《今朝AI每日一课》第037期

Work如何帮助数据分析

先说清“要回答什么、数据怎么算”，再让Work找变化；数据告诉我们发生了什么，人负责判断为什么

---

一、今日学习目标

第036期我们学习了：

Work可以根据明确的阅读对象、工作用途和真实资料，形成一份可核对的报告初稿。

但如果报告中包含：

• 销售变化；
• 客户数量；
• 项目数量；
• 产品结构；
• 回款情况；
• 服务记录；
• 阶段变化；

还有一个更基础的问题：

这些数字是怎么来的？比较口径对不对？数据到底能证明什么？

这就是第037期要解决的问题：

Work如何帮助数据分析。

很多人把一张Excel表交给AI以后，容易直接问：

“你帮我看看这些数据有什么问题。”

这个任务看起来很简单，

但Work并不知道：

• 你真正想回答什么问题；
• 哪段时间的数据应该比较；
• 每个字段是什么意思；
• “客户数”是客户名称数量、下单客户数，还是去重后的客户数；
• “销售额”是含税还是不含税；
• 重复记录要不要计算；
• 空白数据代表0，还是没有录入；
• 一个数字下降以后，原因到底是什么。

所以数据分析不是：

把表格交给AI，让AI自己找结论。

更可靠的方法是：

先说清数据问题、数据范围和统计口径，再让Work检查、计算和比较；AI负责发现数据现象，人负责核实事实、理解业务原因并作出判断。

学习完成后，员工应该能够：

1. 先说清本次数据分析要解决什么工作问题；
2. 明确数据文件、时间范围、业务范围和关键字段含义；
3. 明确重要指标的统计口径；
4. 让Work先检查数据是否存在缺失、重复、格式异常或口径问题；
5. 让Work按照明确口径进行简单汇总和比较；
6. 区分：
   • 原始数据；
   • 计算结果；
   • 数据现象；
   • 分析判断；
   • 待确认原因；
7. 不把数据变化直接写成业务原因；
8. 对关键数字、统计口径和重要判断进行人工复核；
9. 理解Work交付的是数据分析初稿，不是自动形成的经营结论。

本期核心能力：

先说清要回答的数据问题和统计口径，再让Work读取、检查、计算和比较；AI帮助发现数据现象，人负责核实数据、理解原因并作出判断。

---

二、一个AI知识点

1. 数据分析的第一步，不是“算”

假设员工有一张销售数据表。

最容易问Work：

“帮我分析一下销售数据。”

但Work首先不知道：

你到底想通过数据回答什么？

可能是：

• 总体销售有没有变化；
• 哪类产品变化比较明显；
• 哪类客户贡献发生变化；
• 哪个区域值得进一步关注；
• 订单数量变了还是单笔金额变了；
• 某项经营现象是否持续出现。

问题不同，

需要使用的字段、时间范围和统计口径也不同。

所以第一步不是：

“开始计算。”

而是：

先写清一个业务问题。

例如：

比较前后两个时期某类业务的销售变化，找出值得进一步核查的产品类别。

这样Work才知道：

为什么算、算什么、最后看什么。

---

2. 第二步：先确认“这些数据到底是什么”

与普通文字资料相比，

数据表里有一个特别容易出错的地方：

字段名称看起来很清楚，实际业务含义可能并不清楚。

例如表格里有一列：

“金额”

它可能是：

• 含税销售额；
• 不含税销售额；
• 订单金额；
• 出库金额；
• 回款金额。

如果口径没确认，

数字算得再准确，

结果也可能没有意义。

所以Work开始计算前，应先确认：

• 文件是什么；
• 表中有哪些字段；
• 每个关键字段代表什么；
• 时间字段用哪个；
• 数值单位是什么；
• 数据覆盖什么业务范围。

不清楚就：

待确认。

不能靠字段名字自行猜业务定义。

---

3. 第三步：统计口径必须先说清

数据分析里，

经常不是“计算错了”，

而是：

大家算的根本不是同一件事。

例如：

可能是：

所有客户档案数量

也可能是：

本期实际下单客户去重数量。

可能按：

订单编号计数

也可能按：

每一行商品记录计数。

可能：

含税

也可能：

不含税。

所以一项数据任务必须提前说明：

这个指标怎么算。

Work可以帮忙计算，

但口径应该由业务人员或正式规则确认。

---

4. 第四步：分析以前先检查数据质量

Work不应该拿到表格以后马上输出结论。

先检查几个基础问题：

• 有没有空白值；
• 有没有明显重复记录；
• 日期格式是否一致；
• 数字字段有没有文字或异常格式；
• 同一个指标是否存在不同单位；
• 是否存在无法解释的异常值；
• 关键字段是否缺失。

例如：

某条记录的销售额为空。

这不一定代表：

销售额是0。

也可能只是：

没有录入。

如果Work直接把空白按0计算，

结果就可能失真。

所以：

缺失 ≠ 0。

同样：

重复记录也不能在没有规则时自行删除。

先发现，

再确认怎么处理。

---

5. 数据分析要分清五个层次

这是本期最重要的一个工作习惯。

表格里实际记录了什么。

例如：

某产品类别在两个时期分别存在若干销售记录。

这是原始记录。

按照确认的口径计算以后得到：

前期销售额是多少，后期是多少，变化多少。

这是：

计算结果。

根据计算结果可以看到：

后期比前期下降。

这是：

数据现象。

结合其他数据可能进一步判断：

下降主要集中在某一产品类别。

这个判断需要数据支持。

为什么下降？

可能涉及：

• 客户变化；
• 产品变化；
• 市场环境；
• 价格；
• 销售行为；
• 项目周期；
• 其他业务因素。

仅靠当前这张表，

可能根本无法证明。

所以正确表达是：

下降原因待结合业务资料进一步确认。

而不是：

“下降是因为客户流失。”

一句话记住：

数据告诉我们“发生了什么”，不一定能够单独告诉我们“为什么发生”。

---

6. “相关”不等于“原因”

假设Work发现：

某时期销售下降，

同时：

下单客户数也下降。

可以说：

两项指标同期下降，值得进一步核查。

但不能仅凭这两个数字就写：

客户数下降导致销售下降。

因为还可能存在：

• 产品结构变化；
• 大客户采购周期变化；
• 单笔订单金额变化；
• 数据记录问题；
• 其他没有进入当前数据的数据因素。

所以数据分析时：

发现关系，可以提示；确定原因，需要证据。

---

7. 重要数字要能够重新算一遍

Work告诉你：

“销售额下降了某个比例。”

员工至少应该知道：

• 使用了哪段时间；
• 使用哪些记录；
• 按什么口径计算；
• 是否排除了异常或重复；
• 分母和分子是什么。

不要求普通员工学习复杂公式，

但关键结果必须：

可核对、可复算。

特别是准备进入：

• 正式报告；
• 经营讨论；
• 客户沟通；
• 管理判断；

的数字，

更不能只因为AI给出来就直接采用。

---

8. 一项基础数据分析任务，可以先说清六件事

不要只说：

分析数据。

要说：

我想通过数据了解什么？

明确：

• 文件；
• 工作表；
• 时间范围；
• 业务范围。

关键字段：

• 时间；
• 金额；
• 数量；
• 客户；
• 产品；
• 项目状态；

分别代表什么。

明确统计口径。

例如：

• 前后时期；
• 产品类别；
• 客户类型；
• 区域；
• 项目阶段。

要求Work返回：

• 数据质量问题；
• 计算结果；
• 数据现象；
• 可以支持的分析判断；
• 待确认原因；
• 计算口径和数据范围。

这样，

Work才是在完成：

可以检查的数据分析任务。

而不是：

看表格以后随便说几个结论。

---

三、一个今朝工作案例

本期采用：

一个基础教学案例 + 两个简短的今朝业务延伸。

所有数据均为假设教学数据，

不对应今朝任何真实客户、员工、项目、金额或经营结果。

---

案例一：基础教学案例——某类业务销售变化

某项练习业务有以下简单汇总数据：

| 时期 | 产品A销售额 | 产品B销售额 | 下单客户数 | |---|---:|---:|---:| | 前期 | 100 | 80 | 20 | | 后期 | 90 | 50 | 18 |

数字仅用于教学，不代表今朝任何真实经营数据。

如果员工告诉Work：

“帮我分析一下这些数据，看看问题在哪里。”

Work很容易开始解释：

为什么下降。

但实际上，

当前数据首先只支持我们确认：

产品A：

100 → 90。

产品B：

80 → 50。

下单客户数：

20 → 18。

• 产品A有所下降；
• 产品B下降更明显；
• 下单客户数也有所下降。

这些都是：

数据可以直接支持的事实或现象。

---

但是能不能直接说：

“产品B下降是因为客户流失？”

不能。

因为当前数据并没有告诉我们：

• 哪些客户停止采购；
• 客户为什么减少；
• 是订单频率变化还是大客户采购周期变化；
• 产品是否有供应、价格或政策变化；
• 数据本身是否完整。

所以更可靠的分析应该是：

后期产品B销售额低于前期。

产品B的下降幅度比产品A更明显，同时下单客户数量也下降。

产品B以及客户数量变化值得进一步检查。

当前数据不足以证明产品B下降是否由客户流失、需求下降、价格、供应或其他业务因素造成。

可以进一步查看客户明细、订单结构及相关业务记录。

这就是：

数据事实 → 数据现象 → 分析判断 → 待确认原因。

---

一个更可靠的Work任务可以怎么写？

本次使用一份假设教学数据。

我希望回答的问题是：

比较前后两个时期的销售变化，找出值得进一步核查的产品和客户变化。

请先确认：

• 实际读取的数据范围；
• 字段名称；
• 是否存在空值、重复或格式异常。

本次销售额按表中提供的销售额字段直接汇总； 客户数按已经提供的去重客户数使用。

请完成：

1. 前后时期销售额比较；
2. 产品A和产品B变化比较；
3. 客户数量变化；
4. 找出值得进一步关注的数据现象。

输出时请区分：

• 原始数据；
• 计算结果；
• 数据现象；
• 分析判断；
• 待确认原因。

不要根据这些数字自行判断客户流失、市场变化、销售人员表现或其他业务原因。

重要结果请说明计算范围和口径。

本次只形成内部分析初稿，最终原因和经营判断由人进一步核实。

---

今朝业务延伸一：分销经营数据

分销业务中，

Work未来可以帮助处理很多经营数据任务，例如：

• 比较不同时期销售变化；
• 比较产品类别结构；
• 比较客户类型变化；
• 找出变化比较明显的区域；
• 检查客户数量和销售变化是否同时出现；
• 找出值得进一步追查的数据异常。

例如数据告诉我们：

某类客户销售下降。

这是一个：

经营数据现象。

但Work不能直接进一步写：

“这些客户正在流失。”

也不能写：

“销售代表维护客户不到位。”

这些都需要：

• 客户明细；
• 销售拜访和沟通记录；
• 市场情况；
• 产品变化；
• 业务人员反馈；

进一步确认。

所以分销经营数据分析中，

Work最先应该帮助管理者回答：

哪里发生了值得关注的变化？

而不是马上回答：

是谁造成的？

---

今朝业务延伸二：B2B项目数据

假设一批项目数据中记录了：

• 项目编号；
• 当前阶段；
• 最近更新时间；
• 下一步事项。

Work可能发现：

某些项目较长时间没有新的系统记录。

这是：

数据事实。

可以进一步形成：

这些项目值得进一步核查实际推进情况。

但不能直接写：

项目已经停止。

更不能写：

销售人员没有开展工作。

因为：

系统没有记录 ≠ 真实业务没有发生。

下一步需要：

结合项目人员反馈、客户沟通记录或其他业务事实确认。

这和前几期学习形成了同一个原则：

AI负责暴露问题，人负责理解真实业务。

---

四、今日实践任务

5—10分钟：完成一次“小型数据分析”

今天不需要复杂Excel。

准备一份：

• 本人有权处理；
• 内容不敏感；
• 已经过必要脱敏；
• 字段较少；
• 记录数量较少；

的小表格即可。

如果没有合适数据，

也可以自己做一份5—10行的教学数据。

---

第一步：先写一个数据问题

不要写：

“帮我分析这个表。”

例如改成：

比较前后两个时期某项业务数量变化，找出值得进一步确认的异常。

第二步：写清数据范围

例如：

本次只分析我提供的这个工作表，时间范围为两个指定时期。

第三步：说明关键字段

例如：

• 日期字段代表什么；
• 数量代表什么；
• 金额代表什么；
• 分类字段代表什么。

字段不清楚就先确认，

不要让Work猜。

第四步：写清统计口径

例如：

客户数按客户编号去重计算。

或者：

本次金额直接使用表中的已确认金额字段。

第五步：先让Work检查数据

可以直接使用下面这段任务：

请对我明确指定的小型数据表进行一次基础数据分析。

我要回答的问题是：【填写一个具体问题】。

本次数据范围是：【填写时间和业务范围】。

关键字段含义如下：

【简单说明关键字段】

统计口径如下：

【说明1—3个关键指标怎么算】

请先检查并反馈：

1. 实际读取的数据范围；
2. 主要字段；
3. 记录数量；
4. 是否存在空值、重复、格式异常或口径不清的问题。

如果关键字段或统计口径不明确，请先标记“待确认”，不要自行猜测。

然后按本次问题完成必要的汇总和比较。

输出请区分：

1. 原始数据事实；
2. 计算结果；
3. 数据现象；
4. 当前数据能够支持的分析判断；
5. 仅靠当前数据无法确认的原因。

重要结果请说明数据范围和统计口径。

不要根据数据变化自行评价员工、判断客户意图或编造业务原因。

第六步：自己核对四件事

至少检查：

能不能回到原表核对？

Work算的是不是你真正想算的指标？

变化是否真实存在？

数据真的能够支持到这个程度吗？

今天的练习怎么验收？

不是看Work输出多少结论。

而是看你能不能说清：

我问的是什么问题？

用了什么数据？

按什么口径计算？

数据实际发生了什么？

哪些原因还不能判断？

如果这些问题清楚，

这次基础数据分析就达到了目的。

---

五、今朝智能体连接

数据分析也是未来岗位智能体可能具备的一项重要能力。

例如未来在授权范围内，

岗位智能体可能帮助：

• 读取企业正式数据；
• 按确认的指标定义计算；
• 检查数据质量；
• 比较不同时间或业务维度；
• 找出异常变化；
• 把值得关注的问题提示给员工；
• 标记需要进一步人工核实的事项。

但真正做到这些，

企业首先必须逐步明确：

• 哪些数据是正式数据；
• 每个字段是什么意思；
• 指标怎样定义；
• 时间和业务范围怎样计算；
• 谁有权限读取；
• 异常达到什么标准需要提醒；
• 哪些判断必须交给人。

所以：

智能体的数据分析能力，不只是“AI会计算”，更重要的是企业有没有稳定的数据和指标口径。

今天员工学习的：

数据问题
↓
正式数据
↓
指标口径
↓
Work检查、计算和比较
↓
人工核实
↓
业务判断

经过反复验证以后，

未来才可能沉淀为岗位智能体的候选能力。

必须保持边界：

AI发现异常，不等于知道异常原因。

AI算出数字，不等于数字已经可以直接用于经营决策。

最终仍然是：

AI帮助发现数据事实和变化，人负责结合业务事实解释原因并作出判断。

---

六、今日思考

以前拿到一张表，

我们可能直接问：

“这些数据说明了什么？”

从今天开始，

可以先多问几个问题：

我到底想通过数据回答什么？

这些字段代表什么？

这个指标到底怎么算？

数据本身发生了什么变化？

哪些结论是数据真正支持的？

哪些“原因”其实还只是猜测？

真正可靠的数据分析，

不是让AI输出越来越多的结论。

而是：

把“数据已经证明的”和“业务还需要确认的”分开。

今天最后记住一句：

先说清数据问题和统计口径，再让Work计算和比较；数据告诉我们发生了什么，人负责判断为什么。