【数据分析】实战篇：从入门到 Skill 沉淀

第一章 认识 WorkBuddy——数据分析的新范式

1.1 你是否被这些数据分析痛点折磨过？

无论你是运营、市场、产品还是管理者，只要你需要和数据打交道，大概率遇到过下面这些场景：

场景一：老板发来一个 Excel，只说了一句"帮我分析一下"。

你打开表格，几十列、几千行数据密密麻麻。日期格式五花八门，有的写"2026/3/15"，有的写"3月15日"；空值缺值到处是，某些单元格甚至录入了内容四象限散错误数据。你花一上午清洗数据，又花一下午做透视表、画图表、写结论——而这只是一次性的工作，下个月还要重来一遍。

场景二：多个平台导出数据，格式各不相同。

电商运营最头疼的事：淘宝、京东、抖音三个平台各导出一份销售数据，字段叫法不一致，列顺序不一样，有些是中文列名有些是英文。你要把它们合并成一张总表，光是"字段映射"这一步就要花半天。好不容易合并完了，发现某些行重复了、某些行缺失了——又得回头排查。

场景三：做了分析，但报告写不出来。

你花了很多时间做透视表、画折线图、算环比同比，数据都对，但到了"写结论"这一步就卡住了。"销售额下降 8.6%"——然后呢？为什么下降？哪个环节出了问题？该怎么改进？数据描述容易，业务洞察很难。

场景四：同样的分析每月重复，却每次都从头来。

每月做月报、每周做周报，流程都是一样的：导数据→清洗→分析→画图→写报告。但每次都要重新走一遍流程，重新写一遍提示词，重新调一遍图表格式。你明明知道这个流程会一直重复，却始终找不到"一次配置、永久复用"的方法。

如果以上任何一个场景让你产生了共鸣，那么 WorkBuddy 就是你需要的工具。

1.2 WorkBuddy 是什么？

WorkBuddy 是一款通用 AI Agent（智能体）桌面工作台。与普通的 AI 聊天工具不同，WorkBuddy 不只是回答你的问题——它能自己动手干活。

普通 AI 聊天工具（如 ChatGPT 网页版），是你说一句、它回一句，扮演的是"顾问"角色——给建议、写代码片段，但不动手执行。你问它"帮我分析这份数据"，它会给你一段 Python 代码，然后说"请你在本地运行这段代码"。你还得自己装 Python、装库、跑代码、调试报错——这本身就又是一个门槛。

而 WorkBuddy 这类 Agent，扮演的是"员工"角色——你交代任务，它自己规划步骤、执行代码、处理文件、生成图表、输出报告，一步步做到交付结果。它不需要你懂 Python，不需要你安装开发环境，不需要你调试代码——你只需要告诉它你想分析什么。

对于数据分析工作来说，这意味着一个根本性的变化：以前你需要学 Python 才能做的数据分析，现在只需要会说话就行。

1.3 WorkBuddy 做数据分析的核心优势

市面上有各种各样的数据分析工具——Excel、Tableau、Power BI、Python + Pandas……为什么要用 WorkBuddy？

因为 WorkBuddy 不只是一个"会写 Python 的 AI"，它是一个能端到端执行整个数据分析生命周期的智能体。其核心优势体现在以下四个维度：

第一，原生代码执行。 WorkBuddy 超越了仅提供代码片段的传统模式，能够直接在本地环境中运行代码、生成输出文件并直观呈现最终结果。你给它一份 Excel，它不只是给你一段 Python 让你自己跑——它直接跑完，生成清洗后的表格、可视化图表和分析报告，打开就能用。

第二，全链路自动化。 实现了从数据采集、清洗、可视化到报告撰写的多步骤无缝串联。你不需要一步步手动操作——说一句"分析这份数据，输出报告"，WorkBuddy 自己规划：先读取文件、检查数据质量、清洗缺失值、做统计分析、画图表、写结论——一气呵成。

第三，自主容错与调试。 在遭遇运行异常时，WorkBuddy 能够自主捕获报错信息、修正代码逻辑并重新执行，实现零人工干预的闭环自愈。代码报错了？它会自己看错误信息、找出问题、修改代码、重新运行——不需要你介入。这对不会编程的小白来说至关重要——你不用担心代码跑不通，WorkBuddy 自己会解决。

第四，AI 深度洞察。 除生成基础可视化图表外，WorkBuddy 还能利用自然语言提取深层业务逻辑，主动标注数据异常并提供趋势预判建议。它不只是"出图机器"，还会用自然语言告诉你："这里有个异常值""建议关注这个趋势""这个指标环比下降明显，可能的原因是……"——这是单纯的 Python 脚本做不到的。

简而言之：WorkBuddy 将传统高度依赖 Python 编程经验的数据分析工作，重塑为了基于自然语言指令的任务驱动模式。

1.4 传统方式 vs WorkBuddy 方式

让我们用一个具体例子来对比：

传统方式（手工 + Excel）：

1. 打开 Excel，手动检查数据格式 → 30 分钟
2. 逐列处理缺失值、重复值 → 1 小时
3. 做透视表、算指标 → 1 小时
4. 手动画图表（柱状图、折线图、饼图） → 1 小时
5. 写分析结论和报告 → 1 小时
6. 总计：约 4.5 小时

WorkBuddy 方式：

1. 上传文件，输入一句提示词 → 2 分钟
2. WorkBuddy 自动清洗、分析、画图、写报告 → 5-10 分钟
3. 人工复核结果和结论 → 10 分钟
4. 总计：约 15 分钟

效率提升约 18 倍。而且，传统方式做出来的图表格式不一定好看，报告结论不一定有深度——而 WorkBuddy 生成的图表是出版级别的高清图，报告是结合数据和业务逻辑的结构化分析。

1.5 适合用 WorkBuddy 做数据分析的人

• 运营/市场同学：不懂 Python，但有大量数据需要分析，现在可以直接用自然语言拿到结果
• 产品经理：需要快速验证某个数据假设，不想等数据团队排期
• 数据分析师：把重复性的数据采集、清洗、出图工作交给 WorkBuddy，自己专注洞察和决策
• 创业者/独立开发者：一个人做很多事，数据分析这块能完全自动化是巨大解放
• 管理者：想快速了解业务状况，不需要找人跑数据，自己问 WorkBuddy 就行

1.6 本教程的学习路线

本教程遵循"从入门到精通"的递进结构：

1. 基础篇（第 1-3 章）：认识 WorkBuddy，完成安装配置，理解数据分析方法论
2. 核心篇（第 4-8 章）：数据采集→清洗→分析→可视化→报告，掌握全链路技能
3. 实战篇（第 9-11 章）：电商、内容、销售三大场景实战，从真实项目中学习
4. 进阶篇（第 12-15 章）：Skill 制作、团队共享、专业数据源接入、自动化
5. 总结篇（第 16-18 章）：最佳实践、提示词模板、常见问题

照着这个路线走，即使你是完全的零基础小白，也能在阅读完本教程后独立完成一整套数据分析工作——从数据采集到报告交付，再到将经验沉淀为可复用的 Skill。

第二章 快速上手——安装与基础配置（复用指引）

2.1 前置说明

本教程聚焦数据分析场景。关于 WorkBuddy 的下载安装、注册登录、界面认知、基础设置等通用内容，已在前面章节中详细讲解。

2.2 数据分析模式选择

打开 WorkBuddy 后，在主界面选择"日常办公"模式。这是进行数据分析最常用的模式，它能调用文件读写、代码执行、图表生成等能力。

在日常办公模式下，你可以通过两种方式启动数据分析任务：

方式一：直接输入提示词

在对话框中直接输入你的分析需求，例如：

请分析这份销售数据，重点关注各区域销售情况、产品销量变化和客户增长趋势，最后输出一份分析报告。

然后点击发送或按 Enter 键，WorkBuddy 就会开始工作。

方式二：使用专家模式

在 WorkBuddy 的专家板块中，有专门的"数据分析报告师"专家。选择该专家后，它会按照自有流程自动工作：读取数据 → 清洗整理 → 计算指标 → 生成图表 → 输出报告。

专家模式的优势在于：不需要太复杂的提示词也能输出专业内容，因为专家自带领域知识、行业视角和解决方案框架。

2.3 数据分析专用 Skill 安装

WorkBuddy 内置了一些与数据分析相关的 Skill（技能），建议在开始之前先安装：

推荐安装的 Skill：

1. xlsx：Excel 文件读写和处理技能，支持 .xlsx、.xls 格式
2. data-exploration：数据探索技能，自动扫描数据结构、识别异常值
3. interactive-dashboard-builder：交互式仪表盘生成技能，可输出 HTML 格式的交互看板

安装方法：在左侧菜单找到"专家、技能、连接器"→"技能"→搜索技能名称→点击安装。

2.4 准备工作空间

为了方便管理数据分析项目，建议在桌面创建一个专用的工作文件夹：

桌面/
└── 数据分析工作空间/
    ├── 原始数据/          # 存放待分析的原始数据文件
    ├── 清洗后数据/        # WorkBuddy 清洗后输出的文件
    ├── 图表输出/          # 生成的图表文件
    ├── 分析报告/          # 生成的分析报告
    └── Skill/             # 自建的 Skill 文件

在 WorkBuddy 的设置中，将工作空间指向这个文件夹。这样，WorkBuddy 生成所有文件都会保存在这里，方便你后续查找和使用。

2.5 验证安装是否成功

用一个简单的任务验证 WorkBuddy 是否可以正常处理数据：

1. 准备一个简单的 Excel 文件（几行几列即可），保存到工作空间的"原始数据"文件夹
2. 在 WorkBuddy 中输入：

请读取工作空间中"原始数据"文件夹里的 Excel 文件，告诉我这个表格有多少行、多少列，每一列的字段名称是什么。

1. 如果 WorkBuddy 能正确读取并返回表格结构信息，说明环境配置成功。

第三章 数据分析的核心方法论

3.1 AI 做数据分析的最优路线

在开始具体操作之前，我们先建立一个正确的认知框架。很多人用 AI 做数据分析时容易陷入两种极端：

极端一：把 AI 当万能工具。 丢一句"帮我分析这份数据"就等着出报告。结果拿到的分析全是正确的废话——"销售额下降 8.6%""订单量同步下滑"——只是把报表数字复述一遍，找不到问题根源，无法继续深挖。

极端二：不信任 AI。 觉得"数据这么重要的事怎能交给 AI"，继续手工拉 Excel、写公式、做图表，效率低下，而且容易出错。

经过大量实践验证，最优路线是：

AI 做 80% 的体力活 + 人做 20% 的脑力活

具体来说：

数据清洗、透视统计、画图表、排版报告这些占时间 80% 但只创造 20% 价值的事，全交给 AI。问什么问题、指标怎么定义、结果对不对、建议能不能落地——这些占时间 20% 但创造 80% 价值的事，必须人来。

这个认知框架贯穿本教程始终。你不需要学会写代码，但你需要学会：如何定义问题、如何给 AI 清晰的指令、如何验收 AI 的结果。

3.2 数据分析五步法

一个完整的数据分析流程包含五个步骤，这也是 WorkBuddy 执行数据分析任务时遵循的逻辑：

数据准备 → 数据清洗 → 数据分析 → 可视化生成 → 报告输出

第一步：数据准备

在开始分析之前，先搞清楚你的数据是什么、从哪里来、要解决什么问题。这一步看似简单，却是最容易被忽略的。很多人直接跳过这一步就开始"分析"，结果做出来的东西答非所问。

数据准备要回答三个问题：

• 这是什么数据？（销售数据、用户行为数据、财务数据等）
• 时间范围是什么？（某月、某季度、某年）
• 要回答什么问题？（销售额为什么下降？哪些产品值得加大投入？）

第二步：数据清洗

原始数据通常包含缺失值、重复记录或非标准化格式。在分析之前必须清洗——否则"垃圾进，垃圾出"（Garbage In, Garbage Out）。

清洗任务通常包括：

• 处理缺失值：删除、填充平均值、填充 0 或指定值
• 去除重复数据
• 统一数据格式（日期格式、数字格式、文本格式）
• 新增计算字段（如从日期中提取月份、从价格×销量计算销售额）

第三步：数据分析

清洗完数据后，开始分析。常用的分析方法包括：

• 透视分析：按某个维度（如产品、地区、时间）分组统计指标（如求和、平均值、计数）
• 对比分析：对比两组或多组数据的差异（如同比、环比、A/B 对比）
• 趋势分析：分析时间序列数据的变化趋势（如月度销售趋势、用户增长曲线）
• 结构分析：分析各部分占总体的比例（如各产品线销售额占比）

第四步：可视化生成

将分析结果转化为图表，让数据一目了然。不同场景选择不同的图表类型：

• 趋势变化 → 折线图
• 对比差异 → 柱状图
• 占比构成 → 饼图/环形图
• 相关关系 → 散点图
• 转化流程 → 漏斗图

第五步：报告输出

将分析结论、图表和建议组织成结构化的报告。一份好的分析报告应该包含：

• 核心发现（Key Findings）：3-5 条最重要的结论
• 数据支撑：用数据和图表证明你的发现
• 异常标注：指出数据中的异常点或需要注意的问题
• 行动建议：给出可执行的改进建议

3.3 给 AI 一份"数据说明书"

这是本教程最重要的一条方法论——在让 WorkBuddy 分析数据之前，先给它一份"数据说明书"。

不需要写正式文档，在对话里把几件事讲清楚即可：

这是一份 [XXX 销售表]，字段包括：
SKU 编号、商品名称、一级类目、二级类目
售价、月销量、月销售额、库存量
评价数、好评率、上架天数
是否参加促销（是/否）

业务背景：某天猫店 2026 年 7 月数据，全店 SKU 约 3000 个。
统计口径：销售额 = 售价 × 销量（已剔除退款），销量含促销订单。
需要解决的问题：识别滞销品、评估促销效果、找出补货优先级。

数据说明书的 6 个要素：

这 6 个信息越完整，AI 的分析质量越高。 如果不确定数据质量，可以先让 AI 做一轮"体检"：

请先扫描这份数据，不要执行分析，只汇报：
- 总行数、字段数
- 哪些列有缺失值，缺失比例多少
- 有没有明显的异常值（如销量为负、价格为 0、好评率 > 100%）
- 有没有重复记录
- 数据类型是否正确（日期是不是日期、数字是不是数字）

这步花 30 秒，能避开 80% 的坑。实测中就遇到过"库存量为负数"的情况，原来是导出系统出了 bug。

3.4 指令写得越清楚，返工越少

一条好指令，不需要很长，但至少要把五件事说明白：

处理对象 + 具体动作 + 业务规则 + 输出格式 + 检查要求

一个完整的指令示例：

请帮我处理这份客户名单：
- 删除完全重复的记录（以手机号为准判断重复）
- 统一手机号为纯数字（去掉空格和横线）
- 统一日期为 YYYY-MM-DD 格式
- 公司名称暂不自动合并，只标记疑似重复项
- 把无法判断的内容放入"待人工确认"工作表
- 保留原始文件，不要覆盖

这个指令包含了全部五要素：处理对象（客户名单）、具体动作（删除重复、统一格式、标记）、业务规则（以手机号判断重复、日期格式标准）、输出格式（新工作表、待确认工作表）、检查要求（保留原始文件）。

3.5 迭代式分析比一次性长 prompt 效果更好

不要试图在一句话里把所有分析需求都说完。更有效的方式是迭代式分析：

第一轮：先让它出一份粗略分析

请分析这份数据，告诉我整体趋势和主要发现。

第二轮：看完之后，针对某个点深挖

重点深入分析第 3 点，用户留存下滑的原因。

第三轮：继续追问

按渠道拆分，哪个渠道的留存下滑最严重？

第四轮：要求输出

基于以上分析，输出一份完整的分析报告，包含图表和建议。

这种方式比一次性给一个超长 prompt 效果好得多——因为每一轮你都能看到 AI 的中间结果，及时纠正方向，避免它跑偏了还一路跑到底。

3.6 双路径决策框架：有数据走 A，没数据走 B

无论数据多复杂，用 WorkBuddy 做分析的流程都可以归纳为五步：准备数据 → 数据清洗 → 统计分析 → 可视化图表 → 分析报告。但根据你手里有没有现成数据，走两条不同的路径：

路径 A（数据已有）：拖入 Excel → 四要素描述 → 预览微调 → 导出。3 分钟出基础图表，5-10 分钟完成含结论的完整分析。

路径 B（数据未整理）：描述搜集需求（主题+范围+关注点）→ 搜集整理成结构化数据 → 生成可视化报告。10-15 分钟走完"搜集+分析+报告"全流程。

选择路径的判断标准很简单：手里有没有现成的数据文件。有就走 A，没有就走 B。本教程第四章对应路径 B 的数据采集环节，第五到第八章对应路径 A 的各环节。

两条路径最终都汇合到同一个终点：一份包含核心结论、数据图表和行动建议的分析报告。

第四章 数据采集——从源头获取数据

4.1 数据采集的两种方式

数据分析的第一步是获取数据。根据数据来源不同，WorkBuddy 支持两种采集方式：

方式一：本地文件上传（最常用）

将已有的 Excel、CSV、JSON 等数据文件拖入 WorkBuddy 工作区，或通过加号菜单中的"本地文件"上传。这是最简单、最常用的方式——适用于你手头已经有数据文件的情况。

方式二：自动爬取互联网公开数据

WorkBuddy 可以调用 Python 的 requests 或 Selenium 库，自动化抓取互联网上的公开数据。适用于需要从网站、论坛等在线渠道获取数据的情况。

4.2 本地文件上传

4.2.1 上传 Excel 文件

在 WorkBuddy 对话框中，点击输入框左下角的"+"号，选择"本地文件"，然后浏览并选择你的 Excel 文件（.xlsx 或 .xls 格式）。

也可以直接将文件拖拽到对话区域。

上传后，文件路径会显示在输入框中。此时你可以输入分析指令：

这是我的一份数据表格，请先读取并告诉我数据的基本结构。

WorkBuddy 会读取文件并返回：

• 总行数和列数
• 每一列的字段名称
• 数据类型（数字、文本、日期等）
• 前 5 行预览数据

4.2.2 上传 CSV 文件

CSV 文件的上传方式与 Excel 相同。WorkBuddy 同样支持 .csv 格式的读取和处理。

4.2.3 批量上传多个文件

如果需要合并分析多个文件，可以一次性上传多个文件。在加号菜单中选择多个文件，或在对话中指定一个文件夹路径：

请读取工作空间中"原始数据"文件夹内的所有 Excel 文件，合并成一张总表。

4.3 自动爬取互联网数据

4.3.1 基本用法

WorkBuddy 可以自动编写爬虫脚本，抓取互联网上的公开数据。典型指令：

请抓取 XXX 网站中关于"延迟退休政策"的公众讨论数据，
提取字段需包含：发帖时间、用户 ID、点赞数及评论正文，
最终导出为 public_opinion.csv

WorkBuddy 会自动：

1. 编写爬虫脚本
2. 处理网页翻页逻辑
3. 应对基础的反爬机制
4. 将数据保存为 CSV 文件

4.3.2 需要登录的网站

如果目标网站需要登录访问，你可以先在浏览器中手动登录，然后让 WorkBuddy 接管已授权的 Session 继续抓取。

具体操作：

1. 在浏览器中打开目标网站并登录
2. 在 WorkBuddy 中输入指令，让它使用浏览器自动化方式抓取数据
3. WorkBuddy 会通过 Selenium 控制已登录的浏览器会话继续操作

4.3.3 爬取数据的注意事项

• 合法合规：只爬取公开可访问的数据，不要爬取需要付费或受限的内容
• 频率控制：设置合理的请求间隔，避免对目标网站造成压力
• 数据备份：爬取的数据先保存到本地，再进行分析处理

4.4 数据采集实战：爬取商品价格

以下是一个完整的数据采集实战案例：

任务目标：爬取某电商平台上的商品价格数据，用于竞品价格监控。

提示词：

请帮我爬取 XXX 网站上搜索关键词"蓝牙耳机"的商品数据，
每个商品提取以下信息：
- 商品名称
- 当前价格
- 销量
- 评分
- 店铺名称

翻页抓取前 5 页数据，每页间隔 3 秒。
保存为 competitor_prices.csv，保存到工作空间。

WorkBuddy 执行过程：

1. 编写 Python 爬虫脚本
2. 访问搜索页面，解析商品列表
3. 处理分页逻辑，翻页采集
4. 将数据整理为结构化表格
5. 保存为 CSV 文件

输出结果：

• 一个 CSV 文件，包含所有商品的结构化数据
• 数据摘要（总记录数、字段说明）

4.5 常用数据采集场景

第五章 数据清洗——让脏数据变得可用

5.1 为什么要数据清洗？

数据分析行业有一句名言："数据科学家 80% 的时间都在清洗数据。"这不是夸张——原始数据几乎总是"脏"的：

• 缺失值：某些单元格是空的，或填了"NULL""N/A""未知"
• 重复数据：同一笔记录出现了多次
• 格式不统一：日期写法五花八门（"2026/3/15"、"3月15日"、"15-Mar-2026"）
• 数据类型错误：数字被存为文本，日期被存为数字
• 异常值：销售额录入了 9,999,999 元（明显是录入错误）
• 字段名称混乱：不同来源的数据，同一含义的字段叫不同名字（"客户名"vs"客户名称"vs"client_name"）

如果不清洗就直接分析，结果可能完全错误。WorkBuddy 可以自动完成大部分清洗工作，但你需要告诉它清洗规则。

5.2 数据清洗提示词

5.2.1 标准清洗指令

请对以下数据进行清洗处理：

原始数据：[粘贴数据] 或 [上传附件数据表格]

清洗任务：
1. 处理缺失值：[删除/填充平均值/填充 0]
2. 去除重复数据
3. 统一数据格式
4. 新增计算字段：[指定公式]

输出：清洗后的完整数据表

5.2.2 自动检查数据质量

在清洗之前，可以先让 WorkBuddy 自动检查数据质量：

请先分析这个 Excel 文件的数据结构，告诉我有哪些问题：
- 日期格式是否统一
- 是否有重复数据
- 是否存在缺失字段
- 同一类内容是否用了不同名称
- 有没有明显的异常值

WorkBuddy 会返回一份"体检报告"，包含：

• 总行数、字段数
• 各列的缺失值数量和比例
• 重复记录数量
• 异常值列表
• 数据类型问题

5.2.3 详细清洗指令

以下是一个更详细的清洗提示词示例：

读取 public_opinion.csv，进行数据清洗：

- 去除重复的评论记录
- 将"点赞数"列中的"万"字样转换为具体阿拉伯数字（如"1.2万"转为 12000）
- 剔除评论正文字数少于 5 个字的无效样本
- 缺失的用户层级信息使用"未知"进行插值填充
- 保存为 cleaned_opinion.csv，并输出描述性统计摘要

WorkBuddy 会调用 Pandas 库完成清洗工作，并输出：

• 清洗前后的样本量对比
• 各变量的缺失率
• 清洗后数据的基本统计描述

5.3 数据清洗的核心操作

5.3.1 处理缺失值

缺失值是数据清洗中最常见的问题。处理方式取决于缺失的原因和数据的特点：

示例提示词：

请处理这份销售数据中的缺失值：
- "销售额"列的缺失值用该产品的平均销售额填充
- "客户评分"列的缺失值填充为"暂无评分"
- "日期"列缺失的行直接删除
- 保留清洗记录，输出缺失值处理摘要

5.3.2 去除重复数据

请去除完全重复的行。
同时，以"订单号"为唯一标识，去除订单号重复的记录（保留第一条）。

5.3.3 统一数据格式

格式统一是最耗时的清洗工作之一。WorkBuddy 可以自动完成：

请统一以下数据格式：
- 所有日期统一为"YYYY-MM-DD"格式
- 金额列去掉"元"字样，转为数字格式
- 手机号去掉空格和横线，保留纯数字
- 省份名称去掉"省"字（如"广东省"改为"广东"）

示例：清洗前 vs 清洗后对比

5.3.4 新增计算字段

请基于现有数据新增以下计算字段：
- 月份：从日期中提取月份
- 季度：从日期中推算季度（Q1/Q2/Q3/Q4）
- 销售额：售价 × 销量
- 环比增长率：(本月销售额 - 上月销售额) / 上月销售额 × 100%
- ABC 分类：按销售额累计占比分类（A类前70%、B类70-90%、C类90-100%）

5.3.5 标记异常值

请检查数据中的异常值：
- 销售额 > 100万的标记为"超大额，待核实"
- 好评率 > 100% 或 < 0 的标记为"数据异常"
- 销量为负数的标记为"录入错误"
- 库存量为负数的标记为"系统异常"
- 将异常值单独输出到"异常数据"工作表

实测案例：在一次数据分析中，WorkBuddy 发现一条销售额被录入了 9,999,999 元的记录——这条异常值让总销售额从 709 万变成了 1709 万。如果没有数据清洗，这个错误会直接导致分析结论完全错误。

5.4 多表合并

5.4.1 合并多个文件

如果你的数据散落在好几份表格里——比如每个月一份销售表、每个部门一份汇报表——WorkBuddy 可以自动合并：

请帮我将三个表格合并成一个总表：
- 保留所有表头字段
- 不同表格中同义字段自动映射（如"客户名"和"客户名称"统一为"客户名称"）
- 按"日期"从早到晚进行排序
- 新增"来源文件"列，标注每行数据来自哪个文件
- 生成一个新的 Excel 文件保存到工作空间

WorkBuddy 会自动：

1. 识别不同表格的表头
2. 做字段映射（将不同叫法的同一字段统一）
3. 合并所有数据
4. 按指定字段排序
5. 保存为新文件

5.4.2 合并不同格式的文件

不同平台导出的数据表，表头可能不一样。WorkBuddy 可以自动处理：

请合并文件夹内所有月度表格：
- 将"客户名/客户名称/client_name"统一为"客户名称"
- 将"销售额/成交金额/amount"统一为"成交金额"
- 列顺序按以下排列：日期、客户名称、产品名称、成交金额、数量
- 缺失关键字段的记录不要删除，统一标红并单独汇总

5.5 客户名单清洗实战

以下是一个完整的客户名单清洗案例：

原始数据问题：表格里同时出现"有限公司""有限责任公司"的混写，手机号夹着空格，日期格式不统一，某些记录完全重复。

提示词：

请处理这份客户名单：
- 删除完全重复的记录
- 统一手机号为纯数字（去掉空格和横线）
- 统一日期为 YYYY-MM-DD 格式
- 公司名称暂不自动合并，只标记疑似重复项
- 把无法判断的内容放入"待人工确认"工作表
- 保留原始文件，不要覆盖

WorkBuddy 执行步骤：

1. 读取 Excel 文件，识别所有字段
2. 扫描完全重复的行，记录数量后删除
3. 遍历手机号列，去掉空格和横线
4. 遍历日期列，统一为 YYYY-MM-DD
5. 比较公司名称，找出疑似重复（如"XX有限公司"和"XX有限责任公司"）
6. 将无法判断的记录单独提取到新工作表
7. 输出清洗后的 Excel 文件和清洗摘要

清洗摘要示例：

• 原始记录：1,200 行
• 完全重复删除：35 行
• 手机号格式修正：87 行
• 日期格式统一：156 行
• 疑似重复标记：12 行
• 待人工确认：8 行
• 最终输出：1,157 行

5.6 数据清洗的输出

WorkBuddy 完成数据清洗后，会输出以下内容：

1. 清洗后的数据文件：保存为 Excel 或 CSV，可以直接使用
2. 清洗摘要报告：包含清洗前后的数据量对比、各步骤处理了多少条记录、缺失值处理方式
3. 异常数据清单：被标记为异常的记录单独输出到新工作表，方便人工核实
4. 待确认数据：AI 无法自动判断的记录单独输出，由人工处理

5.7 五步清洗法（10 分钟版本）

当数据问题较多时，按以下五步顺序清洗，每步约 2 分钟：

第 1 步·诊断（2 分钟）——先扫描，别急着洗

打开桌面「客户数据.xlsx」，扫描整张表，报告以下信息：
- 总行数和总列数
- 每列的空值数量和占比
- 每列的数据类型（数值/文本/日期/混合）
- 疑似重复的行数（按姓名+手机号组合判断）

价值：心里有数。知道问题在哪、该重点处理什么，洗完后能对比前后差异。

第 2 步·去重（2 分钟）——智能保留，不是简单删除

以「姓名+手机号」为组合键去重，保留最新的记录（按"日期"列判断）。
去重前先让我确认，告诉我将要删除哪些行，包括行号和关键字段内容。

三个关键点：同一客户多条记录保留最新那条；去重前预览避免误删；全程留痕。

第 3 步·格式统一（2 分钟）

统一以下列的格式：
1. 日期列统一为 YYYY-MM-DD
2. 金额列去掉"元"字和逗号，转成保留两位小数的纯数字
3. 手机号去掉空格、横线、+86前缀，统一为11位数字

第 4 步·空值填充（2 分钟）

填充缺失值：
- 数值型字段用中位数填充
- 文本型字段统一填"未知"
- 地区列可根据手机号前7位判断归属地填充

注意：缺失值填充方法要根据字段特点选（均值/中位数/众数/固定值），盲目用均值填充所有空值可能扭曲数据分布。

第 5 步·异常值标记（2 分钟）——标记，不是删除

对以下异常进行检测和标记：
1. 金额列：小于0的标"负数异常"，大于50000的标"大额订单需审核"
2. 日期列：晚于今天的标"未来日期异常"，早于2020年的标"疑似错误"
3. 手机号：非11位的标"格式异常"
4. 所有异常行红色高亮，新增"数据状态"列注明异常类型
5. 输出各类型异常的统计数量

5.8 清洗三大禁忌

1. 过度清洗：把正常但极端的数据当异常值删了，导致分析偏差。正确做法是先标记、人工确认后再处理；
2. 盲目填充：见上文，按字段特点选方法；
3. 不保留原始数据：清洗后直接覆盖原文件，无法追溯。正确做法是生成新文件。

5.9 深度质量分析（进阶，可选）

需要更系统的数据质量评估时，可以用五维度分析框架：

请对"[数据文件]"进行深度数据质量分析：

【分析维度】
- 完整性分析（各字段缺失率）
- 一致性分析（格式是否统一）
- 准确性分析（异常值、逻辑错误）
- 唯一性分析（重复数据）
- 时效性分析（数据是否过期）

【输出要求】
- 清洗后的数据文件
- 数据质量评分报告
- 异常值详细列表
- 清洗建议（如何从源头改善数据质量）

适用场景：数据仓库、数据质量监控、历史数据归档、分析前的数据准备。

第六章 数据分析——从数据中提炼洞察

6.1 透视分析

透视分析是数据分析中最基础也最常用的方法。它按照某个维度分组，统计各个分组的指标值。

6.1.1 透视分析提示词

请对数据进行透视分析：

数据：[粘贴数据] 或 [上传附件]

分析要求：
1. 按[维度字段]分组
2. 统计[指标字段]的[求和/平均/计数/最大值/最小值]
3. 添加汇总行和汇总列
4. 计算占比

输出：透视表格式

6.1.2 实战示例：产品销售透视

请对整理后的销售数据进行透视分析：

1. 按产品名称分组，统计销售件数求和
2. 添加汇总行，计算总计
3. 计算每个产品销售件数占比
4. 按销售件数从高到低排序

输出：透视表格式

WorkBuddy 会生成类似这样的透视表：

6.1.3 多维透视

可以按多个维度进行透视分析：

请进行多维度透视分析：
1. 按地区×产品交叉统计销售额
2. 按月份×渠道交叉统计订单量
3. 计算各维度的小计和总计
4. 找出销售额最高的地区-产品组合

6.2 对比分析

对比分析用于比较两组或多组数据的差异，发现变化和趋势。

6.2.1 对比分析提示词

请进行对比分析：

数据组 1：[数据 1]
数据组 2：[数据 2]

对比维度：
1. 总量对比
2. 结构对比（占比）
3. 趋势对比
4. 差异显著性

输出：对比表格 + 关键发现

6.2.2 同比环比分析

同比和环比是最常用的对比分析方法：

请分析这份销售数据的同比和环比变化：

1. 计算各月份的环比增长率（本月 vs 上月）
2. 计算各月份的同比增长率（本月 vs 去年同月）
3. 找出增长率最高和最低的月份
4. 分析增长或下降的可能原因
5. 用柱状图展示环比增长率，负增长的标红

6.2.3 多维度对比

可以同时下达多个分析需求，让 AI 一次性搞定：

请分析这份 Excel 销售数据表，帮我完成以下任务：
① 找出关键趋势和异常值
② 按[维度，比如：地区/产品/时间]对比分析
③ 输出 Top5 和 Bottom5 排名
④ 给出 3 条可落地的改进建议
⑤ 生成可视化图表

WorkBuddy 会直接输出仪表盘、多维度对比、改进建议、趋势分析等多份数据报告。

6.3 趋势分析

趋势分析用于分析时间序列数据的变化趋势，找出规律和异常。

6.3.1 趋势分析提示词

请分析以下数据变化趋势：

数据：[粘贴时间序列数据]

分析要求：
1. 识别整体趋势（上升/下降/平稳）
2. 计算增长率
3. 找出异常值/拐点
4. 预测未来走势

输出：趋势描述 + 数据支撑

6.3.2 实战示例：月度销售趋势

请分析过去 12 个月的销售数据趋势：

1. 绘制月度销售额折线图
2. 计算月均增长率
3. 识别销售高峰和低谷月份
4. 分析是否存在季节性规律
5. 基于历史数据预测下 3 个月的销售额趋势
6. 标注任何异常波动并分析可能原因

6.4 结构分析

结构分析用于分析各部分占总体的比例。

请进行结构分析：

1. 计算各产品线销售额占总销售额的比例
2. 计算各渠道销售额占比
3. 计算各区域销售额占比
4. 绘制饼图展示占比结构
5. 分析占比变化趋势（与上期对比）
6. 识别占比异常的项（如某产品占比突然大幅变化）

6.5 高级分析：归因分析

归因分析是比基础分析更深入的方法——不只是"发现了什么变化"，还要找出"为什么变化"。

以电商销售分析为例：

普通分析告诉你：本周销售额下降 8.6%，订单量同步下滑。
归因分析告诉你：本周销售额下降 8.6%，核心来自三点：

1. 淘系渠道销售下滑 12.4%，贡献主要跌幅
2. 核心 SKU A 销量下跌 18.7%
3. 整体转化率下降 2.1 个百分点

SKU A 流量并未明显降低，问题主要出在转化率层面。

归因分析的提示词：

请对销售额变化进行归因分析：

1. 将销售额变化拆解到各渠道（哪个渠道贡献了主要跌幅/增幅）
2. 将销售额变化拆解到各产品（哪些 SKU 在拖累/拉动整体销售）
3. 分析转化率变化（流量 vs 转化 vs 客单价，哪个环节出了问题）
4. 对比广告投入变化与销售变化的关系
5. 输出完整的归因分析报告

专业分析需要完成五个步骤：结果 → 拆解 → 定位 → 归因 → 判断

1. 结果：销售额下降 8.6%
2. 拆解：GMV = 流量 × 转化率 × 客单价，哪个环节变了？
3. 定位：是哪个渠道、哪个产品、哪个环节出了问题？
4. 归因：为什么变？是市场竞争、价格调整、还是库存断货？
5. 判断：这个问题严重吗？需要立即处理还是可以观察？

6.6 完整分析示例：公众号数据分析

以下是一个完整的真实案例——分析公众号近 30 篇文章的阅读数据，找出高互动选题规律。

第一步：导出数据
登录微信公众平台，在"内容分析"里导出近 30 篇的数据 CSV（包含标题、发布时间、阅读量、点赞数、分享数）。

第二步：把文件上传到 WorkBuddy，输入指令

读取 article_data.csv，这是我公众号近 30 篇文章的数据，
字段包含：标题、发布日期、阅读量、点赞、分享。

请帮我分析：
1. 哪些标题关键词与高阅读量相关？
2. 一周中哪几天发布的文章互动更好？
3. 阅读量前 5 名和后 5 名的文章有什么规律差异？
4. 给我 3 条选题建议

所有分析结果输出为 report.md，包含对应的可视化图表。

第三步：查看结果

几分钟后，WorkBuddy 输出：

• 关键词热力图（哪些词出现在高阅读量文章标题里）
• 发布时间与互动率的折线图
• 高低表现文章的对比分析
• 3 条具体的选题方向建议（带数据支撑）

这个分析如果手工做，要写 Python、跑模型、想结论，少说 3-4 小时。WorkBuddy 一次对话，完整跑完。

第四步：验收

手工抽查：

• 随机选 2 篇文章，核对阅读量是否与微信后台一致
• 验证前 5 名和后 5 名的排序是否正确
• 检查选题建议是否与数据结论一致

6.7 分析结果验收

AI 在数据分析中犯错的比例不低，尤其是口径理解、分母选择、异常值处理。结果必须验收。把 AI 当成一个能力强但不懂业务的实习生：什么都能干，但结果要盯。

6.7.1 实测踩坑案例汇总

在实际使用 WorkBuddy 做数据分析的过程中，以下是一些高频踩坑案例和解决方案：

案例 1：销售额多了一千万

某次分析销售数据，WorkBuddy 报告总销售额为 1709 万，但实际应该只有 709 万。排查发现，一条记录的销售额被录入了 9,999,999 元。这个异常值没有被清洗掉，直接计入总额。

解决：在分析前先做数据质量检查，设定异常值阈值（如"销售额超过 100 万的标记为异常，待人工核实"）。

案例 2：相关系数等于 1.0

分析销售额与成本的相关性，AI 报告相关系数为 1.0（完全正相关），明显不合理。排查发现，计算受空值影响——某些行的成本为空，AI 默认填充了 0，导致计算结果异常。

解决：明确告诉 AI 缺失值的处理方式，或在计算相关性前先排除缺失值。

案例 3：套装被拆分计算

电商 SKU 分析中，一个套装含 3 个单品，AI 将套装的销量算成了 3 笔。导致总销量偏高。

解决：在提示词中明确"套装按 1 笔订单计算，不要拆分为单品"。

案例 4：转化率分母选错

销售漏斗分析中，AI 将"还在跟进中的线索"也算进了转化率的分母，导致转化率偏低。

解决：明确指出"转化率分母只包含已结束的线索（已成交 + 已流失），不包含还在跟进中的线索"。

案例 5：跨月数据归属错误

7 月获客、8 月成交的线索，AI 按"成交月份"归属到了 8 月，导致 7 月的漏斗转化率失真。

解决：明确指出"漏斗分析按获客月份归属，不按成交月份"。

这些案例的共同教训是：口径问题永远是数据分析的第一杀手。AI 不会自动理解你的业务规则，你必须在提示词中把口径定义清楚。

6.7.2 验收清单（8 项）

每次出报告前过一遍这份清单：

1. □ 总行数、总金额与原始数据对得上吗？
2. □ 日期范围是否正确？有没有跨月数据混入？
3. □ 缺失值处理方式是否符合预期？
4. □ 异常值是否被识别和处理？
5. □ 统计口径是否正确？（如销售额是否含退款？）
6. □ 百分比和增长率计算是否正确？（分母对不对？）
7. □ 排名和 Top N 是否准确？
8. □ 结论与数据是否一致？有没有"正确的废话"？

6.6.2 前三次使用建议

每个场景都手工抽查 2-3 个关键指标——拿 Excel 透视表算一遍，和 AI 的结果对一下。确认 AI 靠谱之后，后续就可以放心让它跑全流程。信任是逐步建立的，不是一上来就全交。

6.6.3 AI 算错了怎么办？

不要说"你错了"，AI 会道歉然后换一种方式算——还是错的，因为不知道哪里错。

正确做法是指出具体的口径或逻辑问题：

核心原则：AI 不会读心术。越能精确描述"哪里错了、正确的口径是什么"，它修得越快。

6.8 四要素需求描述框架

统计分析的核心是"描述清楚你要什么"。官方建议一次说明四个要素，让 AI 精准理解你的分析意图：

示例指令："请读取这份销售数据，按月份统计各产品线的销售额和利润，分别生成柱状图与折线图，并补充一段结论说明。"

黄金法则：一次说清四要素，避免来回补充；需求复杂时先产出基础版本，再逐轮补充图表与结论——比一次提过多要求效果更好。

6.9 三轮迭代分析法

复杂分析（如经营分析）建议分三轮指令，每轮验收后再进行下一轮：

第一轮·数据整合：

读取「桌面/销售分析-当月」文件夹中的所有数据文件，合并后清洗数据
（统一产品命名格式、删除空行和重复行、修正金额列的格式错误），
输出一张整合后的干净数据表，保存为Excel格式。

第二轮·分析与图表：

基于刚才输出的整合数据表，完成以下分析：
1. 各区域（华东/华南/华北/西南）本季度销售额对比，生成柱状图
2. 近3个月各产品线销量趋势，生成折线图
3. 本季度销售额Top10销售员排名，生成横向条形图
4. 计算环比增长率，标注增长/下滑超过20%的异常项
所有图表配色要求专业简洁，适合汇报使用。

第三轮·报告生成：

根据以上数据分析结果，撰写一份季度销售复盘报告，结构要求：
- 本季度整体表现（3-5句摘要）
- 各区域销售分析（结合图表数据，写出原因推断）
- 产品线趋势分析（指出增长亮点和下滑风险）
- 人员业绩亮点
- 下季度建议（3条具体可执行的方向）
语气专业、数据充分，报告长度控制在1500字以内，输出为Word格式。

第七章 数据可视化——让数据一目了然

7.1 图表类型选择

选择正确的图表类型是数据可视化的第一步。不同类型的数据和不同的分析目的，适合不同的图表：

选图的底层逻辑：选图表不是选"好看的"，是选"信息传达效率最高的"。每次让 AI 画图前，先确认：看图的人要在 3 秒内理解什么？然后告诉 AI 用最能传达这个信息的图表类型。

7.2 生成图表提示词

7.2.1 标准图表生成

请基于以下数据生成可视化图表：

数据：[粘贴数据]

图表要求：
1. 图表类型：[柱状图/折线图/饼图/散点图等]
2. X 轴：[字段]
3. Y 轴：[字段]
4. 颜色主题：[明亮/商务/简约等]
5. 图表标题：[标题名称]

输出：图表描述/HTML 图表/数据配置

7.2.2 实战示例：产品销售图表

请基于销售数据生成可视化图表：

1. 图表类型：柱状图和饼图各一张
2. 柱状图：X 轴为产品名称，Y 轴为销售件数
3. 饼图：各产品销售件数占比
4. 颜色主题：明亮
5. 图表标题分别为"各产品销售件数"和"各产品销售件数占比"

所有图表保存为 PNG 格式，分辨率 300dpi

WorkBuddy 会调用 Matplotlib 或 Seaborn 生成高清图表，色彩搭配与坐标轴标签均会自动调整至合理状态。

7.2.3 学术规范图表

如果需要用于学术论文或正式报告：

请绘制符合学术规范的图表：
1. 过去六个月讨论热度的按周折线演变图
2. 不同活跃度用户群体的参与占比柱状图
3. "评论文本长度"与"点赞数"的相关性散点图

所有图表保存为 PNG 格式，分辨率 300dpi，背景设为白色，并添加标准的学术图例

7.3 交互式 HTML 可视化看板

这是 WorkBuddy 数据可视化的杀手锏功能——可以直接生成交互式的 HTML 数据看板。

7.3.1 方法一：提示词生成

打开 WorkBuddy → 选择"日常办公" → "数据分析及可视化"，上传 Excel 文件，输入提示词：

请利用这个数据集，帮我生成一个交互式的数据可视化看板，包含：
- 每个产品的销售趋势折线图
- 各地区占比饼图
- 销售额 Top5 的柱状图
- 支持按维度筛选

这个提示词会让 AI 自动加载对应的技能来完成任务，比如调用 data-exploration、xlsx、interactive-dashboard-builder 等技能。

不到 5 分钟，WorkBuddy 就生成了一个 HTML 格式的数据看板，还支持自定义筛选维度——老板想看哪个数据点一下就能看，汇报档次直接拉满。

7.3.2 方法二：专家模式

打开 WorkBuddy 的专家板块，一键召唤"数据分析报告师"专家。

AI 专家自带领域知识、行业视角、解决方案框架，不需要太复杂的提示词也能输出专业内容。

下达指令后，AI 专家会按照自有流程自动工作：读取数据 → 清洗整理 → 计算指标 → 生成图表 → 互动网页，内容专业又详细。

7.4 让图表直接能用的 3 个技巧

实测中发现一个普遍问题：AI 生成的图表数据是对的，但拿去汇报会被打回来。问题不在数据，在"图表能不能直接用"。

广告

技巧一：说清楚给谁看

这份图表是给管理层看的月度汇报，需要：
- 简洁明了，突出关键结论
- 避免技术术语，用业务语言
- 标注关键数字的变化幅度
- 颜色使用商务风格

技巧二：颜色不是装饰，是信息

图表颜色要求：
- 正增长用绿色，负增长用红色
- 超预算用红色标注
- 重点关注项用橙色高亮
- 其他用默认灰色

技巧三：图表类型要人来定

不要让 AI 自己决定用什么图表类型。你告诉它用什么类型最合适，因为只有你了解看图人的需求和习惯。

7.5 帕累托图（80/20 分析）

帕累托图是一种特殊的组合图——柱状图 + 累计百分比折线图，用于识别"关键少数"：

请生成帕累托图：
1. 按客户贡献的销售额从高到低排序
2. 柱状图展示每个客户的销售额
3. 折线图展示累计百分比
4. 标注 80% 线，识别贡献 80% 销售额的关键客户

第八章 分析报告生成——从数据到结论

8.1 好报告的标准

一份好的数据分析报告应该让读者在 5 分钟内理解核心结论。它的结构是：

核心结论（3-5 条）→ 数据支撑（图表+数据表）→ 异常标注 → 行动建议

而不是：

数据描述（"销售额下降了 8%"）→ 数据描述 → 数据描述 → "建议加强管理"

后者是"正确的废话"，前者才是有价值的分析。

8.2 报告生成提示词

8.2.1 标准报告模板

请基于全部分析结果，生成一份分析报告：

报告结构：
1. 核心发现（3-5 条最重要的结论）
2. 数据支撑（包含对应的图表和数据表）
3. 异常标注（指出数据中的异常点和需要注意的问题）
4. 行动建议（给出可执行的具体建议）

报告格式：Word 文档
字数：1500 字以内
语气：专业克制，不夸大，不编造表格中不存在的数据

8.2.2 周报模板

# 【XX】周报模板

## 数据概览
- 本周关键指标汇总
- 同比/环比变化

## 核心分析
### 亮点
- 发现 1
- 发现 2

### 问题
- 问题 1
- 问题 2

## 数据详情
[透视表]

## 可视化图表
[图表]

## 下周计划

8.2.3 管理层摘要

根据这份统计结果生成一页管理层摘要：
- 先写 3 条核心结论
- 再写对应数据证据
- 最后提出 3 项下月动作建议
- 语气专业克制，不夸大，不编造表格中不存在的数据

8.3 从分析到行动：让 AI 给出能落地的建议

分析做完不是终点。很多报告的结尾是"建议加强销售管理"——这种废话不如不说。

用这段提示词让 AI 给出能执行的东西：

基于全部分析结果，请输出一份行动计划：

Top 5 问题：按"资金影响大小"排序，每个问题说明涉及多少 SKU、占用多少资金

处置建议：每个问题给出 2-3 个选项（不是 1 个），标注：
- 预期效果
- 执行难度（高/中/低）
- 需要的资源

优先级矩阵：画一张"影响×难度"四象限图，把所有建议放进去
- 高影响低难度 = 立即做
- 高影响高难度 = 排计划
- 低影响低难度 = 顺手做
- 低影响高难度 = 先别做

30 天行动清单：从矩阵里挑出"高影响低难度"的事项，
排成 30 天执行计划，每项标注负责人和验收标准

8.4 警惕 AI 说正确的废话

AI 擅长说"建议优化销售流程""提升转化效率"这类正确的废话。遇到这种，直接追问：

请把"优化销售流程"转化为 3 个具体动作，每个动作说明：
- 做什么
- 谁做
- 什么时候做
- 做完后用什么指标衡量效果

追问 2 轮，AI 就会从"加强管理"变成"方案演示阶段流失率最高的是广告渠道线索，建议下周组织 1 次话术培训，针对 Top 3 流失客户做回访，由销售主管 XX 负责，以回访后重新进入报价阶段的线索数衡量"——这才叫可执行。

8.5 多格式输出

WorkBuddy 可以根据你的需求输出多种格式：

8.5.1 实战案例：周销售数据分析报告

以下是一个完整的真实案例演示——分析一周销售数据并生成报告。

任务背景：某店铺需要做周销售数据分析报告，数据包含 20 个省份、15 款产品、7 天的销售明细。

第一步：上传数据
将 Excel 文件上传到 WorkBuddy，文件包含日期、省份、产品名称、销售件数、销售单量、销售金额、购买客户数等字段。

第二步：输入分析指令

这是我的一周销售数据，请帮我完成完整的分析报告：

1. 数据清洗：
   - 检查缺失值和异常值
   - 统一日期格式
   - 删除重复记录

2. 数据概览：
   - 汇总本周关键指标（总销售件数、总销售金额、日均销售）
   - 按省份统计销售额，找出前三省份
   - 按产品统计销售件数和金额，找出 Top5 产品

3. 深度分析：
   - 按日期汇总所有产品销售量趋势变化
   - 按所有产品分析销售量分布
   - 计算各省份销售贡献占比

4. 可视化：
   - 产品销售量分布柱状图
   - 产品销售件数占比环形图
   - 各省份销售额对比柱状图
   - 日度销售趋势折线图

5. 输出：
   - 完整的周销售分析报告（Word 格式）
   - 交互式 HTML 看板
   - 清洗后的 Excel 数据表

第三步：查看结果

WorkBuddy 输出的报告包含：

• 执行摘要：2026-04-20 至 2026-04-26，共实现销售件数 52,409 件，销售金额 50,652,625.72 元，日均销售 7,487.0 件
• 产品分析：机械键盘 G7 以 5,712,322.68 元位居销售金额榜首，智能音箱 O15 和 U 盘 L12 紧随其后，TOP5 产品贡献了主要销售额
• 区域分析：天津、河北、江西为销售额前三省份
• 趋势分析：本周销售呈先升后降趋势，周三达到峰值
• 可视化：柱状图、环形图、折线图等多张图表
• 改进建议：3 条基于数据的可执行建议

8.6 实战：完整的数据分析报告生成

以下是一个完整的从数据到报告的提示词链：

第一步：数据整理

请整理月度销售数据：
1. 统一日期格式
2. 填充缺失值
3. 按产品分类汇总
4. 计算同比/环比增长率

第二步：透视分析

请对整理后的数据进行透视分析：
1. 按地区统计销售额和利润
2. 按产品线统计销量
3. 找出 Top10 客户
4. 计算各维度占比

第三步：生成图表

请生成月报可视化图表：
1. 销售额趋势图（折线图）
2. 各地区销售占比（饼图）
3. 产品销量排行（柱状图）
4. 客户贡献度分析（帕累托图）

第四步：生成报告

请基于以上分析和图表，生成一份完整的月度经营分析报告：

报告结构：
1. 执行摘要（1-2 段核心结论）
2. 数据概览（主要指标汇总表）
3. 核心指标分析（含图表）
4. 异常提示（标注异常数据点）
5. 改进建议（3 条可执行的建议）

输出为 Word 文档

8.7 AI 对账机制：让 AI 自己核查数据

重要分析结果一定要自己检查。进阶的信任机制——让 AI 自己对账：

按订单号去重，但保留重复来源；汇总前输出总行数、空值、异常值和重复数。
生成 clean-sales.xlsx、exception-list.xlsx 和 reconciliation.md。
金额汇总必须与各源表合计对账，差异不为0时不生成管理结论。

这样它会生成三个文件：干净数据+质量摘要、异常明细+追溯清单、对账报告（含按区域对账、完整性对账）；只有对账差异为 0 才输出管理结论——"经核查无误"这四个字有了硬背书。

验收方法补充：

• 抽查合计：打开结果文件核对关键数据，比如某渠道 Q1 总销售额应该是 892600+968320+1058080=2919000，数字对得上说明分析没问题；
• 人工抽查 10-20 行：AI 清洗后的数据建议抽查验证质量；
• 异常值人工确认：AI 标注的异常数据，需要人工确认是否真的异常。

8.8 完整实战：销售周报一条指令版

综合案例。你是销售运营，每周一要出一份含数据概览、区域排名、Top5 销售员、趋势图表、异常预警的周报，传统方式 2-3 小时。

一条复合指令：

打开桌面"销售原始数据_本周.xlsx"的"Sheet1"工作表，完成本周销售周报：

一、数据清洗：
1. 删除完全重复的行
2. 删除"订单金额"为空或为0的行
3. 删除"销售人员"为空的行
4. 统一"下单日期"格式为yyyy-mm-dd
5. 订单金额小于0的标记为"负数异常"，大于50000的标记为"大额订单需审核"
6. 清洗后保存为新工作表"清洗数据"，输出清洗报告

二、统计分析：
1. 数据概览：总销售额、总订单数、客单价
2. 区域排名：各区域销售额排名及占比
3. 人员排名：Top5销售人员
4. 异常预警：列出所有异常订单并标注原因

三、图表生成：
1. 本周每日销售额走势折线图

四、报告输出：
按以上结构生成一份完整周报，Word格式，适合管理层阅读。

5-10 分钟后你会得到：清洗后的 Excel + 图表 + 整整 Word 周报。执行中注意两点：右侧面板能看到每一步在干什么，全程透明；弹出高风险确认框时看一眼再点同意。

第九章 实战案例一：电商 SKU 诊断与经营分析

9.1 案例背景

某天猫店铺 2026 年 7 月数据，全店约 3000 个 SKU。运营团队面临以下问题：

• 3000 个 SKU 不可能逐个看，需要快速区分哪些是爆款要补货、哪些是滞销要清仓
• 促销活动投入了大量资源，但效果不明
• 库存管理混乱，不知道哪些该补货、哪些该清仓

9.2 数据准备

数据字段：SKU 编号、商品名称、一级类目、二级类目、售价、月销量、月销售额、库存量、评价数、好评率、上架天数、是否参加促销（是/否）

数据说明书：

这是一份 7 月 SKU 销售表，字段包括：
SKU 编号、商品名称、一级类目、二级类目
售价、月销量、月销售额、库存量
评价数、好评率、上架天数
是否参加促销（是/否）

业务背景：某天猫店 2026 年 7 月数据，全店 SKU 约 3000 个。
统计口径：销售额 = 售价 × 销量（已剔除退款），销量含促销订单。
需要解决的问题：识别滞销品、评估促销效果、找出补货优先级。

数据体检：

请先扫描这份数据，不要执行分析，只汇报：
- 总行数、字段数
- 哪些列有缺失值，缺失比例多少
- 有没有明显的异常值（如销量为负、价格为 0、好评率 > 100%）
- 有没有重复记录
- 数据类型是否正确

9.3 SKU 分层诊断

提示词模板：

请对 7月SKU销售表.xlsx 做 SKU 分层诊断：

1. ABC 分类：按销售额累计占比，A 类（前 70%）、B 类（70-90%）、C 类（90-100%）
2. 滞销品识别：月销量 < 10 且库存 > 50 的 SKU，列出清单（含 SKU、名称、类目、库存、月销量）
3. 缺货预警：库存 < 20 且月销量 > 100 的 SKU，按紧急程度排序
4. 促销效果评估：对比参加促销 vs 未参加促销的 SKU，算平均销量差异和客单价差异
5. 类目分析：各二级类目的销售额、销量、SKU 数、动销率（动销率 = 有销量的 SKU 数 ÷ 总 SKU 数）

输出：
- HTML 看板（含 ABC 饼图、滞销品表格、缺货预警表格、类目柱状图）
- Word 报告：核心发现 + 建议，不超过 1500 字

9.4 验收重点

做完分析后，需要重点检查以下几个容易出错的地方：

ABC 分类的基准：按销售额还是按利润？如果数据里没有利润字段，AI 默认按销售额——需确认这是否符合预期。

滞销品的阈值："月销量 < 10"这个标准是你给的还是 AI 自己定的？不同品类标准不同（服饰月销 10 可能正常，3C 月销 10 就是滞销）。

动销率：AI 有没有把"上架第一天的 SKU"也算进分母？新上架的 SKU 没销量是正常的，不应拉低动销率。

促销对比的公平性：参加促销的 SKU 和未参加的 SKU，类目分布是否可比？如果促销品全是爆款，对比结果就会有偏差。

9.5 实测踩坑

实测中发现 AI 会把"套装"和"单品"的销量混在一起算——一个套装含 3 个单品，被算成了 3 笔销量。解决方法是在提示词里明确"套装按 1 笔订单计算，不要拆分"。

口径问题永远是数据分析的第一杀手。

9.6 电商经营分析进阶

当基础数据分析已经不能满足需求时，可以接入专业数据分析连接器（详见第十四章），实现更深入的经营分析：

五大高频电商专业分析场景：

场景 1：销售分析
GMV 出现波动，逐层拆解：GMV → 流量 → 转化 → 客单价 → 商品结构 → 渠道来源，快速定位到底哪个环节出现异动。

场景 2：商品分析
整合销量、销售额、毛利水平、库存现状、增长趋势多维度数据，自动区分爆款、潜力款、普通款、滞销款。

场景 3：广告分析
沿着曝光、点击、CPC、转化、广告成交、ACOS、ROI、毛利完整链路拆解。不只告知 ROI 下降，还可以定位是哪条计划、哪个商品、哪个渠道拉低整体投放效益。

场景 4：利润分析
从销售额出发，逐层扣减退款、商品成本、平台扣费、广告成本、物流售后成本。很多店铺 GMV 持续走高，利润停滞甚至亏损，都靠这套链路找到症结。

场景 5：库存分析
联动库存数量、历史销量、销售周转速度、在途库存数据，AI 直接输出需要补货 SKU、断货风险 SKU、高库存积压 SKU。

第十章 实战案例二：内容运营数据分析

10.1 案例背景

某公众号每周发 3-5 篇内容，但不知道哪篇真正有效——阅读量高的不一定涨粉，涨粉多的不一定传播广。需要找到"高杠杆内容"的特征，指导后续选题方向。

10.2 数据准备

数据字段：文章 ID、标题、发布日期、栏目、字数、阅读量、分享数、在看数、留言数、新增关注、阅读来源（公众号消息/朋友圈/搜一搜/其他）

数据说明书：

这是一份公众号文章数据，字段包括：
文章 ID、标题、发布日期、栏目、字数
阅读量、分享数、在看数、留言数、新增关注
阅读来源（公众号消息/朋友圈/搜一搜/其他）

业务背景：某公众号 2026 年 5-7 月数据，共约 40 篇文章。
统计口径：阅读量为微信后台统计的最终阅读量，新增关注为文章发布当天的新增粉丝数。
需要解决的问题：识别高杠杆内容特征、找出最佳发布时间、评估栏目效果。

10.3 内容分层分析

提示词模板：

请分析 XXX文章数据.xlsx：

1. 内容分层：用阅读量、分享率（分享数 ÷ 阅读量）、涨粉率（新增关注 ÷ 阅读量）三个维度，
   将文章分为 4 类：
   - 传播型（高分享低涨粉）
   - 获客型（低分享高涨粉）
   - 全能型（双高）
   - 沉寂型（双低）
   每类列出代表文章

2. 流量来源拆解：算每篇文章各来源阅读占比，找出"搜一搜流量占比 > 20%"的文章（这些有长尾价值）

3. 标题效果分析：将标题按长度（<15 字 / 15-22 字 / >22 字）分组，对比平均阅读量

4. 栏目对比：各栏目的平均阅读、平均涨粉、平均分享率，找出最强栏目

5. 发布时间分析：按发布时段（早 8 / 午 12 / 晚 20 / 其他）分组对比打开率

输出：
- HTML 散点图（横轴分享率、纵轴涨粉率，气泡大小 = 阅读量，标注文章标题）
- HTML 柱状图（栏目对比、时段对比）
- Word 报告：内容策略建议，聚焦"接下来该多发什么类型、什么时段发、标题怎么写"

10.4 验收重点

分享率的分母：是阅读量还是送达人数？两者含义不同——用阅读量做分母衡量"看完后愿不愿分享"，用送达人数做分母衡量"标题够不够吸引 + 看完后愿不愿分享"。

涨粉率的归因：一篇文章发布当天涨的粉，不一定是这篇文章带来的——可能是前一天的文章在传播。AI 通常不考虑这个时间滞后。

标题长度分组：标点符号算不算字数？数字和中文的视觉长度不同，AI 可能用字符数而非视觉长度。

样本量问题：如果某栏目只有 2 篇文章，"平均阅读量最高"不代表栏目好——可能只是偶然。

10.5 进阶技巧：传播杠杆指标

做内容归因时，建议让 AI 额外算一个指标：

请额外计算"传播杠杆"指标：
传播杠杆 = 分享产生的阅读量 ÷ 公众号消息阅读量

这个值 > 1 说明内容靠自己传播就比推送触达更强
> 2 说明是爆款级别

比单纯看阅读量有用得多。

10.6 输出示例

WorkBuddy 最终输出：

• 内容四象限散点图（传播型/获客型/全能型/沉寂型）
• 栏目效果对比柱状图
• 发布时段打开率折线图
• 3 条选题方向建议（带数据支撑）

第十一章 实战案例三：销售转化漏斗分析

11.1 案例背景

某 B2B 公司每月几百条线索进来，成交率不到 10%。不知道哪个环节在漏水、哪些渠道的线索质量高、哪个销售需要帮一把、哪些客户该重点跟。

11.2 数据准备

数据字段：线索 ID、线索来源（广告/官网/转介绍/展会/其他）、获客日期、客户行业、客户规模、销售阶段（新线索/已联系/需求确认/方案演示/已报价/已成交/已流失）、当前阶段停留天数、销售负责人、负责区域、成交金额

数据说明书：

这是一份 7 月销售线索表，字段包括：
线索 ID、线索来源、获客日期、客户行业、客户规模
销售阶段（新线索/已联系/需求确认/方案演示/已报价/已成交/已流失）
当前阶段停留天数、销售负责人、负责区域、成交金额

业务背景：某 B2B 公司 2026 年 7 月线索数据，约 500 条线索。
统计口径：成交金额仅统计已成交线索，未成交线索金额为空。
需要解决的问题：找出漏水环节、评估渠道质量、评估销售人效。

11.3 转化漏斗诊断

提示词模板：

请对 7月销售线索表.xlsx 做转化漏斗诊断：

1. 漏斗分析：统计每个销售阶段的线索数量和转化率
   （阶段转化率 = 进入下一阶段数 ÷ 本阶段数）
   标注哪个环节流失最多、整体线索到成交转化率是多少

2. 渠道质量对比：各线索来源的线索数、到成交的转化率、
   平均成交周期（获客日期到成交日期）、平均成交金额
   按 ROI 排序（ROI = 成交总额 ÷ 该渠道线索数，仅做相对比较）

3. 销售人效对比：各销售负责人的线索数、成交数、转化率、
   平均成交金额、平均成交周期
   标注谁高于团队均值、谁低于团队均值

4. 阶段停滞分析：当前处于各阶段的线索中，
   停留天数超过该阶段中位数的是哪些？
   按"停留天数 × 潜在金额"排序，找出最该被推动的线索

5. 流失线索分析：已流失的线索集中在哪个阶段流失？
   哪个渠道的流失率最高？
   流失线索和成交线索在客户行业、规模上有什么差异

输出：
- HTML 漏斗图（各阶段数量 + 转化率）
- HTML 渠道对比表格（带条件格式高亮）
- HTML 销售人效雷达图或条形图
- Word 报告：核心发现 + 3 条可执行建议
   聚焦"哪个环节先修、哪些线索先推、哪个渠道该加投/砍掉"

11.4 验收重点

转化率的口径：阶段转化率是"进入下一阶段 ÷ 本阶段进入数"，还是"进入下一阶段 ÷ 当前仍在该阶段数"？两个算法差异很大——前者是历史全量转化率，后者是当前在途线索的转化情况，AI 不会自动区分。

成交金额的空值处理：未成交的线索成交金额为空或 0，AI 算"平均成交金额"时有没有把 0 算进去？正确做法是只统计已成交线索的金额均值。

成交周期的计算：是"获客日期到成交日期"还是"阶段进入日期到阶段离开日期"？前者衡量整个销售周期，后者衡量单阶段效率——确认 AI 用的是哪个。

跨月线索的归属：7 月获客、8 月成交的线索，算 7 月的还是 8 月的？漏斗分析通常按"获客月份"归属，但 AI 可能按"成交月份"算，导致转化率失真。

11.5 销售分析的最大陷阱

AI 擅长算"快照数据"——某个时间点的漏斗长什么样。但销售决策需要看趋势：转化率在逐月变好还是变差？某个渠道上个月还行这个月就不行了？

建议：如果有多月数据，让 AI 额外做一个月度转化率趋势图，按渠道和阶段分别画折线。单月数据再好看，也说明不了趋势问题。

请额外分析：
1. 按月统计各阶段转化率变化趋势
2. 按渠道画月度转化率折线图
3. 标注转化率持续下降的渠道
4. 对比近 3 个月 vs 前 3 个月的转化率变化

第十二章 Skill 制作——将分析经验沉淀为可复用技能

12.1 为什么需要 Skill？

在前面几章中，你学会了用提示词让 WorkBuddy 做数据分析。但你可能发现一个问题：同一套分析流程，每次都要重新写一遍提示词。每周做周报、每月做月报，分析步骤都是一样的，却每次都要重新描述。

这就是 Skill 要解决的问题。

Skill = 可复用的提示词 + 固定的处理流程 + 可选的脚本和参考资料

普通提示词主要解决当前这次对话。Skill 会把反复使用的规则和工具保留下来。下一次换一份结构相同的表，就不用重新解释整套处理顺序——一句话调用 Skill 就行。

12.2 什么任务适合做成 Skill？

判断一件事是否值得做成 Skill，先问三个问题：

1. 这个任务会不会重复出现？ —— 每月做一次的月报、每周做的周报、每天做的对账，适合做成 Skill。一次性的分析不适合。
2. 输入格式是否相对稳定？ —— 每月的销售表结构基本一致，适合。每次输入都完全不同的任务不适合。
3. 结果能不能人工检查？ —— 有明确的验收标准（如总金额对不对、趋势是否正确），适合。没有明确判断标准的任务不适合。

常见适合做成 Skill 的数据分析场景：

• 周报整理（每周固定格式）
• 月度销售数据分析（每月流程一致）
• 客户名单清洗（规则固定）
• 多表合并（字段映射规则固定）
• 竞品价格监控（每天定时执行）
• 数据质量检查（检查项固定）

不适合做成 Skill 的场景：

• 每次输入完全不同
• 规则经常变化
• 没有人能检查结果
• 涉及需要人工判断的复杂决策

12.3 Skill 的文件结构

一个 Skill 通常是一个文件夹，核心文件叫 SKILL.md。复杂一点的 Skill 还会带脚本和参考资料。

以一个名为 excel-data-analyzer 的 Skill 为例，包含三个部分：

excel-data-analyzer/
├── SKILL.md                    # 说明用途、触发条件、依赖和运行顺序
├── scripts/
│   └── analyze_excel.py        # 负责读取并分析表格
└── references/
    └── analysis_guide.md      # 补充图表选择和异常处理规则

• SKILL.md：核心文件，定义了 Skill 的名称、描述、触发条件、输入格式、处理流程和输出格式
• scripts/：可选的 Python 脚本，负责具体的数据处理工作
• references/：可选的参考资料，如图表选择规则、异常处理标准等

12.4 创建 Skill 的完整流程

第一步：进入技能页面

在 WorkBuddy v5.3.14 的左侧菜单里，打开"专家、技能、连接器"，再选择"技能"，就能进入技能页面。

技能页面提供了三个常用入口：

• 分类列表：用于寻找现成技能
• 我安装的：用于查看和管理已有技能
• 添加技能：可以创建或导入技能

第二步：选择"创建技能"

从"添加技能"里选择"创建技能"，先给出一句任务要求：

请帮我创建一个可以实现「Excel 表格数据分析」的 Skill。

WorkBuddy 随后调用 skill-creator，继续询问分析范围和交付形式。这里选择"基础分析加可视化"，产物选择图表图片、处理后的 Excel 和文字分析报告。

创建 Skill 时，至少要把四件事说清楚：

1. 它要处理什么任务
2. 输入文件是什么格式
3. 处理过程有哪些固定要求
4. 最后需要哪些交付物

要求越模糊，生成的 Skill 越容易只在演示数据上工作。

第三步：等待创建完成

界面显示创建用时约 7 分钟。WorkBuddy 最终生成 excel-data-analyzer，将它安装到用户级技能目录，同时打包出一个可以分享的 ZIP。

第四步：检查 Skill 文件

页面出现"创建完成"，只说明技能文件已经生成。它是否能用于真实任务，还要继续检查和测试。

第一步先打开 SKILL.md。重点看：

• 技能名称和描述是否准确
• 触发条件是否清楚
• 支持哪些输入格式
• 最终会生成什么
• 运行时需要哪些依赖

本次 Skill 支持 .xlsx、.xls 和 .csv，脚本依赖 pandas、numpy、openpyxl 和 matplotlib。缺少依赖，或者表格列名不符合脚本预期，运行时都可能报错。

第二步再看脚本和参考资料。脚本会真正读取文件和处理数据，参考资料会影响图表选择和异常处理。

检查清单：

1. □ SKILL.md 里的名称和描述是否与任务一致
2. □ 触发条件是否会误用到其它任务
3. □ 输入格式、列名和必要参数是否写清楚
4. □ 脚本依赖是否已经安装
5. □ 输出文件的位置和命名是否明确
6. □ 是否存在需要人工确认的删除、上传或外部访问

12.5 Skill 的 YAML 头部格式

SKILL.md 的头部使用 YAML 格式定义元信息：

---
name: "Excel 数据分析助手"
description: "Excel 数据分析、透视表生成、图表可视化、数据报表制作"
trigger:
  - 数据分析
  - Excel 分析
  - 生成图表
  - 数据报表
  - 透视表
---

# Excel 数据分析助手

你是专业的数据分析师，擅长处理 Excel 数据、生成透视表和可视化图表。

## 核心能力
1. 数据清洗：处理缺失值、重复值、格式转换
2. 数据分析：透视分析、对比分析、趋势分析
3. 可视化：生成各类专业图表
4. 报告生成：输出结构化分析报告

## 常用公式参考
- 求和：SUM
- 平均：AVG / AVERAGE
- 计数：COUNT
- 最大/最小：MAX / MIN
- 条件统计：COUNTIF / SUMIF
- 排名：RANK
- 占比：/ 总计
- 增长率：(本期 - 上期) / 上期

12.6 在任务中调用 Skill

回到新任务页面，点击输入框左下角的加号，打开"技能"，按关键字搜索 。选中以后，技能名称会出现在输入框上方。

接着添加要处理的文件，再写任务说明：

这是我的一份数据表格，使用技能来分析一下 Excel 里面的数据。

实际工作里，任务说明还要补充当次变化。销售数据可以写退款订单是否计入销售额，跨月退货算在哪个月，最后是交区域周报还是只排查异常订单。

Skill 保存固定规则，任务说明负责本次差异。 两部分都出现，WorkBuddy 才知道哪些要求长期不变，哪些要求只适用于眼前这份文件。

12.7 从提示词到 Skill 的三阶段进阶

第十三章 Skill 测试、调优与团队共享

13.1 为什么需要测试？

页面出现"创建完成"，只说明技能文件已经生成。它是否能用于真实任务，还要继续检查和测试。少了这一步，技能可能只是列表里多出来的一个名字。

13.2 测试方法

测试 Skill，不能只看它有没有返回"完成"。需要准备一份结果已知的测试材料，再检查它是否找到了预先放入的问题。

13.2.1 准备测试数据

准备一份测试用的 Excel，故意放入以下问题：

• 1 条重复记录
• 几个空值（如销售额和客户评分空缺）
• 1 条超大异常值（如销售额 = 9,999,999）

13.2.2 运行测试

把测试文件交给带 Skill 的 WorkBuddy：

这是我的一份数据表格，使用技能来分析一下 Excel 里面的数据。

13.2.3 检查结果

这次测试结果：

• 原始 81 行，删除 1 条重复记录后为 80 行 ✓
• 客户评分缺 3 项，销售额缺 3 项 ✓
• 9,999,999 的销售额被识别为关键异常 ✓
• 删除录入异常后，销售额从 17.09M 变为 7.09M ✓

13.3 一个自建 Skill 至少要过四关

1. □ 能否在新任务里被搜索并选中
2. □ 能否读取团队常用的文件格式
3. □ 能否识别预先放入的测试问题
4. □ 对话结果、网页报告和输出文件能否互相对上

13.4 调试与排错

遇到报错时，先看依赖是否安装，再看文件格式、列名、工作表名和日期格式。

前一轮检查：能不能跑——检查依赖、文件格式、脚本执行
后一轮检查：能不能信——抽几条已知数据人工复算

调试时还发现一个问题：自动报告第一次把销售额与成本的相关系数写成 1.0，后来发现计算受空值影响，复核后修正为 0.9998。这个过程说明，运行成功和结论可信要分开检查。

13.5 Skill 的导入与导出

13.5.1 导出 Skill

创建好的 Skill 会打包成一个 ZIP 文件，可以分享给团队成员。

13.5.2 导入 Skill

从"添加技能"里选择"上传技能"，可以导入文件夹或 ZIP。导入包必须包含 SKILL.md，其中要写明技能名称和描述。

WorkBuddy 会在安装前进行安全检测。安全检测提供了一道检查，使用者仍要核对技能来源和脚本内容。

13.5.3 重复导入检测

如果把已经安装的 Skill 又导入了一遍，系统会提示同名技能已经存在，请勿重复导入。

更新一个 Skill 前要先确认当前版本和覆盖方式。

13.6 安装第三方 Skill 的安全注意事项

安装第三方 Skill 前，要确认：

• 它会读取哪些文件
• 运行哪些脚本
• 是否需要访问外部服务

销售数据、客户资料和合同文件都可能带有敏感信息，来源不清楚的技能不要直接交给它真实材料。先用测试数据验证，确认安全后再用于真实数据。

13.7 Skill 版本管理建议

随着业务变化，Skill 的处理规则可能需要更新。建议：

• 每次更新前先备份旧版本
• 记录每次更新的原因和内容
• 更新后用测试数据重新验证
• 通知团队成员更新到新版本

第十四章 高级连接——接入专业数据源

14.1 为什么需要专业数据连接器？

WorkBuddy 本身能处理上传的 Excel/CSV 文件，但在实际业务中，数据往往分散在多个平台和系统中：

• 电商平台（淘宝、京东、抖音）的销售数据
• 广告投放平台的数据
• ERP 系统的库存数据
• CRM 系统的客户数据
• 财务系统的账目数据

如果每次分析都要手动导出、上传，不仅麻烦，而且数据可能不是最新的。

WorkBuddy 负责理解和执行，专业数据连接器负责连接和分析。

WorkBuddy：理解需求 → 拆解任务 → 调用能力 → 生成结果
专业数据连接器：连接数据 → 加工数据 → 建立分析模型 → 专业分析 → 输出数据结果

14.2 MCP 连接器

WorkBuddy 支持通过 MCP（Model Context Protocol）协议连接外部系统。MCP 是一种统一的工具与数据协议，让 WorkBuddy 能够调用外部系统的 API 接口。

在 WorkBuddy 的"连接器"页面，可以搜索和安装各种数据连接器，例如：

• 电商平台连接器
• 数据库连接器
• SaaS 工具连接器

安装连接器后，WorkBuddy 可以直接查询这些系统的数据，不需要手动导出上传。

14.3 九数云连接器：专业电商数据分析

以九数云为例，它是一个专业的数据分析连接器，接入后可以让 WorkBuddy 从"能分析数据"升级为"专业电商分析"。

14.3.1 接入前 vs 接入后

接入前（仅能做基础数据描述）：

用户提问：帮我分析本周销售情况。
WorkBuddy 输出：本周销售额下降 8.6%，订单量同步下滑……
仅把报表数字复述一遍，找不到问题根源，无法继续深挖。

接入后（可连续深度业务归因分析）：

用户提问：帮我分析本周销售额为什么下降。
WorkBuddy 输出：本周销售额下降 8.6%，核心来自三点：
① 淘系渠道销售下滑 12.4%，贡献主要跌幅；
② 核心 SKU A 销量下跌 18.7%；
③ 整体转化率下降 2.1 个百分点。
SKU A 流量并未明显降低，问题主要出在转化率层面。

运营还可以继续递进追问，每一次追问都可以继续向下钻取分析，最终还可以直接输出完整经营分析报告。

14.3.2 专业电商分析的四大关键能力

接入专业连接器后，WorkBuddy 补齐了四大关键能力：

① 有真实的电商业务数据：不局限于临时上传 Excel 文件做一次性分析。可以打通电商平台、ERP、广告投放平台、财务、库存、用户多源数据，实现数据持续同步。

② 有统一的数据口径：GMV、净销售额、退款率、毛利率、利润、ROI 等指标有了统一的计算方式，不同分析任务使用的口径一致。

③ 有成熟的电商分析逻辑：不只是把数据重新描述一遍，而是完成"结果 → 拆解 → 定位 → 归因 → 判断"的完整分析链路。

④ 分析结果能够持续复用：把一次分析沉淀成数据模型、分析指标、看板、报表和分析模板，同样的经营问题可以持续分析。

14.4 数据连接器的使用流程

1. 安装连接器：在连接器页面搜索并安装需要的数据连接器
2. 配置连接：输入目标系统的 API 密钥或登录信息
3. 测试连接：验证数据是否可以正常获取
4. 在对话中调用：直接在 WorkBuddy 对话中请求分析，它会自动从连接的系统中获取数据

请从九数云中获取本月销售数据，按渠道和产品线做归因分析，
输出完整的经营分析报告。

14.5 金山文档/WPS Skill

除了专业数据连接器，WorkBuddy 还支持安装办公软件的 Skill，例如金山文档/WPS Skill。

安装后可以直接在 WPS 云文档中进行数据分析：

打开 D 盘-案例素材的销售表格，把环比增长率算出来，
做成柱状图，然后用条件格式把负增长的行标红。

几分钟后，销售环比分析表就出现在 WPS 云文档里了。

第十五章 自动化与定时任务

15.1 为什么要自动化？

到目前为止，你学会了用 WorkBuddy 做一次性的数据分析。但很多分析任务是周期性的——每周做周报、每月做月报、每天做数据监控。

如果每次都要手动启动 WorkBuddy、上传文件、输入提示词，虽然比手工做 Excel 快很多，但仍然是重复劳动。

WorkBuddy 的自动化功能可以解决这个问题：一次配置，定时自动执行，结果自动推送。

15.2 自动化任务设置

在 WorkBuddy 中创建自动化任务的步骤：

1. 在左侧菜单找到"自动化"或"定时任务"
2. 点击"创建任务"
3. 填写以下信息：

• 任务名称：如"每日销售数据周报"
• 工作空间：选择数据所在的工作空间文件夹
• 执行模式：定时执行 或 手动触发
• 定时规则：如每天 09:00、每周一 08:00、每月 1 日 09:00
• 提示词：详细的执行指令
• 输出格式：Excel/Word/HTML/PPT
• 通知方式：飞书消息通知/邮件通知

15.3 自动化任务示例

15.3.1 每日销售数据监控

任务名称：每日销售数据监控
定时规则：每天 09:00
提示词：
打开工作空间中的销售数据文件夹，读取昨日新增的销售数据，
按渠道和产品线汇总，与上周同期对比，
如果发现销售额下降超过 10% 或异常订单，标记并提醒。
输出：Excel 汇总表 + 异常提醒消息
通知方式：飞书消息通知

15.3.2 每周数据周报自动生成

任务名称：每周数据周报
定时规则：每周一 08:00
提示词：
读取本周的销售数据文件，完成以下分析：
1. 数据清洗：检查缺失值和异常值
2. 透视分析：按地区、产品、渠道三个维度汇总
3. 计算环比增长率
4. 生成可视化图表（趋势图、占比图、排行图）
5. 输出周报 Word 文档，包含核心发现和建议
输出：Word 周报文档
通知方式：飞书消息通知

15.3.3 竞品价格每日监控

任务名称：竞品价格监控
定时规则：每天 06:00
提示词：
爬取以下竞品页面的商品价格数据：
[竞品 URL 列表]
与昨天的数据对比，价格有变动时标记。
价格下降超过 5% 的商品发邮件告警。
输出：价格对比 Excel + 邮件告警
通知方式：邮件通知

15.4 自动化任务的管理

在自动化任务列表中，可以：

• 查看执行记录：每次执行的时间、状态、输出结果
• 暂停/恢复：临时暂停不需要的任务
• 编辑：修改任务设置
• 删除：不再需要的任务可以删除
• 手动触发：不等定时触发，立即执行一次

15.5 自动化的最佳实践

1. 先手动跑通，再配置自动化：确保提示词和流程在手动模式下能正确运行，再设置为自动化
2. 设置异常通知：如果任务执行失败，要有通知机制
3. 定期检查输出质量：自动化不等于"完全不管"，定期抽查输出结果的质量
4. 保留历史记录：每次执行的输出文件按日期保存，方便回溯对比
5. 从简单任务开始：先用简单的自动化任务（如每日数据汇总）验证流程，再逐步增加复杂度

第十六章 最佳实践与避坑指南

16.1 四条核心原则

经过大量实践，以下四条原则是用好 WorkBuddy 做数据分析的关键：

原则一：先保留原始文件
所有自动处理都输出到新文件或新工作表，避免覆盖原数据。一旦覆盖了原始数据，如果清洗逻辑有问题，就没有回头路了。

原则二：先检查，再执行
先让 AI 识别字段、格式和异常，再确认处理方案。尤其适合复杂表格——不要一上来就"帮我分析"，先"帮我检查数据质量"。

原则三：复杂任务拆开做
清洗、合并、计算、图表、报告分步骤完成，每一步都更容易发现问题。一次性给太长的 prompt，AI 容易遗漏或跑偏。

原则四：关键数字必须复核
金额、税率、客户信息和经营决策相关指标，必须进行人工抽查或交叉验证。AI 可以提高处理效率，但不能替你承担最终判断。

16.2 常见踩坑场景

坑 1：口径问题

问题：AI 算出来的销售额和你的预期不一致。
原因：AI 可能用了不同的统计口径。例如销售额是否含退款？是否含税？套装是按 1 笔还是按 N 笔算？
解决：在提示词中明确口径定义。

坑 2：空值影响计算

问题：相关系数算出来是 1.0（完全正相关），明显不合理。
原因：计算受空值影响。
解决：在计算前先处理缺失值，明确告诉 AI 缺失值怎么处理。

坑 3：分母选择错误

问题：转化率算高了。
原因：AI 把还在跟进中的线索也算进分母了。
解决：明确指定分母的范围。

坑 4：日期格式混乱

问题：按月汇总时某些数据被归到了错误的月份。
原因：日期格式不统一，AI 解析错误。
解决：先统一日期格式，再进行分析。

坑 5：套装和单品混淆

问题：销量统计偏高。
原因：一个套装含 3 个单品，被算成了 3 笔销量。
解决：在提示词中明确"套装按 1 笔订单计算，不要拆分"。

16.3 哪些任务适合交给 WorkBuddy，哪些要谨慎

适合优先尝试：

• 规则明确的数据清洗
• 结构相近的多表合并
• 固定口径的周期性统计
• 基于已有数据的图表和报告初稿

需要谨慎处理：

• 涉及个人隐私、商业机密或合规限制的数据
• 口径不清、规则频繁变化的表格
• 会直接影响付款、报税或重大经营决策的计算

16.4 数据安全与隐私

使用 WorkBuddy 处理数据时，需要注意：

1. 注意隐私和公司信息：涉及客户资料、财务数据和公司内部信息时，先确认相关文件是否适合交给工具处理，必要时先脱敏
2. 敏感数据脱敏：将客户姓名替换为编号、手机号中间四位用星号代替、金额添加随机偏移量
3. 重要结果必须人工复核：重点检查数据来源、计算过程和核心结论
4. 使用本地处理：WorkBuddy 在本地运行代码，数据不需要上传到云端，比网页版 AI 工具更安全

16.5 提升效果的 4 个 Prompt 技巧

技巧 1：告诉 WorkBuddy 你的角色和目的
不要只说"分析这份数据"，要说"我是电商运营，想找出高转化的商品特征，用于选品决策"。背景越清楚，输出越有针对性。

技巧 2：要求输出具体文件
明确说"保存为 report.md""图片保存到 charts/ 目录"，WorkBuddy 会自动创建文件，方便你后续使用。

技巧 3：让 WorkBuddy 主动发现异常
在 prompt 里加上"如果发现数据异常或有趣的规律，主动指出来"——这一句可以让分析质量提高一个台阶。

技巧 4：迭代式分析
先让它出一份粗略分析，看完之后再说"重点深入分析第 3 点"，一步步挖深，比一次性给长 prompt 效果更好。

16.6 效率提升技巧

除了 Prompt 技巧，以下方法也能显著提升 WorkBuddy 数据分析的效率：

建立分析模板：将常用的分析结构保存为模板，每次分析时直接套用。例如周报分析模板、月度复盘模板、SKU 诊断模板。模板固化后，每次只需替换数据和调整细节参数。

积累图表样式：当你对某次 AI 生成的图表样式满意时，截图保存。下次分析时把样式参考图发给 AI，让它按照同样的风格生成图表。这样团队内的图表风格可以保持一致。

快捷指令：把常用分析指令存为快捷短语或 Skill 的触发词。比如输入"周报分析"四个字，WorkBuddy 就自动加载完整的周报分析流程，不需要每次都写一遍完整的提示词。

自动化报表：定期数据自动更新图表。配置自动化任务后，每天/每周/每月的数据分析报告自动生成，你只需要复核结果和做最终判断。这才是 AI 数据分析的终极形态——从"你问 AI 答"变成"AI 主动帮你做"。

分步交付：复杂分析不要一次性给太长的指令。先让 AI 完成第一步（如数据清洗），确认无误后再给第二步（如统计分析），最后再让它生成报告。分步交付的好处是每一步都能及时发现问题，避免到最后才发现前面某个环节出错了。

第十七章 提示词模板速查表

17.1 数据清洗模板

请对以下数据进行清洗处理：

原始数据：[上传文件]

清洗任务：
1. 处理缺失值：[删除/填充平均值/填充 0/填充指定值]
2. 去除重复数据（以[字段名]为准判断重复）
3. 统一数据格式：
   - 日期统一为 YYYY-MM-DD
   - 金额去掉符号转为数字
   - [其他格式要求]
4. 新增计算字段：[指定公式]
5. 标记异常值：[异常判断标准]

输出：
- 清洗后的完整数据表（新文件，不覆盖原始文件）
- 清洗摘要报告（清洗前后数据量对比、处理记录数）
- 异常数据清单（单独工作表）

17.2 数据质量检查模板

请先扫描这份数据，不要执行分析，只汇报：
- 总行数、字段数
- 哪些列有缺失值，缺失比例多少
- 有没有明显的异常值（如销量为负、价格为 0、好评率 > 100%）
- 有没有重复记录
- 数据类型是否正确（日期是不是日期、数字是不是数字）
- 同一类内容是否用了不同名称

17.3 透视分析模板

请对数据进行透视分析：

数据：[上传文件]

分析要求：
1. 按[维度字段]分组
2. 统计[指标字段]的[求和/平均/计数/最大值/最小值]
3. 添加汇总行和汇总列
4. 计算占比
5. 按[排序字段]从高到低排序

输出：透视表格式

17.4 对比分析模板

请进行对比分析：

数据组 1：[数据 1]
数据组 2：[数据 2]

对比维度：
1. 总量对比
2. 结构对比（占比）
3. 趋势对比
4. 差异显著性

输出：对比表格 + 关键发现

17.5 趋势分析模板

请分析以下数据变化趋势：

数据：[粘贴时间序列数据]

分析要求：
1. 识别整体趋势（上升/下降/平稳）
2. 计算增长率
3. 找出异常值/拐点
4. 预测未来走势
5. 分析是否存在季节性规律

输出：趋势描述 + 数据支撑

17.6 可视化图表模板

请基于以下数据生成可视化图表：

数据：[上传文件]

图表要求：
1. 图表类型：[柱状图/折线图/饼图/散点图等]
2. X 轴：[字段]
3. Y 轴：[字段]
4. 颜色主题：[明亮/商务/简约等]
5. 图表标题：[标题名称]
6. 分辨率：300dpi
7. 背景色：白色

输出：PNG 格式图片

17.7 交互式看板模板

请利用这个数据集，帮我生成一个交互式的数据可视化看板，包含：
- [维度 1]的趋势折线图
- [维度 2]的占比饼图
- [维度 3]的 Top5 柱状图
- 支持按维度筛选

输出：HTML 格式

17.8 分析报告模板

请基于全部分析结果，生成一份分析报告：

报告结构：
1. 核心发现（3-5 条最重要的结论）
2. 数据支撑（包含对应的图表和数据表）
3. 异常标注（指出数据中的异常点和需要注意的问题）
4. 行动建议（给出可执行的具体建议，不要正确的废话）

报告格式：[Word/PPT/Markdown]
字数：[指定字数]
语气：专业克制，不夸大，不编造表格中不存在的数据

17.9 行动计划模板

基于全部分析结果，请输出一份行动计划：

Top 5 问题：按"资金影响大小"排序

处置建议：每个问题给出 2-3 个选项，标注：
- 预期效果
- 执行难度（高/中/低）
- 需要的资源

优先级矩阵：画一张"影响×难度"四象限图

30 天行动清单：排成 30 天执行计划，每项标注负责人和验收标准

17.10 多表合并模板

请帮我将多个表格合并成一个总表：
- 保留所有表头字段
- 不同表格中同义字段自动映射
  （[字段名 A] 和 [字段名 B] 统一为 [统一字段名]）
- 按[排序字段]从早到晚进行排序
- 新增"来源文件"列
- 缺失关键字段的记录不要删除，统一标红并单独汇总
- 生成一个新的 Excel 文件

17.11 归因分析模板

请对[指标]变化进行归因分析：

1. 将[指标]变化拆解到各渠道（哪个渠道贡献了主要跌幅/增幅）
2. 将[指标]变化拆解到各产品（哪些 SKU 在拖累/拉动整体）
3. 分析转化率变化（流量 vs 转化 vs 客单价，哪个环节出了问题）
4. 对比广告投入变化与销售变化的关系
5. 输出完整的归因分析报告

分析链路：结果 → 拆解 → 定位 → 归因 → 判断

17.12 Skill 创建模板

---
name: "[Skill 名称]"
description: "[一句话描述]"
trigger:
  - [触发词 1]
  - [触发词 2]
---

# [Skill 名称]

你是专业的[角色描述]，擅长[核心能力]。

## 核心能力
1. [能力 1]
2. [能力 2]
3. [能力 3]
4. [能力 4]

## 处理流程
1. 读取[文件格式]文件
2. 检查[检查项]
3. 按[维度]汇总[指标]
4. 输出[交付物]

## 常用公式参考
- 求和：SUM
- 平均：AVERAGE
- 增长率：(本期 - 上期) / 上期

17.13 自动化任务模板

任务名称：[任务名称]
定时规则：[每天/每周/每月] [时间]
提示词：
[详细的分析指令，包含数据路径、分析步骤、输出格式]
输出格式：[Excel/Word/HTML]
通知方式：[飞书消息/邮件]

17.14 数据说明书模板

这是一份 [数据名称]，字段包括：
[字段 1]、[字段 2]、[字段 3]
[字段 4]、[字段 5]、[字段 6]

业务背景：[业务场景描述]
统计口径：[计算规则和标准]
需要解决的问题：[分析目标]
对比基准：[衡量标准]

第十八章 常见问题 FAQ

Q1：WorkBuddy 是免费的吗？

WorkBuddy 提供免费使用额度，日常使用通常够用。如果需要更多高级功能或更大量使用，可以查看官方的付费方案。

Q2：WorkBuddy 能处理多大的数据文件？

WorkBuddy 可以处理常见的 Excel/CSV 文件。对于非常大的文件（如几十万行），可能需要拆分处理或使用数据库连接器。

Q3：WorkBuddy 生成图表的质量怎么样？

WorkBuddy 调用 Matplotlib/Seaborn 生成出版级别的高清图表，分辨率可达 300dpi，色彩搭配合理，图例完整。还可以生成交互式 HTML 看板。

Q4：AI 分析结果可靠吗？需要复核吗？

AI 在数据分析中犯错的比例不低，尤其是口径理解、分母选择、异常值处理。结果必须验收。把 AI 当成能力强的实习生——什么都能干，但结果要盯。

Q5：不会编程能用 WorkBuddy 做数据分析吗？

完全可以。WorkBuddy 的核心价值就是让不懂编程的人也能做数据分析。你只需要用自然语言描述你的分析需求，WorkBuddy 自动完成所有代码编写和执行工作。

Q6：WorkBuddy 和 ChatGPT 有什么区别？

ChatGPT 网页版是"顾问"角色——给你代码片段让你自己跑。WorkBuddy 是"员工"角色——自己跑代码、生成文件、输出结果。而且 WorkBuddy 在本地运行，可以直接读写你电脑上的文件。

Q7：数据安全吗？会不会泄露？

WorkBuddy 在本地运行代码，数据不需要上传到云端。但涉及客户资料、财务数据等敏感信息时，建议先脱敏处理。

Q8：Skill 创建后能分享给同事吗？

可以。Skill 创建后会打包成 ZIP 文件，同事导入即可使用。这是实现团队经验沉淀和复用的关键功能。

Q9：自动化任务执行失败了怎么办？

在自动化任务列表中查看执行记录，了解失败原因。常见原因包括：文件路径错误、依赖缺失、数据格式变化。修复后可以手动触发重新执行。

Q10：WorkBuddy 能连接哪些外部数据源？

通过 MCP 协议和连接器，WorkBuddy 可以连接电商平台、ERP 系统、CRM 系统、数据库、SaaS 工具等。具体可用的连接器在"连接器"页面查看。

Q11：如何让 AI 的建议更具体，不说正确的废话？

遇到"建议优化销售流程"这种废话，直接追问：请把"优化销售流程"转化为 3 个具体动作，每个动作说明做什么、谁做、什么时候做、做完后用什么指标衡量效果。追问 2 轮，AI 就会给出可执行的建议。

Q12：一个自建 Skill 至少要过几关？

四关：能否被搜索并选中 → 能否读取常用文件格式 → 能否识别预先放入的测试问题 → 对话结果、网页报告和输出文件能否互相对上。

Q13：怎样判断一个任务是否适合做成 Skill？

问三个问题：这个任务会不会重复出现？输入格式是否相对稳定？结果能不能人工检查？三个答案都比较明确，做成 Skill 才有复用价值。

Q14：Excel 里的数据格式太乱，AI 能处理吗？

可以。WorkBuddy 可以自动识别格式问题并统一处理。但建议先让 AI 做一轮"数据体检"，了解数据质量后再清洗，避免盲目处理。

Q15：如何用 WorkBuddy 做竞品价格监控？

配置一个自动化任务，每天定时爬取竞品页面价格数据，与昨天数据对比，价格变动超过阈值时自动发邮件告警。一次配置，持续运行。

附录 A：数据分析师的 AI 协作工作流模板

A.1 日报自动化模板

适用于需要每日输出数据汇总的场景：

任务名称：每日数据日报
定时规则：每天 08:30
提示词：

请完成今日数据日报：

1. 读取工作空间中"数据源"文件夹内昨日新增的数据文件
2. 数据清洗：
   - 检查并处理缺失值（数值字段填充 0，文本字段填充"未知"）
   - 去除完全重复的行
   - 统一日期格式为 YYYY-MM-DD
3. 关键指标计算：
   - 昨日总销售额、总订单量、总UV
   - 与上周同日对比，计算环比变化率
   - 与上月同日对比，计算同比变化率
4. 异常检测：
   - 销售额波动超过 ±20% 标记为异常
   - 订单量突然下降超过 30% 标记为预警
   - 找出销售额最高和最低的 Top3 产品
5. 输出：
   - Excel 汇总表（含指标、对比、异常标记）
   - HTML 简报（关键数字 + 趋势图 + 异常提醒）
6. 保存到"日报输出"文件夹，文件名格式：日报_YYYYMMDD

通知方式：飞书消息通知

A.2 周报深度分析模板

适用于每周需要做深度分析的场景：

任务名称：每周深度分析周报
定时规则：每周一 09:00
提示词：

请完成本周数据分析周报：

数据范围：本周一至周日的完整数据

分析步骤：

第一步：数据整合
- 合并本周 7 天的日数据文件
- 检查数据完整性（是否有缺失的日期）
- 统一字段格式

第二步：多维度分析
- 按产品维度：各产品本周销量、销售额、环比变化
- 按地区维度：各地区销售排名、占比变化
- 按渠道维度：各渠道贡献率、ROI 对比
- 按时间维度：本周各天销售趋势、高峰时段分析

第三步：深度洞察
- 找出本周 3 个最重要的发现（带数据支撑）
- 识别 2 个需要关注的异常（标注可能原因）
- 对比本周 vs 上周的关键指标变化

第四步：可视化
- 周度销售趋势折线图
- 各维度占比饼图
- Top10 产品柱状图
- 同比环比对比柱状图

第五步：报告输出
- Word 格式周报，结构：执行摘要 → 数据概览 → 多维分析 → 异常提示 → 下周建议
- 保存到"周报输出"文件夹

通知方式：飞书消息通知

A.3 月度复盘报告模板

适用于每月需要做全面复盘的场景：

任务名称：月度经营分析报告
定时规则：每月 1 日 09:00
提示词：

请生成上月度经营分析报告：

分析框架：

一、整体经营概况
- 本月关键指标汇总（销售额、订单量、客单价、转化率、ROI）
- 环比上月变化率
- 同比去年变化率
- 月度趋势图（近 12 个月）

二、多维度拆解
1. 产品分析
   - ABC 分类（按销售额累计占比）
   - 爆款 / 潜力款 / 滞销品识别
   - 新品表现评估
   - 退场产品分析

2. 渠道分析
   - 各渠道销售额和占比
   - 各渠道 ROI 排名
   - 渠道趋势变化

3. 区域分析
   - 各地区销售排名
   - 增长最快和下降最多的地区
   - 新开拓地区表现

4. 客户分析
   - 新客 vs 老客占比
   - 客户复购率
   - Top10 客户贡献度
   - 客户流失分析

三、异常与风险
- 本月发现的 3 个数据异常
- 需要关注的经营风险
- 与预期目标的差距分析

四、改进建议
- 3 条可执行的建议（不是正确的废话）
- 每条建议标注：做什么、谁做、预期效果

输出：
- Word 格式月报
- HTML 交互式看板
- Excel 数据明细表

保存到"月报输出"文件夹

A.4 专题分析模板

适用于不定期进行的专题分析：

任务名称：[专题名称] 分析
执行方式：手动触发
提示词：

请对 [专题主题] 进行深度专题分析：

分析背景：[描述为什么要做这个分析]
数据范围：[指定数据时间范围和来源]
分析目标：[回答什么核心问题]

分析步骤：

1. 数据准备
   - 读取相关数据文件
   - 数据清洗和质量检查
   - 生成数据摘要

2. 探索性分析
   - 基本统计描述
   - 分布分析
   - 相关性分析
   - 异常值识别

3. 深度分析
   - [根据专题定制的分析维度]
   - [对比基准]
   - [归因分析]

4. 结论与建议
   - 核心发现（3-5 条）
   - 数据支撑
   - 风险提示
   - 行动建议

输出：
- Word 专题分析报告
- HTML 可视化看板
- Excel 分析数据表
- PNG 格式图表文件

附录 B：AI 数据分析验收清单（完整版）

每次分析完成后，逐项检查以下清单。前 3 次使用建议全部检查；确认 AI 靠谱后，可以只检查关键项。

B.1 数据完整性检查

• 总行数与原始数据一致（或差异有合理解释）

• 日期范围正确，没有跨期数据混入

• 所有字段都已处理，没有遗漏

• 缺失值处理方式符合预期

• 重复值已识别和处理

B.2 计算准确性检查

• 总金额 = 各项金额之和（手动验证 1-2 个）

• 百分比之和 = 100%（或接近，考虑四舍五入）

• 增长率符号正确（正增长为正，负增长为负）

• 分母选择正确（如转化率的分母范围）

• 排名和 Top N 准确

• 同比/环比的计算周期正确

B.3 口径一致性检查

• 销售额是否含退款（确认口径）

• 销量是否含促销订单（确认口径）

• 套装按 1 笔还是按 N 笔计算（确认口径）

• 跨月数据归属到哪个月（确认口径）

• 空值在计算中如何处理（是否纳入分母）

B.4 可视化质量检查

• 图表类型适合数据类型

• 坐标轴标签清晰可读

• 颜色使用合理（正增长绿色、负增长红色）

• 数据标签准确

• 图例完整

• 图表分辨率足够（300dpi 或以上）

B.5 报告质量检查

• 核心发现与数据一致

• 建议具体可执行（不是正确的废话）

• 异常值已标注并解释

• 没有编造数据

• 语气专业克制

• 字数在指定范围内

附录 C：从零到精通的学习路径建议

C.1 第一周：入门

目标：安装 WorkBuddy，完成第一次数据分析

Day 1-2：安装配置

• 下载安装 WorkBuddy（参考财务人实战教程第二章）
• 创建工作空间文件夹
• 完成基础设置

Day 3-4：第一次数据分析

• 准备一份简单的 Excel 数据（如月度销售表）
• 使用数据质量检查提示词
• 尝试数据清洗
• 生成第一张图表

Day 5-7：完成一份报告

• 对清洗后的数据做透视分析
• 生成可视化图表
• 让 AI 输出分析报告
• 人工复核结果

C.2 第二周：进阶

目标：掌握多维度分析，尝试真实业务场景

• 尝试多表合并
• 做同比环比对比分析
• 生成交互式 HTML 看板
• 尝试第九章的电商 SKU 诊断案例

C.3 第三周：Skill 化

目标：创建第一个 Skill，实现复用

• 回顾哪些分析任务是重复的
• 创建第一个 Skill（如 Excel 数据分析助手）
• 用测试数据验证 Skill
• 在真实任务中使用 Skill

C.4 第四周：自动化

目标：配置自动化任务，实现定时执行

• 选择一个周期性任务（如每日数据日报）
• 先手动跑通流程
• 配置自动化定时任务
• 设置通知方式
• 验证执行结果

C.5 持续提升

• 积累提示词模板
• 按需安装更多 Skill 和连接器
• 将团队经验封装为 Skill 并共享
• 定期回顾和优化分析流程
• 关注 WorkBuddy 的功能更新

结语

数据分析的核心价值从来不是"会写代码"或"会拉 Excel"，而是能从数据里看出业务问题，并推动解决。

AI 把技术门槛拉低了——以前花 2 小时清洗数据、画图表，现在 10 分钟搞定。但这不意味着分析师要失业。恰恰相反，当"做分析"不再稀缺的时候，"问对问题"和"做对判断"变得更值钱了。

最优路线就一句话：

让 AI 做它擅长的（跑数、画图、排版），把省下来的时间花在它不擅长的（理解业务、定义问题、判断结果、推动落地）。工具在变强，但思考的价值不会贬值。

开始你的 WorkBuddy 数据分析之旅吧。打开 WorkBuddy，把一份堆着没分析的数据文件发给它，告诉它你想知道什么——剩下的，交给 AI。

附录 D：术语表