把一份 Excel 交给 AI，并不等于得到了分析。模型很擅长汇总、归纳和生成解释，但它不知道你的业务目标，也无法替你判断一列异常数据究竟是机会、失误还是录入问题。
更可靠的做法是：先把“要算什么”讲清楚，再让 AI 帮你完成清洗、计算、解释和复核。本文以一个常见的销售明细表为例，整理一套能直接复用的工作流程。
第一步不是上传表格，而是写清业务问题
“帮我分析这份数据”太宽泛。换成下面这种问题，结果会立刻不同：
- 本月销售额下降，主要来自哪几个产品或渠道？
- 哪些客户连续两个月下单减少，需要销售跟进？
- 促销前后，客单价和复购率分别发生了什么变化？
每个问题都应写明时间范围、比较对象和判定口径。例如“销售额”是否含退款，“新客”按首次下单还是首次注册计算。这些口径不清，AI 给出的图表再漂亮也没有决策价值。
先做一轮数据体检
正式分析前，先检查数据能不能算。你可以让 AI 列出需要核对的字段，再在 Excel 中逐项确认：
| 检查项 | 常见问题 | 处理方式 |
|---|---|---|
| 日期 | 文本日期与真正日期混用 | 统一为日期格式，再按月或周聚合 |
| 金额 | 空值、负数、含税与未税混在一起 | 明确金额口径，标记退款与异常值 |
| 客户编号 | 同一客户有多个写法 | 建立映射表，避免重复计数 |
| 产品名称 | 规格、赠品和主商品混在一起 | 补充产品分组字段后再比较 |
这一步不要省。很多“AI 分析不准”的根源，其实是数据本身没有统一。遇到持续重复的清洗工作，可以把规则做成小工具；零代码的搭建方法可参考零代码 AI 开发入门。
用一条可审计的提示词得到第一版结论
不要把任务交给一句“分析一下”。先给模型角色、口径、输出格式和禁止项，并要求它把计算过程写出来。下面的模板适合复制后替换字段名：
你是一名业务分析师。请基于我提供的销售明细完成分析。
分析目标：找出[本月销售额变化]的主要原因。
口径：销售额=实付金额-退款金额；比较区间为[日期A]与[日期B]。
请依次输出：
1. 数据质量问题及其对结论的影响；
2. 按产品、渠道、客户类型拆分的变化表；
3. 影响最大的三个因素，并给出对应的原始字段依据；
4. 需要人工复核的异常记录。
不要补充表中没有的信息；无法判断时明确说明。把 AI 的第一版输出视为分析草稿，而不是结论。尤其是百分比、合计和排名，必须回到 Excel 用透视表、SUMIFS 或筛选功能复算一次。
让结论真正能被业务使用
一份有用的分析，不止回答“发生了什么”，还要回答“下一步做什么”。建议把最终交付固定为三块：
- 事实：用一张表说明变化发生在哪、幅度多大；
- 解释：区分数据已经证明的原因与仍需验证的假设；
- 动作：给出负责人、截止日期和复查指标。
例如，某渠道销售下降 18% 是事实；“素材疲劳导致转化变差”只是待验证假设；下一步可以是由投放同学在三天内核对曝光、点击和落地页转化。这样，AI 才真正缩短了从数据到行动的距离。
最后做四个交叉检查
- 抽查三条结论，能否在原始行中找到依据；
- 合计数是否与财务或业务看板一致；
- 排序靠前的异常值是否由少量极端记录造成；
- 把结论交给熟悉业务的人，看是否遗漏了重要背景。
AI 最适合帮助你更快形成假设、整理证据和写出清晰的说明。决定是否投入预算、调整价格或改变策略，仍应由数据口径和业务现场共同支撑。
