AI 能很快把表格、访谈和业务记录整理成一段“像结论”的话，但像结论不代表可信。数据分析真正花时间的地方，是确认口径、排除异常、解释边界，并让每一个判断能回到原始材料。把这些环节交给清晰的工作流，AI 才会成为助力而不是噪声来源。
分析开始前先写问题和口径
不要只说“分析这份数据”。先明确要回答的业务问题、观察时间范围、指标定义、数据来源和不能得出的结论。比如“比较两个活动期间的有效咨询量”，需要同时写清“有效”的判定规则和是否排除重复记录。
请把以下数据分析任务整理成核查清单：待回答的问题、所需字段、时间范围、指标口径、已知缺口和不应做出的推断。不要自行填补缺失数据。
让 AI 输出三层结果
| 层次 | 输出内容 | 负责人需确认 |
|---|---|---|
| 事实 | 数值、变化、异常点 | 来源与口径 |
| 解释 | 可能原因与待验证假设 | 业务背景与因果 |
| 动作 | 下一步调查或试验 | 优先级与资源 |
要求模型把事实和猜测分开，特别是“增长”不等于“某个动作导致增长”。当数据不足时，最专业的输出应是“暂无法判断，还需要什么”，而不是强行补一个故事。
若需要把结果写成给管理者的材料，可结合AI 报告的结论校验流程；复杂任务的责任与依赖关系可使用任务组织方法提前安排。
