前段时间，WorkBuddy 上线「人机双写」新模式，AI 可直接调取本地及在线文档，对里面的数据进行读取、编辑修改。

功能一上线，我就好奇：这到底能帮大家省掉什么活？我跟社区里几个会员聊了一圈，结果发现大家在数据分析上 90% 的时间被浪费在了清洗、排版、作图这类机械劳动上，真正的业务洞察反而没时间做。

但聊得越深，我越发觉 AI 做数据分析的核心价值并非提速，而是倒逼人理清核心问题。需求清晰，AI 五分钟就能出有效结果，又快又好。

接下来，我们用 电商、内容、销售 三个真实场景做了完整实测，每个场景的提示词模板都已整理好，文末可领取直接复用。

01 AI 做数据分析的最优路线是什么？

实践中常见两种极端。一种把 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。

另一种不信任 AI，觉得"数据这么重要的事怎能交给 AI"，继续手工拉 Excel，效率低下。

经过多轮实测，我们的结论是：

最优路线 = AI 做 80%的体力活 + 人做 20%的脑力活

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。

具体分工如下：

和直接用网页版 AI 工具不同，WorkBuddy 能 真正执行代码， 给它一份 Excel，它不只是给一段 Python 让你自己跑，而是直接跑完、生成 HTML 图表和 Word 报告，打开就能用。

完整的人机协作流程：

最关键的一点

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。

02 开始前：给 AI 一份"数据说明书"

先给 AI 一份"数据说明书"。不需要写文档，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

① 数据代表什么业务 ② 时间范围 ③ 关键字段及含义 ④ 统计口径（含税？含退款？） ⑤ 需要回答的问题 ⑥ 对比基准或目标值。

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，导出 系统出 bug。

03 三大实战场景（附可复用提示词）

以下三个场景来自万象 AI 实验室的实际测试项目，覆盖电商、内容、销售三个方向。每个场景的提示词模板均可直接复制，替换文件名和字段即可使用。

广告

电商 SKU 诊断：哪些品该砍、哪些该补货

典型数据 ： SKU 编号、商品名称、类目、售价、月销量、月销售额、库存量、评价数、好评率、促销标记

解决什么问题 ： 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、哪些是潜力品要扶持

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

验收重点：

• 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

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。

内容增长归因：哪篇内容真正带来了增长

典型数据 ： 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）

解决什么问题 ： 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

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"

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

进阶技巧

做内容归因时，建议让 AI 额外算一个指标： 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。

销售转化漏斗：从线索到成交，哪一环在漏水

典型数据 ： 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

解决什么问题 ： 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

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"

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

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。

04 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"。

三个技巧解决：

技巧 1：说清楚给谁看

技巧 2：颜色不是装饰，是信息

技巧 3：图表类型要人来定

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。

05 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：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

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。

06 分析结果验收清单（8 项）

这份清单是实测中踩过无数次坑后总结的。每次出报告前过一遍，避免在某个地方突然翻车！

前 3 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。

07 AI 算错了怎么办？不要说"你错了"

这是新手最容易卡住的地方。AI 给的结果不对，说"你错了"，它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。把它当成一个能力强但不懂业务的实习生——需要告诉它业务规则、口径定义和验收标准。

08 写在最后

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。