用 AI 做数据分析:把 Excel 丢给 AI 之前,先说清 4 个边界

「把这个 Excel 分析一下。」

这句话在AI对话框出现的频率很高，这也是最容易得到空话的指令——AI 会给你一堆漂亮图表和正确的废话，因为从头到尾，没有人知道你到底要回答什么问题

数据分析不是找几个漂亮图表，是用数据回答业务问题

先写问题，再打开表格

好的问题分析，通常包含四个边界：对象、指标、时间和决策

比如这样问：

在 2026 年 1—6 月，哪些城市、产品线和客户类型造成了销售目标差距？应优先采取什么行动？

对比「分析销售数据」——同样一件事，多了四个边界：分析谁、看什么指标、什么时间段、结果用来做什么决定

把这个问题交给 AI，让它先拆成分析清单：需要哪些表、主键是什么、指标口径怎么定义、要比较哪些维度。这一步做完，后面就不会跑偏

四步完成一次可靠分析

1. 先做数据体检

上传前先确认数据权限；含客户、员工、财务、健康信息的表，先脱敏

然后让 AI 根据少量样本输出数据字典：字段名、类型、含义、单位、可能的主键、时间范围和缺失值。如果 AI 连字段含义都理解错了，后面的图表再漂亮也没有意义

2. 再处理质量问题

检查重复记录、空值、异常值、日期格式、金额单位和多表连接

异常值不是「看起来大」就删：它可能是真实的大客户订单、一次活动峰值，也可能是录入错误。四分位距法适合识别偏态数据中的可疑点；三倍标准差或 Z-score 依赖分布假设。识别之后，要结合业务原因决定保留、修正、截尾还是另作标记——并留下处理记录

3. 选择能回答问题的方法

办公室场景里，三类分析覆盖大部分需求：

• 多维透视：按城市、产品、客户、渠道汇总金额、数量、转化率；
• 描述性统计：看均值、中位数、分布、波动和异常；
• 可视化：比较用条形图，趋势用折线图，构成用堆叠图，分布用直方图或箱线图

图表要服务于一句结论。不要因为工具能画，就把所有图都放进报告

4. 用总—分—总写出报告

开头三句话交代总体结论、影响和建议；中间按最重要的发现展开，每条发现都包含证据、解释和行动；最后重申优先级、负责人和下一步验证方式

图表负责「发生了什么」，文字负责「为什么重要、接下来做什么」

让 AI 写代码，但不要盲跑代码

需要 SQL 或 Python 时，把字段样本、表名、文件格式、真实路径和预期结果给清楚。比如：

数据文件为 sales.csv，字段为 order_date、city、product_line、amount。 请使用 Python 完成： 1. 将 order_date 转为日期； 2. 按月、城市、产品线汇总 amount； 3. 计算环比； 4. 输出金额前十的组合和一张趋势图。 请逐段解释代码，并在运行前列出数据假设。

运行时先看小样本，报错时把完整错误信息和相关代码片段交给 AI 解释。不要把 AI 写的 SQL 直接用于生产数据库——它不理解你的权限、表关系和业务口径

特别提醒：相关不等于因果

AI 很擅长把两个同时发生的变化，说成因果关系

销量上升，可能和促销、季节、库存、价格、渠道都有关系；图表只能显示关联

要做归因、预测、风控或人员评分，必须说明数据范围、方法假设、误差和人工复核机制。别把统计结果包装成确定判断

有人拿一张相关图让你下结论时，先回问一句：其他可能性都排除了吗？

数据分析的价值，最终落在三件事上：把问题问对、把口径守住、把结论落到行动

关注我，不迷路