通用数据分析
将以下提示词粘贴到你的 AI 对话框中:
请根据 https://skillhub.cn/install/skillhub.md ,安装 @org-1sdzqs7z/shujufenxi 。
技能介绍
拿到一份表格,从哪下手?
很多人收到一份 Excel 或 CSV——也许是销售明细,也许是报销记录——脑子里只有一个模糊的念头:"帮我分析一下"。真正卡住人的从来不是分析本身:
- 不知道数据里有什么:日期列到底是下单日还是发货日?金额含不含税?
- 不会 SQL 和 Python:能在对话框里打字,但写不出一句查询
- AI 一收到"分析一下这个表"就开始跑:方向猜错了,后面全白做
- 算错了察觉不到:目标值被 AI 编出来,达成率是假的也没人发现
这个技能解决的就是这件事:把一次完整的数据分析拆成 9 个可逐步确认的动作,每一步规定清楚做什么、发什么指令、检查什么结果。
它是怎么工作的
表面上是"不会代码也能分析",真正的设计点是:人在关键节点拍板,AI 负责实现。九步流程大致是:
- 第 1 步 认数据 + 脱敏:花三十秒搞懂数据来源和覆盖时间;手机号、工资这类敏感列按掩码、替换、泛化或直接删除处理
- 第 2 步 数据体检:让 AI 只汇报不动手——标记空值、重复、异常值但不删除;字段含义必须由人确认,因为 AI 只能猜
- 第 3 步 填背景 6 要素:业务、时间、字段、口径、问题、目标值,缺一不可;说不出"想知道什么"时就想一句"老板会用这数据问我什么"
- 第 4 步 选维度:AI 给候选菜单,人挑 3-4 个。少而准胜过多而全,选多了等于分析失控
- 第 5 步 算指标:输出一张数字摘要表(含推荐图表)。口径必须写清(订单量按唯一订单号算,别按记录数);目标值必须来自人给的基准,AI 不许自己编
- 第 6 步 出图:让 AI 按它自己推荐的图表类型画——趋势用折线、对比用柱状、占比用饼图;图丑就补上标题、单位、配色和数据来源
- 第 7 步 逐维度解读:每条结论必须引用具体数字;AI 说"可能因为"时标注"推测,待验证"
- 第 8 步 整合报告:管理层看一页看板(3 个最重要发现 + 3 条建议),自己看详细补充材料
- 第 9 步 复核:抽查 2-3 个关键数字手算,确认报告没泄露敏感信息再发出去
最具工程价值的是设计了两张中间产物表。数字摘要表是第 6 步出图的唯一输入,切换工具或新开会话时只要把它粘贴进新对话,AI 就不会"失忆"。
它的适用边界
- 选维度是人的活:AI 只能列菜单,跟"想回答的问题"最相关的那 3-4 个维度,得你自己想
- AI 会一本正经地编:这是写进全程红线的第一条——数字、日期必须亲自核对,抽查手算是唯一确认办法
- 异常不等于违规:超阈值只代表要核查,不代表有问题
- 相关性不等于因果:AI 把"相关"说成"导致"时,当场拆穿
- 它不是数据清洗工具:第 2 步只标记不删除,清洗发生在算指标那一步,目的是让口径可追溯
- 复核是责任的最后一步:报告发出去,落款和责任都是你的——技能把这步设计成"不通过就得让 AI 重查",就是防止"AI 说的应该对吧"这种默认信任
使用场景
- 会议前两小时拿到一份销售明细表,需要产出给老板看的一页分析看板,但自己不会 SQL 和透视表。
- 财务收到报销记录.xlsx,要回答各部门费用多少、有没有异常报销,且没有预算目标可对照。
- 运营拿到一份含手机号的问卷汇总表,要在不泄露个人信息的情况下产出分析报告。
- 刚接手一份从未见过的历史数据,字段含义说不清,想先搞懂数据再决定分析方向。
适合人员
- 销售专员:每周要交销售周报,会上被追问几个数字却说不清,需要把明细表变成能讲的分析。
- 财务人员:拿到报销记录要算各部门费用并找异常,不会用 SQL 查数,想让 AI 算但怕它编数字。
- 运营专员:手上有问卷和活动数据要复盘,数据带手机号等个人信息,需要先脱敏再分析。
- 创业团队负责人兼数据工作:没有专职分析师,拿到数据想快速产出给管理层看的一页报告。