AI 工作台实战指南 · 05

数据分析与 Excel

从脏表格到业务结论让 AI 从"装了没人用"变成"每天真干活"

你可能遇到的问题

做表最慢的部分，几乎都在出图之前

表格真正费时间的，往往不是最后那张图

而是前面一连串琐碎动作：统一日期、拆分姓名和电话、合并不同部门的台账、找出重复项，再判断某个异常到底是业务变化还是填错了。

你可能正卡在这些地方：

· 十几张表字段叫法不同，合并时总错列

· 数字里混着空格、文本和单位，公式算不动

· 会做透视表，但不知道该看哪个指标

· 图表做出来了，汇报时说不清结论

· 每月都做同一套清洗，下个月还得重来

· 涉及客户、财务或员工数据，不敢随便上传网页工具

AI 可以帮你写公式、清洗数据、生成图表，也能解释异常。

但它不能替你决定统计口径，更不能替你确认原始数据是否真实。

这篇要解决的是：把重复处理交给 AI，把口径确认和业务判断留给人。

AI 工作台 vs 网页聊天

差别不只在会不会写公式

网页聊天

· 每次重新上传文件、解释字段

· 不记得公司里的指标口径和表格模板

· 改完一张表，处理方法没有沉淀

· 敏感数据是否适合上传，要另外判断

AI 工作台（本地文件 + 三层记忆）

第 1 次使用：先把规则说清楚

第 1 次花时间：你要解释规则、确认映射、检查结果 → 用时约 30 分钟

第 2 次使用：直接按既定口径处理

第 2 次直接用：AI 自动套规则，你只处理新问题 → 用时约 10分钟，提效 60%

三层记忆在数据分析里记什么？

· 用户记忆：你习惯保留原始数据、先预览再改文件、不擅自删除异常值

· 项目记忆：指标定义（"成交客户=已签约且首款到账"）、字段映射表、统计口径

· 专项记忆：本月清洗规则、已确认的渠道合并逻辑、历史异常记录

网页聊天帮你解一道题。

AI 把这道题的解法留到下个月继续用。

模型怎么选

判断方法很简单：先看任务里有没有"为什么"。只是批量改格式，可以用轻量模型；要解释波动、判断异常，换强模型。实在拿不准，先用 Claude Opus，它能兜住大部分场景，再按需要往轻量模型退。

完整操作步骤

五个场景，照着做就行

📝 场景 1 · 清洗一张"脏表格"

第 1 步：先检查，不急着改

第 2 步：确认清洗规则

第 3 步：要求交付处理日志结果不能只有一张新表。让 AI 同时列出：处理了多少行、删除了哪些重复项、哪些记录需要人工确认。这样出了问题能回查。

按上面三步跑完的结果：格式统一、重复标出、异常留痕不删

📊 场景 2 · 合并多个部门的台账

"来源文件"和"原始行号"很重要。它们让每条数据都能追溯，而不是合并后找不到出处。

合表结果：字段自动映射、来源文件和原始行号可追溯、缺失项单独标记

🔍 场景 3 · 从数据里找异常

AI 可以指出"华东渠道订单下降"，但不能凭空认定是价格、竞品还是人员变动。好的分析会把"已知事实"和"待核实原因"分开。

已知事实和待核实原因分列两栏，不把相关性写成因果

📄 场景 4 · 把分析结果写成汇报

开头就是三条发现，每条带数据、方向和影响，不写"显著增长"

🔄 场景 5 · 每月重复处理同类报表

第一次做完后，让 AI 保存一份"月报处理说明"：输入文件放哪里、字段如何映射、先后执行哪些检查、输出有哪些文件。

下个月只需要替换源数据，再让它按说明运行并报告差异。

第 1 次 40 分钟建规则，第 2 次起 15 分钟，只处理变化部分

进阶技巧

让 AI 记住你的数据规则

① 建立数据字典

② 固化字段映射

把"客户名/企业名称/公司"对应到哪个标准字段记下来。映射表要由业务人员确认，不能让 AI 自己猜。

③ 设置不可越过的边界

④ 把人工修正写回专项记忆

如果业务人员确认"华东一区"和"上海区"不是同一口径，就把这个结论记下来。

下次少踩一次坑，比多学一个公式更值钱。

常见问题 Q&A

Q1：AI 会不会把我的原表改坏？

会，尤其是指令含糊、没有备份时。明确要求"只读检查、确认后执行、另存新文件"，并保留处理日志。

Q2：AI 算出来的数字能直接用吗？

不能直接用。至少核对总行数、关键金额、分组汇总和抽样记录。重要数据还要让业务负责人确认口径。

Q3：不会写 Excel 公式也能做吗？

可以。直接描述想得到什么结果，让 AI 解释公式含义并写进副本。看不懂的公式不要直接铺满整列。

Q4：客户名单、工资表能交给 AI 吗？

先看公司的数据安全要求。能脱敏就先脱敏；不能上传外部服务的数据，只在符合公司规定的环境里处理。

Q5：数据太乱，AI 能一次处理好吗？

不要追求一次完成。先检查，再定规则，处理一小份样本，确认无误后批量执行。

实际案例

12 张活动报名表月度合并

场景

每个月从微信、公众号、合作渠道收到 12 张报名表，要合并成总表用于活动统筹。

以前怎么做（手工处理）

1. 打开第一张表，复制到汇总表

2. 打开第二张表，发现字段名不一样（"联系方式" vs "手机号"），手动调整列

3. 粘贴时发现有重复，要回去一条条查

4. 粘贴完发现忘记标来源，要重新加一列填渠道名

5. 日期格式五花八门，要逐列统一

6. 核对总行数，发现少了几条，又要重新找

耗时：3-4 小时，还容易出错（漏粘贴、重复导入、来源信息丢失）

现在怎么做（AI 工作台）

第 1 次（建立规则）

第 1 次耗时：30 分钟（5 分钟确认规则 + 20 分钟执行 + 5 分钟抽查验证）

第 2 次（下个月直接用）

第 2 次耗时：10 分钟（5 分钟确认新问题 + 5 分钟抽查验证）

第 1 次：省 2.5-3 小时，提效 75%

第 2 次起：省 3 小时，提效 85%

关键改进点

1. 第 1 次就把规则固化：字段映射、去重逻辑、异常处理写进专项记忆

2. 来源可追溯：每条数据都标记来自哪个文件第几行

3. 异常不丢失：无法识别的日期保留原值+标红，不擅自删除

4. 有完整日志：删了哪些重复项、哪些异常需要人工确认，都有记录

真正省下来的，不是第一次合表的几分钟，而是第二个月不用重新摸索规则、不用担心出错、不用回忆上次怎么处理的。

总结

一次性处理 vs 可复用的数据流程

下一步

先拿一张你每个月都要处理的表，不要让 AI 直接"优化"。

让它只做检查，列出字段、空值、重复项和异常值。

你确认清洗规则后，再执行一次，并把规则保存成这个项目的处理说明。下个月，这份说明就是起点。