一堆数据，
30 分钟
读出故事。
把 100 条用户评论丢给 AI，30 分钟得到可以做产品决策的分析报告；把一份运营数据表丢进去，4 步提问找到真正值得关注的变化。
「分析的本质，
是找关系。」
文字里有情绪关系，数据里有变量关系——AI 帮你从大量信息里找到人眼容易错过的模式。
为什么靠人做很难
- 看不出哪些点值得关注
- 知道有规律但不知道怎么发现
- 数据量一大就抓瞎
- 主观认知干扰客观判断
AI 能弥补什么
- 能在大量信息里找模式
- 从多个维度自动尝试组合
- 不会被"数据太多"吓住
- 24 小时不知疲倦
你来判断"真的是什么"。
「两条路，
对应两种原材料。」
看你手头有什么：是一堆文字，还是一张数据表——两条路，两套工具，但核心逻辑相通。
用文字喂 AI
用表格喂 AI
菜鸟肉眼看到一半放弃，
老手 30 分钟得到决策报告。
② 主题聚类（Top 3）
· 加载速度慢（23条）："等了快1分钟""打开就卡"
· 功能设计好用（31条）："比同类好用多了"
· 客服响应慢（18条）："反馈3天没人回"
④ 危险信号：发现 4 条提及退款申请，2 条提到"换某竞品了"
运营数据别只说"帮我分析"——
用四步告诉 AI 你要什么。
没有目标和视角的分析等于流水账。先说清你关心什么，再给数据。
描述
关联
异常
建议
下面是我们某产品近 30 天的运营数据（DAU、新增、付费、留存）。
请做 4 件事：
1. 描述：每个指标最近 30 天大致走势？关键变化点在哪天？
2. 关联：DAU 和付费之间、新增和留存之间，有可见关联吗？
3. 异常：有没有不正常的数据点？可能的解释？
4. 建议：站在运营视角，接下来 7 天最该关注的 2-3 件事？
数据：[粘贴表格 / 上传 CSV]不会 Excel 函数，
不会 SQL，不会 Python——
没关系。
AI 的数据分析模式会真的跑代码——你用人话描述需求，AI 写 Python，跑出来直接给你图表。
描述统计
"这组销售额的均值、最大值、最小值、变化趋势是什么？"
找关联
"销售额和广告投入之间是不是相关？相关系数大概是多少？"
找异常
"哪些数据点偏离正常范围？可能是什么原因导致的？"
给业务建议
"基于这些数据，下一步该重点投哪个渠道？给我 3 条有依据的建议。"
直接出图
"用 Python 帮我画一张同比折线图，X 轴是月份，Y 轴是销售额，给我代码。"
支持此功能的工具：ChatGPT / Claude（Projects）/ 豆包 / DeepSeek（数据分析版）
AI 分析能信几分？
这三个陷阱别踩。
≠
因果
相关 ≠ 因果
AI 会说"DAU 和付费高度相关"——但相关只是"看上去同时变化"。是 DAU 带的付费？还是付费用户带新人？还是两者都受第三因素影响？AI 不知道，你要追问。
偏差
样本不代表全体
100 条评论里 80 条说好 ≠ 你的产品 80% 好评。因为只有特定的人会留评论（爱用的留、出问题的留），沉默用户是大多数。
会错
心算会算错数字
AI 不开代码执行模式时靠"心算"算数字，会错。涉及关键百分比、总量、比率，必须让它用代码执行，或自己用 Excel 复核。
3 句话，
带走这一章，
也带走这八章。
-
1
分析的本质是找关系——AI 在语言里找情绪 / 观点，在数据里找趋势 / 异常。告诉 AI 你的诉求和视角，再给数据。
-
2
数据可以让 AI 跑代码（Code Interpreter），人话写需求就行。但关键数字必须人工核，相关不等于因果。
-
3
AI 分析给的是参考结论，不是真理。它告诉你"可能是什么"，你来判断"真的是什么"。
下面是某产品的用户评论（共 [N] 条）。请做结构化分析：
① 情感分类：每条标注正 / 负 / 中，并统计三类比例。
② 核心观点聚类：归纳 5-8 个主题，每个主题给名字 + 数量 + 2 条代表原评论。
③ 关键诉求：用户最想要的改进 Top 5（按频次排序）。
④ 危险信号：有没有投诉 / 退款 / 竞品比较 / 法律相关的评论？
⑤ 一句话洞察：最大的赞是什么？最大的痛是什么？
评论：[粘贴全部评论]提问学习
不会的，就问 AI——但要问得密度高
总结整合
30 页报告压成你能用的 5 句话
创意启发
卡住了，就让 AI 撒网，你来挑
创作生成
方向定了，给规则，让 AI 按规则交活
模仿参考
风格说不清，直接贴样本
深思反问
让 AI 当会怼你的导师
翻译转化
人话、代码、图、文档，AI 全懂
分析研究
一堆数据，30 分钟读出故事