作者一名数据运营师日期2026年8月3日AI不伟大在它多聪明而伟大在它让普通人也能做专业的事。如今人人都在谈论AI仿佛不会用AI就要被时代淘汰。但真正沉下心来学会与AI对话的人少之又少。很多人对AI的印象还停留在问一句答一句的搜索引擎升级版——问得笼统答得泛泛然后得出结论“AI不过如此”。殊不知不是AI不行是你没说清楚。描述任务的四条黄金法则——明确目标与验收标准、提供必要的上下文、指定输出格式、避免歧义的表达——听起来简单做到很难。第一部分我的描述问题AI的调整1.我最初的任务描述反面教材我的身份是一名数据运营师数据汇报对象是ceo数据表为桌面上的业绩表请帮我处理这份数据列出当前的业绩问题并给出建议输出格式为word并在业绩表中新建工作表展示推理业绩问题的计算过程。2.AI帮我指出的6个问题序号问题描述对应法则1处理这份数据含义模糊——处理是清洗汇总分析避免歧义的表达2列出业绩问题缺少判断标准——什么算问题降幅多少明确目标与验收标准3桌面上的业绩表路径不完整——没有完整路径和文件格式提供必要的上下文4给出建议范围未定义——操作层还是战略层篇幅多少明确目标与验收标准5输出目标存在歧义——Word和Excel各放什么内容不清楚指定输出格式6缺少数据上下文——时间范围、字段、业务背景全无提供必要的上下文3.AI给出的标准回答模板我后来照着写的我的身份数据运营师 汇报对象CEO 数据源D:\Users\xxx\Desktop\业绩表.xlsx完整路径文件格式 包含7月1日至7月31日的数据字段包括大区、城市、一级品类、二级品类、 三级品类、SKU、商户ID、下单时间、GMV、下单数量数据上下文 业务背景老板反馈7月31日业绩较差但未指明是同比还是环比下降 业务背景 任务目标 1. 明确下降维度分别计算同比/环比降幅超过2%判定为显著下降 量化标准阈值 2. 城市维度定位筛选环比降幅TOP 5的城市排名规则 3. 品类维度定位筛选降幅超过5%的品类量化阈值 4. 商户分析统计活跃商户数计算新增/流失商户及变化率 5. 品类宽度定义为各城市当日有下单记录的三级品类去重数量 术语定义 输出要求 文件1 - Excel6个工作表每个表的内容和图表类型全部明确 文件2 - Word6个章节每章节的内容和图表类型全部明确4.我学到的核心法则每个模糊词都要变成可执行、可验证的具体描述。“处理” → 拆解为5个具体分析任务“较为严重” → “降幅超过5%”“品类宽度” → “各城市当日有下单记录的三级品类去重数量”“输出格式为word” → 6个章节的结构规划第三部分实战1.虚拟数据生成过程1.1为什么需要先生成数据我没有真实业绩数据但需要一个完整可演示的案例。于是我先让AI帮我生成了一份虚拟数据。1.2.数据需求描述我向AI描述了以下要求大区划分华东大区宁波、上海、杭州、东南大区福州、南昌、大湾区广州、深圳品类体系生鲜行业分类一级品类→二级品类→三级品类→SKU商户ID随机6位数字时间范围2026年7月1日至7月31日数据量2万~3万条关键条件7月31日总GMV 7月24日总GMV周同比增加3%7月31日总GMV 7月30日总GMV环比下降3%这里有个关键点我没有只说随便生成数据而是精确控制了三天的GMV关系确保后面分析时环比下降这个结论是真实可推导的。数据要服务于分析目标。2.最终生成的数据指标数值总记录数26,438条字段数10个城市数7个一级品类数6个7月24日GMV2,199,999.98元7月30日GMV2,336,082.33元7月31日GMV2,266,000.02元同比变化3.00%增长环比变化-3.00%下降数据被保存为D:\Users\202536019\Desktop\业绩表.xlsx结构清晰字段完整可以直接用于后续分析。第四部分AI的完整分析内容1 核心结论下降类型判断AI的第一步是判断7月31日业绩下降到底是同比问题还是环比问题对比维度对比日期GMV变化率是否超阈值(2%)结论同比7月24日2,199,999.98 → 2,266,000.023.00%否增长同比正常环比7月30日2,336,082.33 → 2,266,000.02-3.00%是下降超2%环比问题结论7月31日业绩下降是环比问题对比7月30日下降3%而非同比问题。2 城市维度分析AI按城市汇总GMV计算环比降幅排出TOP 5排名城市7月30日GMV7月31日GMV环比变化率1南昌366,250.59309,430.24-15.51%2广州417,143.49356,829.50-14.46%3深圳379,920.54335,968.64-11.57%4宁波279,177.19258,401.33-7.44%5杭州252,428.16257,906.792.17%南昌降幅最大-15.51%其次为广州-14.46%和深圳-11.57%。3 品类维度分析AI按一级品类汇总GMV筛选环比降幅超过5%的品类一级品类7月30日GMV7月31日GMV环比变化率显著下降(5%)乳品冷饮262,945.53210,519.25-19.94%是蔬菜475,491.75395,243.26-16.88%是乳品冷电494,579.54457,934.38-7.41%是水产海鲜449,084.43455,384.191.40%否水果361,114.26378,214.404.74%否熟食烘焙292,866.82368,704.5425.90%否乳品冷饮降幅最大-19.94%蔬菜次之-16.88%。AI还下钻到三级品类层面找到了20个环比降幅超5%的三级品类降幅最大的前三个三级品类7月30日GMV7月31日GMV环比变化率牛奶90,906.1544,503.82-51.04%三文鱼85,953.7547,176.65-45.11%淡水虾蟹97,044.2560,052.61-38.12%4 商户分析AI统计了三日的活跃商户数并计算了新增/流失商户指标同比(vs 7月24日)环比(vs 7月30日)活跃商户数384384新增商户数4449流失商户数10299商户变化率-13.12%-11.52%活跃商户数环比下降11.52%流失99个商户这是GMV下降的重要因素之一。5 品类宽度分析AI定义品类宽度为各城市当日有下单记录的三级品类去重数量结果如下城市7月24日7月30日7月31日环比变化上海323331-2南昌363533-2宁波353430-4广州3534362福州3431321杭州363532-3深圳3636360合计244238230-8品类宽度合计环比减少8个宁波下降最多-4说明部分城市品类覆盖度收窄。6 最终交付物AI一次性生成了两个文件文件1Excel业绩表_分析版.xlsx原数据工作表保持不变新增6个工作表每个工作表包含数据表公式图表工作表内容同期对比7月31日 vs 7月24日GMV对比含同比降幅公式环比对比7月31日 vs 7月30日GMV对比含环比降幅公式城市排名环比/同比降幅TOP5城市排名表 柱状图品类分析一级品类GMV对比 二三级品类下降明细 柱状图商户分析活跃商户数对比表 新增/流失商户明细列表品类宽度各城市三级品类去重数量对比表 柱状图文件2Word7月31日业绩分析报告.docx章节内容一、执行摘要1段话概述核心结论二、关键指标对比GMV同比/环比折线图 数据表格三、城市维度分析降幅TOP5城市柱状图 排名表四、品类维度分析一级品类环比变化柱状图 排名表五、商户与品类宽度商户活跃度柱状图 品类宽度对比图六、结论与建议5条可执行建议7 AI给出的5条建议重点城市专项关注南昌环比降幅最大15.51%建议立即排查该城市7月31日的供应链和运营活动是否存在异常。品类补货策略优化乳品冷饮品类环比降幅19.94%建议检查该品类库存和SKU供给确保核心品类不缺货。商户运营加强活跃商户数环比下降11.52%流失99个商户建议针对流失商户进行回访并排查流失原因。品类宽度恢复品类宽度环比减少8个三级品类建议排查缺货品类并紧急补货恢复品类覆盖度。建立每日环比预警机制建议设置GMV日环比下降超2%自动告警机制确保问题及时发现。总结这次经历让我深刻体会到AI的能力上限取决于你的描述能力下限。同样一个帮我分析数据的需求笼统描述 → AI只能给出笼统分析精确描述 → AI能给出专业级、可直接交付的分析报告描述任务的四条黄金法则不是理论是实战✅ 明确目标与验收标准——给阈值、给排名规则✅ 提供必要的上下文——给文件路径、给字段、给业务背景✅ 指定输出格式——给文件结构、给章节规划✅ 避免歧义的表达——给术语定义、把模糊词换成数字会用AI的人不是最懂AI的人而是最会表达需求的人。