的。做分析时，往往是一个主指标+若干副指标/维度，共同解释问题。

比如销售指标，主指标都是收入、毛利，但财务/商品/运营/供应部门关注点不同，需要搭配使用的指标也不同（如下图）：

这样结合具体业务需求选择指标+维度，能更有效观察数据。

在使用AI辅助分析的时候，也要时刻提醒AI“我可用的指标/维度”是什么，必要时可上传样本与数据样例，从而避免AI满口囫囵话。

梳理清楚指标+维度后，还需要进一步明确判断问题的标准。

这里特别要注意区分内外部标准，AI可不知道你们企业的标准与你老板的喜好，需自己补充（如下图）：

第三步：定位问题来源

定位业务问题，可以依次问以下五个问题（如下图）：

以销售分析为例，如果发现本周销售不达标，那么问：

1、偏离目标的程度很小（-5%）还是越来越大？

2、是近12个月来首次不达标吗？还是之前也有若干次？

3、是否最近几周连续不达标，不达标的走势有没有扩大？

4、所有商品/所有地区/所有销售渠道都有问题，还是仅XX有问题？

5、销售部门有没有采取干预行动？效果如何？市场部有没有做事情？

这个固定顺序，能极大清晰思路，提升分析效率。这个过程里，AI更多是帮你输出SQL，python代码，计算必要的数据，对于数据走势的判断+归因最好自己来。因为下一步要提分析假设，很需要你自己对数据有感觉。

第四步：提出分析假设

很多人在第三步就止住脚步，直接丢一句“因为A商品销售不好，所以销售未达标，建议搞高”交差。这一类报告，最容易被批判为：“没分析思路，不够深入”。

因为“要搞高”是一句废话，业务想知道的是：谁来搞、怎么搞、用什么搞、搞到多高。作为专业的数据分析师，你有至少四种方法，能导出详细的业务建议：

以销售分析为例，当你已经锁定“销售不佳是因为A产品表现不好”的时候，四种办法分别是：

1）有没有和A同类/同价格带，且推广更好的B，参考B的运作方法

2）A推广不佳，是广告报告点击少，还是用户进店转化不行，点击少就改宣传图，转化不行就改详情页

3）目前做法都不变，追加给A的推广费用，看看大力能出奇迹不

4）我看竞品有一套打法，貌似效果很好，我们也试一下看看行不行

其中，1，2做法是基于历史数据的深度分析，3、4做法需要业务配合做测试，先列待改进清单，再逐一验证效果。测试和历史数据推理，是同样重要的分析手段。这里，你可以让AI协助补充假设，特别是帮你收集行业内相关文章与类似问题。但是下判断最好自己来，AI不会主动帮你设计测试方案。

第五步：验证分析假设

注意！凡是单影响因素的假设，都容易验证。我们一般都建议新人练好单因素假设分析，掌握：假设→论点→论据→结论的推理顺序（如下图）：

多重影响同时作用时，需要更复杂的分析逻辑，此时：

1、需要利用MECE法，梳理分析逻辑，剥丝抽茧

2、量化复杂的业务行为，需要打标签，找特征

3、抽样测试需要用到统计学方法，设计实验

4、做观察型因果推断，需要用到回归模型

当涉及部门利益冲突，各个部门相互甩锅的时候，问题更麻烦。此时需要的已经不单单是分析技巧，还需要敏锐得关注到不同人群的诉求，保持中立态度，提供准确的数据，避免牵扯到骂战里（如下图）