跟着步骤完成任务；每段 Prompt 都可直接复制。
先核对字段和口径，再分维度整理待验证的数据发现。
你把 Excel 贴给 AI，AI 只能猜你的字段是什么意思——猜对了是运气，猜错了是结论。
你有没有这个经历——
打开 AI，把公司的销售表格拖进去，输入：
"帮我看一下这个表的销售情况。"
AI 噼里啪啦分析了一通，给了你三条"结论"：
你看着好像有点道理，但又觉得哪里不对劲……
因为你的表格里：
AI 猜错了你的字段含义，结论全是废的。
这篇教程教你：别让 AI 猜你的数据，先告诉它数据长什么样。 做好这五步，AI 给你的分析才能真正帮到你。
你是某电商公司的运营。你把 2026 年第一季度的销售表（CSV）丢进 DeepSeek，问：
分析一下这份销售数据，帮我找找问题。
AI 回复了这么几条：
dt列数据完整，时间跨度覆盖一季度amt列总体呈上升趋势，3 月达到峰值reg列中，"华东"地区的amt明显高于其他地区sts列中，"P" 状态占比最高
你一看，头都大了：
AI 把一列数字当成金额来分析趋势，实际上那是"处理时长"——结论从根上就是错的。
为什么会这样？因为你没告诉 AI 字段是什么意思，它只能凭字母猜。
AI 在数据处理上有个致命的盲区：
AI 能处理数字，但看不懂字段名背后的业务含义。
当你把表格直接丢给 AI，它的"脑补"逻辑是这样的：
amt → 大概率是金额 → 那么高的数字还能是啥？dt → date 的缩写 → 应该是日期吧Q1 → Quarter 1 → 第一季度sts → status → 状态AI 是根据字母拼写猜的。 如果你的字段名用了缩写、代码、内部代号，AI 猜对的概率可能不到 50%。
想要 AI 帮你做数据分析，你得先帮 AI 看懂你的数据。
⚠️ AI 提供的是待验证的分析线索，不替代业务、财务或其他专业判断。上传前应先脱敏；关键结论需回到原始数据复核，相关性也不能直接当作因果关系。
这是最容易被跳过的一步。AI 不是清洁工，脏数据只会出脏结论。
在做任何分析之前，花 5 分钟做这几件事：
① 字段名改成大白话
不要用 Q1、data、rev、amt 这种缩写。改成：
Q1 → ✅ 第一季度销售额 或 第一季度投诉数量dt → ✅ 存款类型（1=定期/2=活期）sts → ✅ 客户星级规则：让你的字段名让一个完全不懂业务的人也能看懂。
② 颜色状态转成文本
很多人用 Excel 喜欢这样：红色=有问题，绿色=已处理。
但 AI 看不到颜色！ 加一列文本字段，比如 状态 列写"有问题"或"已处理"。
③ 检查常见脏数据问题
④ 备份原始数据 清洗前复制一份原始数据。万一洗坏了还能找回来。
完成这一步，你的数据已经比 80% 的人喂给 AI 的干净了。
数据洗干净了，现在要告诉 AI 它看到的到底是什么。
复制这段 Prompt（先不要贴数据）：
你是一名资深数据分析师。我现在要给你一份 {业务类型} 数据，请先不要分析。
先记住以下数据说明：
## 数据结构说明
| 字段名 | 中文含义 | 数据类型 | 示例值 | 备注 |
|-------|---------|---------|-------|------|
| {字段1} | {含义} | {数字/文本/日期} | {示例} | {特殊说明} |
| {字段2} | {含义} | {数字/文本/日期} | {示例} | {特殊说明} |
| ... | ... | ... | ... | ... |
数据范围：共 {行数} 行，时间跨度 {起止时间}
业务背景：{这份数据是用来做什么的，比如"公司 2026 年 Q1 的线上销售记录"}
分析目的：{简要概述你要分析什么}
当你理解后，回复"已了解数据结构，可以进行下一步分析"。不要输出任何分析内容。
⚠️ 把
{大括号}里的内容替换成实际信息。字段说明表一定要写——这是最最重要的一步。
一个好的字段说明表长这样：
| 字段名 | 中文含义 | 数据类型 | 示例值 | 备注 |
|---|---|---|---|---|
| order_id | 订单编号 | 文本 | ORD-2026001 | 唯一值，不重复 |
| order_date | 下单日期 | 日期 | 2026-01-15 | 格式统一 |
| customer_city | 客户城市 | 文本 | 上海 | 共涉及 32 个城市 |
| product_category | 商品品类 | 文本 | 数码 | 日用/数码/服饰/食品 |
| sales_amount | 销售额（元） | 数字 | 299.00 | 单位：人民币 |
| is_refund | 是否退款 | 文本 | 否 | 是/否 |
| refund_reason | 退款原因 | 文本 | 尺寸不合适 | 仅退款订单有值 |
写清楚字段含义，AI 的分析准确度能翻 10 倍。
很多人到这里就直接问 AI："帮我分析一下。"——问题太宽了。
不要问"有什么发现"，要问具体的问题。
把你的数据贴给 AI（在 Step 1 的对话后粘贴），然后发：
好的，现在我已经把数据粘贴给你了。请开始分析。
我这次想解决的问题是：
{选择一个方向}
- 找趋势：销售额/用户数随时间变化的规律
- 做对比：不同品类/地区/渠道之间的差异
- 找异常：哪些数据点明显偏离正常范围
- 做归因：某个变化（如销售额下降）的主要原因是什么
- 做预测：基于已有趋势预测下个月的情况
我的具体问题：{用一句话写清楚你想知道什么，比如"上个月华东区的销售额为什么会下降 15%"}
在分析之前，请先列出你将使用哪些维度进行分析，我确认后再继续。
好的问题 vs 差的问题：
| ❌ 差 | ✅ 好 |
|---|---|
| "帮我分析一下" | "上个月销售额下降的原因是什么？" |
| "有什么发现" | "数码品类和服饰品类的退货率有没有显著差异？" |
| "怎么看这个数据" | "各地区的复购率排名，前 3 和后 3 分别是？" |
问得越具体，AI 的答案越有用。
这一步是"把大任务拆小"的核心。不要一次性让 AI 分析所有维度，一次一个。
AI 确认分析维度后，发：
好的，这些维度我同意。请按以下顺序逐一分析：
1. 先按 {时间维度} 分析——看整体趋势
2. 再按 {品类维度} 分析——看品类差异
3. 然后按 {地区维度} 分析——看地区差异
4. 最后交叉分析 {时间 + 品类}——看时间趋势下各品类的表现
每完成一个维度，暂停一下，我确认后再继续。
规则：
- 每个维度给 3 条以内的核心结论
- 结论要具体（有数字、有对比），不要"有所增长"这种废话
- 标注数据是否足够支撑结论（比如样本量太小要说明）
每分析完一个维度，花 10 秒看看：
不满意？直接说：
"这里不对，华东区的数据不含上海，请去掉华东重新算。" "这个结论样本量太小了，标为'待验证'。" "按周维度的趋势波动太大，改成按月看看。"
全部维度分析完，你已经有了一个逐步递进的、立体的数据认识。 而不是一次性丢给 AI 后收到的一堆混乱结论。
分析出结果了，但先别急着用。数据分析最大的坑就是盲目相信 AI 的结论。
完成所有维度分析后，发：
分析完成。现在请做以下三件事：
#### 1. 交叉验证
请从另一个角度重新验证关键结论：
- 对于"销售额下降是因为数码品类下滑"这个结论，请检查：如果不看数码品类，整体趋势是否还成立？
- 对于"华东地区增长最好"这个结论，请检查：华东的样本量是否明显偏大/偏小？
- 对于任何"相关性"结论，请检查是否可能存在"因果混淆"（A 和 B 相关不等于 A 导致 B）
#### 2. 生成结论摘要
- 核心结论（3 条以内，每条要有数据支撑）
- 需要进一步确认的发现（数据不足或逻辑未闭环的）
- 建议采取的行动（根据结论，你建议做什么）
#### 3. 生成汇报素材
- 建议用什么类型的图表展示（折线图/柱状图/饼图/散点图等）
- 数据的亮点和风险点分别是什么
- 如果要做汇报，3 句话总结给老板听
① 🥷 相关不等于因果 "冰淇淋销量和溺水人数呈正相关"——不是因为吃冰淇淋会溺水，而是因为夏天到了两者都增加。 AI 特别喜欢找相关性，但你要自己判断是不是真的因果。
② 🥷 小样本出大结论 3 个客户的数据就能得出"A 类客户贡献最大"？样本量不足 30 的结论请标记为"待验证"。
③ 🥷 AI 会编造公式 如果让 AI 直接生成 Excel 公式，一定要对照已知数据验证一下。AI 可能引用错误的单元格，或者用了不对的函数。
④ 🥷 时间颗粒度陷阱 按天看波动很大，按月看趋势稳定——选哪个时间粒度取决于你想看什么。如果 AI 默认按天分析了，你觉得不对就让它换月/周/季度。
⑤ 🥷 数据脱敏 公司的销售数据、客户信息可能涉及敏感信息。上传前：
| 对比项 | ❌ 直接丢给 AI 分析 | ✅ 五步法 |
|---|---|---|
| 字段理解 | AI 靠猜，容易误判 | 你告诉 AI 每个字段含义 |
| 数据质量 | 脏数据直接进 | 先清洗再分析 |
| 分析方向 | AI 自己决定分析什么 | 你定目标，AI 执行 |
| 结论深度 | 泛泛的"表现良好/有待提升" | 具体的、有数据支撑的结论 |
| 交叉验证 | 不验证，直接信 | 多角度验证再出结论 |
| 可用性 | 结论太虚，没法决策 | 形成待验证的行动建议 |
这套"洗数据 → 注字段 → 定目标 → 分维度 → 交叉验证"的方法，不止能做销售分析：
① 销售数据复盘 月度/季度复盘，不用手动拉透视表。按品类/地区/时间维度拆解，让 AI 帮你找异常和趋势，出汇报摘要。
② 用户行为分析 用户留存、活跃度、流失分析。先告诉 AI 哪些字段是"注册时间"、"最后活跃时间"、"充值金额"，再按用户分层分析。
③ 财务报表分析 收入/支出趋势、预算 vs 实际。注意财务数据更敏感——先用脱敏的样本数据测试，确定流程没问题再上真实数据。
④ A/B 测试结果分析 实验组和对照组的数据对比。让 AI 算显著性、置信区间，但要记住：AI 判断"显著"的标准可能和你的业务场景不一样，人工再判断一次。
别让 AI 猜你的数据。先把字段含义告诉它，再告诉它你想知道什么，然后一次分析一个维度，最后交叉验证。
把 AI 当一个不会读心术的数据分析师用——你给它越清楚的信息，越容易得到可供人工核验的分析线索。