个人知识库

2026-08-08-ai-data-analysis-norms

9分钟阅读

AI数据分析规范（Codex、Trae、DeepSeek通用版）

本文由接地气的陈老师撰写，系统总结了在 AI 时代进行数据分析的完整规范和最佳实践，涵盖从指标体系建设到因果推断的全链路方法，适用于 Codex、Trae、DeepSeek 等主流 AI 编程工具。

基本信息

  • 来源：人人都是产品经理，接地气的陈老师
  • 发布时间：2026-08-08
  • 阅读量：804 浏览，9 分钟阅读
  • 适用工具：Codex、Trae、DeepSeek（通用版规范）

核心观点

  1. 数据分析的价值在于业务落地，不是 AI 炫技：人出的同比/环比没有价值，AI 出的同比/环比也没有价值。关键不是”今天又用 AI 出个 HTML 看板”，而是业务有没有实际使用分析结论。

  2. 数据分析成果的六个层次，按业务需求递进：不清楚情况 → 建指标体系监控；缺少判断标准 → 收集指标走势/行业数据建立标准；不知道为什么不好 → 找问题点 + 业务假设验证；缺少方案 → 标签分析找标杆 + 提案；缺少信心 → 设计实验验证；缺少预判 → 列影响因素 + 预测方法。核心一条：业务已经知道的少讲，多讲人家不知道的。

  3. “指标+维度+操作”的标准化表述让 AI 一次过：用规范格式描述数据需求，AI 处理代码/Excel 能一次通过。常用取数说法包括聚合函数、窗口函数、if 打标签、交叉表、join 连接等，常用做图说法包括定义配色风格、PPT/HTML 分区域做图、指标卡等。

  4. 数据准确是命根子，不要折腾 Chat BI：不要指望业务随口说 AI 给出准确数据。当业务提出模糊标签（如”虾线黑丝哥特萝莉”）时，必须确认清楚。出一次数据准确性问题，业务就不再用了，最后还是打电话催。

  5. 九大分析监控法——按顺序走，AI 智商上一个台阶：先看主指标（每个场景主指标固定）→ 主指标+标准=结论 → 先有结论再拆分 → 先拆维度再拆子指标 → 先看时间维度找趋势 → 再拆人货场维度找重点 → 拆到子指标提业务假设 → 复杂问题设计方案验证。很多人做的分析 Agent 止于同比环比，就是因为没按这个顺序来。

实操内容保留

Prompt 模板 / 操作规范

标准取数描述格式（AI 听得懂，一次通过）：

  1. “分XX维度，统计XX时间段内，XX指标的总和/均值/最大值”（对应 Excel 数据透视表，SQL 的聚合函数）
  2. “以XX维度聚合数据，展示每个XX的XX指标”（对应 SQL 的窗口函数）
  3. “如XX指标大于YY，则标记为XXX”（对应 Excel if 函数，打标签用）
  4. “使用XX，YY维度做交叉表，统计YY指标”（对应 Excel 数据透视表）
  5. “以XX字段为连接键，以X表为坐标，链接YY表”（对应 SQL 的 join）

标准做图描述格式：

  1. 定义配色、风格
  2. 在 PPT/HTML 上分区域，指定做图范围
  3. 区域1（指定区域）：4个指标卡（指定图形）2026年内销售收入汇总（自定数据口径）

因果推断/预测建模控制指令：

  1. 以XX指标为 Y
  2. 以XX指标为 X
  3. 对 X 做描述性统计，提供特征工程建议
  4. 以特征工程后数据，使用XX模型建模

数据准确性检查清单

  1. 指标：取多长时间的，XX字段的，最大/最小/平均值……
  2. 维度：取XX维度（人货场），按XX方式分类
  3. 如果通过指标分类计算维度，写清楚计算公式
  4. AI 可以辅助生成取数口径，但一定要人确认

原文精彩摘录

AI取代的不是数据分析，而是Excel或Python操作。2026年，不需要再背诵Excel或者Python公式，AI能处理完所有需求。前提是，讲清楚你的操作动作。注意！AI只是比你写python速度快一点而已。如果你找不到解题思路，AI同样找不到。多把精力放在研究业务假设和数据上，让AI搓python去。这个才是正道。

数据准确是数据工作的命根子。所以不要折腾所谓Chat BI，不要指望业务随口说一句话AI能给准确数据。当业务找你打”虾线黑丝哥特萝莉”标签的时候，抓住他，确认清楚这个到底是啥，不要放过他，不要用AI瞎猜。最后数据不准确，所有的锅都是你的，AI不会替你背一点点责任。辛苦搭的Chat BI，出一次数据准确性问题，业务就再也不用了，还是打电话”歪！这个数据老板要，下班以前要给到……”

在执行上述分析顺序的时候，你会发现：1）AI的分析智商立马上一个台阶；2）AI拆时间维度会自动找趋势；3）AI拆人货场，会自动找重点（方法分析或者简单看Min-Max）；4）明确了差异最大的维度，再拆子指标，AI能顺口出假设。很多人做的分析Agent，分析Skill止于同比环比，就是因为没有按这个顺序来！

关键概念

  • AI数据分析：用 AI 工具替代 Excel/Python 手动操作，但分析思路仍需人工
  • 指标体系：业务场景的主指标+维度+标准的完整框架
  • 业务假设验证：从数据现象出发提出假设，用数据验证假设的分析闭环
  • Chat BI（已在此文中被作者强烈否定其可行性）
  • 数据准确性：多维度确认取数口径，人工把关比 AI 输出更重要

与其他素材的关联

相关页面

关系图谱

快速导航

反向链接