我有个朋友，在一家电商公司做运营，每个月底都要交一份销售数据报告。
她的工作流程是：从后台导出5个Excel表格 → 手工合并 → 写VLOOKUP和数据透视表 → 做图 → 写分析 → 改格式。整个过程通常要花她一个完整的工作日，还不算出错之后返工的时间。
上个月她试了一下AI，同样的报告，花了2小时。
数据透视表不用手写，图表自动生成，分析结论AI起草，她做的主要工作是：上传文件、给AI说需求、看输出、做判断。
这篇文章就是手把手教你做这件事。
别急，先共情一下，因为我知道很多人一看到"数据分析"四个字就头疼。
Excel公式的问题不是"难"，是"太容易出错了"。VLOOKUP匹配出来一列#N/A，你能快速判断是哪里出了问题吗？数据透视表拖字段的逻辑，你用的时候感觉会了，下次用又忘了。
分析报告的问题更实际：就算数字处理对了，"写出来"这一步依然很难。你看着一张折线图，知道4月份销售额下降了，但"为什么下降、下降了多少、跟上月比怎么样、有没有异常点"——这些结论要从数据里提炼出来，写成人话，很多人不知道从哪里开始。
AI恰好解决的就是这两个痛点：它可以直接处理你的原始数据，生成图表，然后用正常人话告诉你数据说明了什么。
三个工具，各有侧重：
ChatGPT（Code Interpreter / Advanced Data Analysis）：目前数据分析能力最强，支持上传CSV/Excel，可以直接生成Python代码来处理数据，图表质量好，英文场景最强。需要Plus订阅（约140元/月）。
DeepSeek：免费，中文理解能力很强，对国内业务场景的描述能读懂，代码生成能力优秀。目前不支持直接上传文件做分析，但你可以把CSV内容粘贴进去，或者让它生成代码你本地跑。
通义千问：阿里出品，支持文件上传，有专门的数据分析功能，中文分析报告写得好，对国内电商数据格式兼容性最好，免费使用。
我用一个真实案例讲，场景是：一家卖运动装备的淘宝店铺，有1月到3月的销售订单明细，你需要分析销售趋势、找出爆款、识别问题品类、给出下季度备货建议。
数据格式是这样的：订单号、商品名称、商品类目、下单日期、销售额、销售数量、退货数量、客单价。
上传之前先做一件事：确认数据格式干净。最常见的问题：
• 日期格式不统一（有些写"2025/1/5"，有些写"2025-01-05"）
• 数字列里混入了文字（金额写成了"￥299.00"而不是299）
• 有合并单元格（这个最麻烦，AI会读乱）
如果有这些问题，先在Excel里手工清理一遍，另存为CSV格式，再上传。
打开ChatGPT或通义千问，上传CSV文件之后，用这个prompt开始：
我上传了一份电商店铺的销售数据，时间跨度是2025年1月至3月。 请先帮我做数据概览： 1. 数据总行数、时间范围、涉及的商品品类有哪些 2. 每月总销售额和总销售量 3. 数据中有无明显异常值或缺失值 4. 退货率最高的前3个品类 用表格展示关键数字，数字保留到整数即可。
这一步的目的是"摸清数据"，也让AI理解你的数据结构。
数据概览完成后，继续追问：
基于上面的数据，请帮我找出： 1. 3个月里销售额累计最高的Top10商品，用表格展示（商品名、销售额、销售量、平均客单价） 2. 销售额环比下降幅度最大的3个品类（1月→2月→3月的变化趋势） 3. 哪些商品的退货率超过15%？可能的原因是什么（根据你的分析推断） 请先给结论，再给表格数据。
注意：AI在推断"退货率高的原因"时会发挥联想，不是真实的用户反馈。这一条结论要作为"假设"来对待，后续需要你自己结合实际情况验证。
告诉AI你要什么样的图：
请生成以下图表： 1. 1月到3月每周销售额的折线图（横轴是时间，纵轴是销售额，单位元） 2. 各品类销售额占比的饼图（只显示占比超过5%的品类，其余归入"其他"） 3. Top10商品的销售额横向柱状图（从高到低排序） 图表标题用中文，配色简洁，不需要炫目。
ChatGPT会直接生成图片，你可以下载使用。通义千问也支持图表生成。如果用DeepSeek，它会给你Python代码，你复制到本地运行（需要安装matplotlib和pandas，命令：pip install matplotlib pandas）。
这一步很多人没想到AI可以做。其实这正是AI最能省力的地方：
基于以上所有分析，请帮我起草一份3月销售数据分析报告，结构如下： 1. 整体概况（2-3句，关键数字） 2. 增长亮点（列出2-3个正向数据，说明原因推断） 3. 需要关注的问题（列出2-3个异常或下滑情况） 4. 下季度备货建议（基于数据，给出3条具体建议） 报告对象是店铺负责人，语言简洁务实，每个要点不超过50字。
AI会给你一个完整的初稿。你需要做的是：核对数字是否准确，根据你对业务的理解补充或修改判断。
这个初稿通常质量不低，改一改就能用。
1. AI分析的数字，要和原始数据对校一遍
AI有时候会在计算过程中出现小偏差，特别是在做汇总求和的时候。重要的结论数字，随机抽2-3个自己用计算器验一遍，养成习惯。
2. 对"原因分析"保持审慎
AI能告诉你"4月份A品类销售额下降了23%"，但它对"为什么下降"的解释是基于数据规律的推断，不是真实的用户反馈或市场调研。把AI的原因分析当作假设，而不是结论。
3. 数据隐私问题别忽视
如果你的数据涉及客户个人信息（姓名、手机、地址），不要直接上传给境外服务（比如ChatGPT）。这类数据建议用通义千问（国内合规）或者用DeepSeek本地部署版本，或者在上传前脱敏处理（把手机号替换成随机ID）。
能解决：数据探索、规律发现、图表生成、报告初稿。这些占据了传统数据分析工作的70%以上。
不能解决：数据采集（你还是要自己从系统里导出）、数据判断（AI找到的规律，你要用业务知识判断有没有意义）、策略决策（AI可以给建议，但决定最终拍板的还是人）。
换句话说，Excel确实可以退居二线，但负责"看结果做判断"的人，还是得是你。
AI数据分析不是"取代数据分析师"，而是把以前只有数据分析师才能做的事，变成普通人也能做到。
一个完全不懂SQL、不会Python、VLOOKUP也写得磕磕绊绊的运营，现在可以独立完成一份相当质量的数据报告——这件事本身，才是真正值得重视的变化。
下次月底交报告之前，先别打开Excel写公式。打开AI，把CSV传上去，试一试。
你目前最想用AI解决的数据分析场景是什么？评论区说说，我来帮你设计prompt。
我是智变纪，每周在这里聊AI时代的真实体验。
学会用AI处理数据，让你有更多精力去做"看数据背后发生了什么"这件更重要的事。
