AI 工作流
AI 分析数据
从分析问题、字段口径、脱敏采样、本地计算到结论复核，说明如何用 AI 分析数据并生成可检查的汇报摘要。
AI 分析数据，适合帮助你理解字段、提出分析角度、发现异常线索、整理公式思 路和生成汇报摘要。它不适合替代原始数据校验、统计方法选择、权限判断和最终 业务结论。
可靠的做法是：先明确分析问题和数据口径，在本地完成必要计算，再让 AI 解释 统计结果、列出假设和复核项。不要把一张未经检查的表格丢给 AI 后直接接受结 论。
| 项目 | 内容 |
|---|---|
| 阅读时间 | 约 7 分钟 |
| 更新时间 | 2026-07-03 |
| 适合人群 | 运营、产品经理、办公人群、学生、老师、销售助理、财务助理和数据分析初学者 |
| 核心收益 | 把数据分析拆成定义问题、字段口径、脱敏采样、本地计算、AI 解释和结论复核 |
| 你会得到 | 输入准备表、分析流程图、数据分享边界、质量门禁、Prompt、案例、复核清单和 API 自动化时机 |
| 不适合做什么 | 替代原始计算、权限判断、审计、统计方法选择和最终业务决策 |
| 场景 | AI 适合做什么 | 人需要把关什么 |
|---|---|---|
| Excel 表格分析 | 解释字段、提出维度、生成汇报摘要 | 公式、口径、异常值和原始数据 |
| 运营数据复盘 | 生成假设、拆解渠道、整理下一步验证 | 活动背景、归因边界和样本偏差 |
| 销售或财务摘要 | 组织指标变化、列出风险问题 | 财务口径、权限、审计和金额 |
| 用户行为分析 | 提出分群、漏斗、留存和异常线索 | 埋点定义、样本量和因果判断 |
| 项目进度数据 | 汇总延期、阻塞和负责人线索 | 任务状态、责任人和最新版本 |
| 学习数据分析 | 解释统计概念、生成练习思路 | 计算过程、作业规则和独立判断 |
AI 更像数据分析助理，不是数据源。它可以帮助你把问题问清楚，但不能保证数据 本身是干净的。
数据分析流程
Section titled “数据分析流程”在让 AI 分析前，先把输入拆成“可以分享的说明”和“必须本地处理的数据”。敏 感数据越多，越应该只给字段说明、脱敏样例和聚合统计。
| 输入 | 示例 | 用途 |
|---|---|---|
| 分析问题 | 为什么 6 月退款率上升？哪个渠道变化最大？ | 防止泛泛分析 |
| 数据范围 | 2026 年 6 月、国内订单、渠道 A/B/C | 限定时间、地区和业务线 |
| 字段口径 | order_amount 是实付金额，单位元 |
避免误解字段 |
| 样例数据 | 10 到 30 行脱敏样例 | 帮 AI 理解数据形态 |
| 聚合统计 | 总量、同比、环比、Top N、分组均值 | 让 AI 基于计算结果解释 |
| 业务背景 | 活动、库存、价格、版本变化、节假日 | 降低错误归因 |
| 输出要求 | 分析计划、异常清单、PPT 摘要、待验证假设 | 让结果进入下一步 |
如果数据包含姓名、手机号、邮箱、身份证号、地址、合同金额、薪酬、医疗、财 务明细、客户清单或未公开经营数据，应先脱敏，或只提供聚合后的统计结果。
数据可分享边界
Section titled “数据可分享边界”AI 分析数据前，先判断输入属于哪一类。能不上传原表，就不要上传原表；能用聚 合结果说明问题，就不要暴露明细。
| 数据类型 | 推荐处理方式 | 原因 |
|---|---|---|
| 字段说明 | 可以分享字段名、含义、单位和示例格式 | 帮 AI 理解表格结构，风险较低 |
| 脱敏样例 | 分享少量去除身份信息后的样例 | 让 AI 看懂数据形态，不暴露完整数据 |
| 聚合统计 | 分享总量、均值、环比、分组排名和异常计数 | 适合解释趋势和生成汇报摘要 |
| 原始明细 | 默认留在本地，用 Excel、SQL、Python 或 BI 工具处理 | 明细可能包含隐私、合同、客户或内部经营信息 |
| 业务背景 | 只写与分析问题有关的活动、版本、渠道和时间信息 | 减少错误归因，也避免泄露无关资料 |
- 明确问题：写清要解释的现象、时间范围和目标读者。
- 梳理字段：为每列补充含义、单位、枚举值和缺失值含义。
- 做基础检查：空值、重复值、异常日期、单位不一致、负数和极端值。
- 本地计算指标：用 Excel、SQL、Python 或 BI 工具先算出关键统计。
- 让 AI 生成分析计划：列出可分析维度、可能假设和需要补充的数据。
- 把统计结果交给 AI 解释：要求区分事实、推测和待验证问题。
- 复核结论：回到原始数据、公式和业务背景检查，确认能不能进入汇报。
分析前质量门禁
Section titled “分析前质量门禁”在打开对话工具或调用 API 之前，先用下面这张表检查输入。如果某一项说不清， AI 输出就只能当作草稿。
| 门禁项 | 通过标准 | 没通过时的风险 |
|---|---|---|
| 问题明确 | 能写出要解释的现象、时间范围和读者 | AI 会给出泛泛建议 |
| 字段口径清楚 | 每个关键字段都有含义、单位、枚举和缺失值说明 | 指标解释可能跑偏 |
| 样本范围可追溯 | 能说明筛选条件、样本量和排除规则 | 结论无法复核 |
| 统计已计算 | 关键指标由 Excel、SQL、Python 或 BI 工具算出 | AI 可能把估计当成事实 |
| 异常已标注 | 空值、负数、重复值、极端值有说明 | 异常会被误当成业务趋势 |
| 隐私已处理 | 原始明细已脱敏、聚合或留在本地 | 可能暴露个人、客户或经营数据 |
可复制 Prompt
Section titled “可复制 Prompt”你是一个谨慎的数据分析助手。请只根据我提供的字段说明、样例和统计结果分析，不要编造没有出现的数据、原因、比例、业务背景或最终结论。
分析背景：- 分析问题：[填写要解释的问题]- 数据范围：[时间、地区、业务线、样本口径]- 输出对象：[自己 / 团队 / 管理层 / 客户 / 课堂]- 输出格式：[分析计划 / 异常清单 / 汇报摘要 / PPT 页面要点]
字段说明：[字段名、含义、单位、示例值、缺失值含义]
已计算统计结果：[粘贴 Excel、SQL、Python 或 BI 工具算出的汇总结果]
业务背景：[活动、版本、渠道、节假日、库存、价格等已知背景]
请输出：1. 一句话初步结论，并标注置信度2. 支撑依据，只能引用我提供的数据3. 可能解释，区分“数据支持”和“需要验证”4. 异常值、缺失值、口径风险和样本偏差5. 还需要补充计算的指标6. 适合写进汇报的版本7. 人工复核清单# 数据分析摘要：[主题]
## 一句话结论
## 数据范围与口径
## 关键发现
| 发现 | 数据依据 | 可能解释 | 置信度 | 待复核 || --- | --- | --- | --- | --- |
## 异常与风险
## 下一步验证
## 可放入 PPT 的摘要案例：退款率上升怎么分析
Section titled “案例：退款率上升怎么分析”假设你已经在本地算出这些统计结果：
| 指标 | 结果 |
|---|---|
| 本周退款率 | 5.2% |
| 上周退款率 | 3.1% |
| 渠道 A 退款率 | 9.8% |
| 渠道 A 订单占比 | 18% |
| 主要退款原因 | 尺码不符、物流延迟、重复购买 |
AI 可以帮你把它整理成这样的初步判断：
| 输出 | 示例 |
|---|---|
| 初步结论 | 退款率上升的主要线索集中在渠道 A，但需要确认订单量、活动变化和退款原因分布。 |
| 可验证假设 | 渠道 A 最近活动带来新用户，尺码预期或物流体验可能影响退款。 |
| 不应下结论 | 不能仅凭退款率认定渠道 A 质量差，也不能直接归因到产品问题。 |
| 下一步 | 比较渠道 A 的商品结构、物流时效、新老用户占比和历史同期退款率。 |
这类输出适合进入汇报草稿，但不能替代公式、SQL、原始记录和业务访谈。
什么时候需要 API 自动化
Section titled “什么时候需要 API 自动化”当数据分析变成固定流程时，可以考虑把 AI 接进脚本或内部系统。例如每天生成 异常摘要、为多个表格生成字段说明、批量产出管理层摘要，或把报表结果转成 PPT 页面要点。
export OPENAI_BASE_URL="https://api.ofapp.cn/v1"export OPENAI_API_KEY="sk-xxxx"export OPENAI_MODEL="以控制台可用模型为准"接入前应记录数据版本、统计口径、Prompt、输出时间和人工复核结论。涉及 OfApp.cn 的模型、能力、价格和可用范围，请以 OfApp.cn 控制台或官方文档为 准。
| 检查项 | 复核问题 |
|---|---|
| 数据范围 | 时间、地区、业务线、筛选条件是否正确？ |
| 字段口径 | 每个字段的含义、单位、枚举和缺失值是否准确？ |
| 计算逻辑 | 公式、SQL、分组、去重和过滤条件是否正确？ |
| 异常解释 | 极端值、空值、负数、重复值是否有业务解释？ |
| 因果边界 | 是否把相关性误写成确定原因？ |
| 样本偏差 | 样本量、渠道结构、活动变化是否影响判断？ |
| 隐私安全 | 是否删除或聚合了不应上传的数据？ |
| 汇报表达 | 结论是否有数据依据，是否标出待验证问题？ |
- OfApp.cn：用于确认 OfApp.cn 的统一入口和控制台方向。
- OfApp.cn API 文档：用于确认 OpenAI/Codex 生态的 Base URL 与 API Key 接入方式。
- OfApp.cn Genius Playground：用于确认网页端 Key、聊天、图像和参数入口。
- OpenAI 文本生成指南：用于确认文本生成任务可结合结构化输出与明确指令组织结果。
AI 可以直接给最终数据结论吗？
Section titled “AI 可以直接给最终数据结论吗？”不应该。AI 可以提供分析思路、异常线索和汇报表达，最终结论应由公式、SQL、 Python、BI 工具或业务专家复核。
数据能直接发给外部模型吗？
Section titled “数据能直接发给外部模型吗？”涉及敏感数据时应先脱敏、采样或使用组织批准的安全环境。很多场景只需要提供 字段说明、样例和聚合统计，不需要上传完整原表。
AI 会不会把相关性写成因果？
Section titled “AI 会不会把相关性写成因果？”会有风险。提示词里要要求区分“数据支持的发现”和“需要验证的解释”，并让它 列出不应直接下结论的地方。
表格很大时怎么分析？
Section titled “表格很大时怎么分析？”先用 Excel、SQL、Python 或 BI 工具做聚合、抽样和异常检查，再把统计结果交 给 AI 解释。不要把大表一次性粘贴到对话窗口。
API 适合用在数据分析的哪个环节？
Section titled “API 适合用在数据分析的哪个环节？”API 适合批量生成字段说明、异常摘要、汇报草稿和复核清单。不适合直接替代数 据清洗、权限判断、正式审计和最终业务决策。
- 用 AI 分析 Excel 表格：处理具体表格和字段说明。
- 数据分析 Prompt：复制字段解释、异常检查和汇报摘要模板。
- 用 AI 提取表格：先把文档中的表格结构化。
- AI 做 PPT：把分析结果变成汇报结构。
- AI 自动化办公：把重复报表摘要接入自动化流程。
- OpenAI SDK 接入：把批量数据摘要接入脚本。
AI 分析数据的可靠路径是：先定义问题和口径，再本地计算关键指标，让 AI 解 释统计结果、提出假设和整理汇报摘要，收尾由人复核公式、样本、隐私和业务结 论。需要批量处理报表或接入内部工具时，可以用 OfApp.cn API 作为统一入口， 但数据质量和最终判断仍要由人负责。