文章目录 / 点击展开
AI 数据报告不应从“帮我分析这张表”开始，而应先确定管理者要做什么决策、指标如何计算、数据是否可信。AI 适合生成分析路径、解释草稿和汇报结构，但所有数字必须由可复现查询或受控计算得到。
先写清决策问题
将模糊目标改成可以分析的问题，例如“新用户激活率下降发生在哪个渠道、设备和注册周，是否与产品改版时间一致”。同时写清报告对象、时间范围、对比基线和预期决策。
一份报告不宜同时解决过多问题。主问题之外的发现可以放在附录或后续分析，避免图表很多却没有结论。
第一步：建立指标字典
每个指标记录业务定义、公式、数据源、时间粒度、去重键、时区、过滤条件、负责人和更新时间。特别说明分母、取消订单、退款、测试账号和迟到数据如何处理。
同名指标可能由不同团队采用不同口径。发现冲突时，先对齐口径并在报告注明，不要让 AI 选择看起来更合理的数字。
第二步：检查数据质量
在分析前检查完整性、重复、空值、异常范围、时间连续性和主键关系。将本期数据量与历史区间比较，确认埋点、同步任务和权限变化没有造成断层。
根据字段字典和样例数据生成质量检查清单。
覆盖主键、空值、重复、时间、枚举、关联完整性和异常范围。
不要计算未提供的数据，也不要把样例当作完整数据集。表格清洗与初步透视可以参考 AI 表格分析助手，关键查询则应保存 SQL 和运行时间。
第三步：设计分析路径
先做总体趋势和同比环比，再按与问题相关的维度分解。常用路径包括渠道、地区、设备、客户层级、产品版本和用户生命周期。每次分解都要说明为什么这个维度可能影响结果。
避免无目的地切分到出现“显著差异”为止。发现异常后先检查样本量、数据口径和事件时间，再提出业务假设。
第四步：区分事实、解释和建议
报告中明确分三层：数据事实说明发生了什么；解释是假设为什么发生；建议说明下一步如何验证或行动。相关变化不等于因果，模型生成的原因必须标记为假设。
每个解释至少寻找一个支持证据和一个反例。例如转化下降可能与流量结构变化有关，也应检查老渠道是否同样下降。无法区分时提出需要补充的实验、日志或访谈。
第五步：选择支持决策的图表
趋势使用折线，分类比较使用条形，流程转化使用漏斗或分步表，分布可用直方或箱线。饼图只适合少量互斥类别。标题直接写结论，副标题注明时间、范围和口径。
图表要显示必要单位、基线、样本量和异常说明。不要使用截断坐标夸大变化，也不要让 AI 生成无法从数据复现的装饰性图形。
第六步：生成管理层摘要与行动项
摘要先回答结果、影响、原因把握度和需要的决策。每项行动写负责人、截止时间、预期指标和复盘日期。若结论证据不足，明确“当前无法判断”，并说明补充证据的成本。
把以下已验证事实整理为管理层摘要。
分为关键变化、业务影响、原因假设、风险、决策请求和下一步。
只使用提供的数据；数字必须保持原值和单位。发布前检查清单
- 是否明确报告要支持的决策。
- 指标定义、分母、时区和过滤条件是否记录。
- 数据质量问题是否在分析前处理或披露。
- 所有数字是否可由查询或公式复现。
- 是否区分数据事实、原因假设和行动建议。
- 图表是否注明时间、范围、单位和样本量。
- 行动项是否包含负责人、期限和复盘指标。
常见问题
可以把完整业务数据上传给 AI 吗
应先遵守组织的数据分级、脱敏和供应商使用政策。能用字段说明和聚合结果完成的任务，不应上传明细敏感数据。
AI 给出的原因分析可靠吗
只能作为候选假设。原因需要通过分组、日志、实验、访谈或其他证据验证，不能从相关趋势直接推出。
报告中应该放多少图表
只保留支持主要结论和决策的图表，补充分析放附录。图表数量不是报告质量指标。
需要持续汇报项目数据时，可结合 AI 项目状态汇报流程 统一风险和决策请求的表达。