你还在瞎蒙提示词，完全不看数据来操作吗？这才是真正的AI+数据分析套路。不想让AI给你一堆官话和万能公式，就要把它当成你的员工，而不是老师。五步实战流程我直接给你捋清楚：先看你在哪个业务层级干活，再定主副指标和标准。接着用五问法挖根源，用历史和竞品的数据来做假设。最后用严谨的单/多因素验证，这才是落地的关键。 很多人面对数据没辙，把问题直接甩给AI，结果就是一堆正确的废话。这时候就要把思路牢牢握在自己手里，让AI去收集外部数据、补代码、丰富假设。具体操作分五步走： 第一步：搞清楚你回答的是谁的问题 哪怕是相同的问题，最高层、管理层和一线执行层关注点都不一样。AI不知道你的背景，你得自己弄明白这几点：1）行业和业务类型是什么；2）你面对的是哪一层级的问题（看图）；3）具体要分析的数据是哪一层的数据。 第二步：锁定分析指标 明确场景后再定指标。大部分主指标是固定的，但财务、商品、运营这些部门的关注点完全不同。比如销售分析，收入毛利是主指标，但搭配的副指标要看具体哪个部门用。别忘了给AI列好可用的指标和维度，甚至可以传样本样例让它照着来。还得补上内部标准，AI不知道你们公司的规矩和老板的喜好。 第三步：用五问法找原因 以销售不达标为例：1）离目标差距是-5%还是越来越大？2）是近12个月来第一次吗？还是之前也常发生？3）最近几周连续不达标吗？走势有没有扩大？4）是所有商品都有问题，还是XX产品单独出状况？5）部门有没采取措施？效果咋样？ 这个固定顺序能帮你理清思路。别指望AI直接告诉你答案，它顶多帮你写写SQL代码算算数。因为下一步提假设还得靠你自己对数据的感觉。 第四步：提出详细的分析建议 光说一句“搞高”肯定不行。作为专业的人，你得有四种方法：1）找同类商品B参考做法；2）看是点击少还是转化差；3）追加预算试试；4）看看竞品打法。 前两种是基于历史数据的深挖，后两种需要业务配合做测试。你可以让AI帮你找文章或案例补充思路，但最终判断还是要自己下。 第五步：验证假设的准确性 单因素假设验证最简单。比如你说A产品不行，那就看看排除其他因素后A是不是真的不行。多因素就复杂了：需要用MECE法梳理逻辑、给行为打标签、用统计学设计实验或者用回归模型做因果推断。 碰到部门扯皮的时候更难办，这时候不仅要懂技术还要懂人心，保持中立立场给数据提供准确答案才行。 用对方法就能从从容容把事情搞定！