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 - Excel（6个工作表，每个表的内容和图表类型全部明确） 文件2 - Word（6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GMV | 2,199,999.98元 |
| 7月30日GMV | 2,336,082.33元 |
| 7月31日GMV | 2,266,000.02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 → 2,266,000.02 | +3.00% | 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GMV | 7月31日GMV | 环比变化率 |
|---|---|---|---|---|
| 1 | 南昌 | 366,250.59 | 309,430.24 | -15.51% |
| 2 | 广州 | 417,143.49 | 356,829.50 | -14.46% |
| 3 | 深圳 | 379,920.54 | 335,968.64 | -11.57% |
| 4 | 宁波 | 279,177.19 | 258,401.33 | -7.44% |
| 5 | 杭州 | 252,428.16 | 257,906.79 | +2.17% |
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GMV | 7月31日GMV | 环比变化率 | 显著下降(>5%) |
|---|---|---|---|---|
| 乳品冷饮 | 262,945.53 | 210,519.25 | -19.94% | 是 |
| 蔬菜 | 475,491.75 | 395,243.26 | -16.88% | 是 |
| 乳品冷电 | 494,579.54 | 457,934.38 | -7.41% | 是 |
| 水产海鲜 | 449,084.43 | 455,384.19 | +1.40% | 否 |
| 水果 | 361,114.26 | 378,214.40 | +4.74% | 否 |
| 熟食烘焙 | 292,866.82 | 368,704.54 | +25.90% | 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GMV | 7月31日GMV | 环比变化率 |
|---|---|---|---|
| 牛奶 | 90,906.15 | 44,503.82 | -51.04% |
| 三文鱼 | 85,953.75 | 47,176.65 | -45.11% |
| 淡水虾蟹 | 97,044.25 | 60,052.61 | -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 | 384 | 384 |
| 新增商户数 | 44 | 49 |
| 流失商户数 | 102 | 99 |
| 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 | 32 | 33 | 31 | -2 |
| 南昌 | 36 | 35 | 33 | -2 |
| 宁波 | 35 | 34 | 30 | -4 |
| 广州 | 35 | 34 | 36 | +2 |
| 福州 | 34 | 31 | 32 | +1 |
| 杭州 | 36 | 35 | 32 | -3 |
| 深圳 | 36 | 36 | 36 | 0 |
| 合计 | 244 | 238 | 230 | -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1：Excel（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2：Word（7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。
