数据很多，洞察很少
你从 BI 系统导出一份 Excel，或者截图一堆图表。
数字很多。柱状图、折线图、饼图。看起来挺丰富。
但你盯着看了十分钟，脑子里只有一个念头：这些数字到底说明了什么？
哪个指标在恶化？哪个渠道在变好？下个月该往哪边发力？
没人告诉你。你得自己从一堆数字里挖出答案。
这个 Prompt 就是帮你做这件事的。你不是让 AI 做统计——你已经有数据了。你是让 AI 当你的数据分析师搭档，帮你解读、找异常、给建议。
核心模板：数据解读 + 洞察挖掘
把下面这段复制到 ChatGPT 或 Claude：
你是一位资深的数据分析师，擅长从业务数据中发现关键洞察，并给出可落地的建议。
【数据来源与背景】
- 数据时间段：[如：2026年5月1日 - 5月31日]
- 数据类型：[如：网站流量 / 电商销售 / APP 用户行为 / 广告投放]
- 业务背景：[一句话说明这是哪个业务、在什么阶段]
【数据概览】（粘贴你的关键数据，可以是文字描述或表格）
[格式示例：
页面UV：12,500（环比 -8%）
页面PV：38,200（环比 +3%）
跳出率：62%（环比 +5%）
平均停留时长：1分42秒（环比 -12秒）
转化率：2.3%（环比 -0.4%）
]
【额外数据点】（有的话就贴，没有就跳过）
- 上月同期数据：[...]
- 去年同期数据：[...]
- 行业基准值（如果有）：[...]
【分析要求】
请按以下步骤帮我分析：
1. 数据健康度评分（1-10分）
- 给出一个总分
- 逐项打分并说明理由
2. 关键发现（最多5条）
- 每条发现必须基于数据，不能凭空猜测
- 标注每条发现的置信度（高/中/低）
3. 异常点识别
- 哪些指标偏离了正常范围？
- 可能的原因是什么？（列出2-3个假设）
4. 趋势判断
- 如果只看这一个月的数据，趋势是向好还是向坏？
- 这个判断的局限性在哪里？
5. 行动建议
- 针对发现的问题，给出3个具体可执行的建议
- 每个建议标注：实施难度（低/中/高）、预期影响（大/中/小）
【输出风格】
- 不要用学术腔，用业务语言
- 每条结论后面跟一句"这意味着..."
- 如果数据不足以支撑某个结论，明确说"数据不够，无法判断"
三个高频场景
场景一：月度运营数据复盘
月底了，运营数据出来了，你要写复盘报告。
【数据来源与背景】
- 数据时间段：2026年6月1日 - 6月30日
- 数据类型：APP 运营数据
- 业务背景：一款知识付费APP，处于增长期
【数据概览】
DAU：45,000（环比 +12%）
新增用户：18,200（环比 +25%）
付费用户数：3,600（环比 +8%）
付费转化率：8.0%（环比 -0.5%）
ARPU：62元（环比 +15%）
次日留存：38%（环比 -2%）
7日留存：18%（环比 -1%）
内容消费时长：人均28分钟/天（环比 +3分钟）
退款率：2.1%（环比 +0.3%）
场景二：广告投放效果分析
花钱投了广告，想知道钱花得值不值。
【数据来源与背景】
- 数据时间段：近7天
- 数据类型：信息流广告投放数据
- 业务背景：某电商平台大促前引流
【数据概览】
总花费：¥48,500
总曝光：3,200,000
总点击：96,000
CTR：3.0%
CPC：¥0.51
转化数：2,880
CPA：¥16.8
ROI：2.3
退货率：12%
【分渠道数据】
渠道A（抖音）：花费 ¥25,000，ROI 2.8，CPA ¥14
渠道B（微信朋友圈）：花费 ¥15,000，ROI 1.9，CPA ¥21
渠道C（百度SEM）：花费 ¥8,500，ROI 3.1，CPA ¥12
场景三：产品功能数据解读
新功能上线了，想知道用户用不用、好不好用。
【数据来源与背景】
- 数据时间段：功能上线前后各14天
- 数据类型：功能使用数据
- 业务背景：某社交APP上线了"表情包商店"功能
【数据概览】
功能曝光次数：120,000
功能点击率：15%
功能使用率（曝光后使用）：40%
人均使用次数：2.3次
表情包购买率：8%
购买客单价：¥3.5
功能使用用户次日留存：55%（vs 普通用户次日留存 42%）
快速版（3分钟搞定）
来不及填那么多字段？用这个极简版：
我有一份数据，帮我快速分析一下。
数据：
[粘贴关键数据点，至少3个指标+数值]
背景：[一句话说明这是什么业务]
请告诉我：
1. 这份数据整体健康吗？好还是不好？
2. 最值得关注的1-2个指标是什么？为什么？
3. 如果只能采取一个行动，应该做什么？
使用技巧
给 AI 对比数据，不给它就自己猜。 单看一个数字没有意义。“本月UV 12,500”——好还是坏？告诉 AI 上月是多少、去年同月是多少、行业平均水平是多少。有对比才有洞察。
标注数据的可信度。 如果你的数据来自第三方报告，或者样本量很小，告诉 AI。它会根据数据质量调整结论的确定性。别让它对脏数据给出过于自信的结论。
让 AI 说出"我不知道"。 很多分析 Prompt 的问题是 AI 强行编结论。在你的 Prompt 里加一句："如果数据不足以得出结论，请明确说’数据不足，无法判断’。"这比一个看似专业实则胡扯的答案有用得多。
追问是灵魂。 第一次分析完了？继续问。"你说的这个趋势，最可能的原因是什么？""如果要验证你的假设，我应该看哪个指标？""如果我要改善这个数据，第一步应该做什么？"一轮对话能挖出三层价值。
把 AI 的分析当草稿，不当结论。 AI 能帮你快速梳理思路，但它不了解你的业务全貌。它说"可能是价格问题"，你要结合市场情况判断。它是放大镜，不是决策者。
效果示例
输入：
【数据来源与背景】
- 数据时间段：2026年6月
- 数据类型：SaaS 产品订阅数据
- 业务背景：一款项目管理工具，面向中小团队
【数据概览】
新增订阅用户：820（环比 -15%）
续费用户：3,450（环比 -3%）
取消订阅：280（环比 +40%）
月活跃团队数：5,200（环比 -2%）
功能使用率：68%（环比 -5%）
平均合同金额 MRR：¥186,000（环比 -4%）
NPS 得分：42（环比持平）
客服工单量：1,200（环比 +25%）
AI 输出：
数据健康度评分：5/10
整体处于下滑通道，但还没到危险级别。关键问题是取消率在加速上升，而新增用户在萎缩。
关键发现：
取消订阅激增40%——这是最危险的信号。意味着产品可能在流失用户，而不是在增长。置信度：高。这意味着你的产品体验或定价可能出了问题。
新增用户下降15% + 功能使用率下降5%——两者很可能相关。新用户进来后发现功能不好用，或者老用户觉得功能鸡肋，活跃度在下降。置信度：中高。
客服工单量上涨25%——用户遇到问题在找你，但你可能没及时响应。这往往是产品体验恶化的前兆。置信度：高。
异常点：
- 取消率 +40% 远超其他指标的波动幅度，这是一个结构性问题，不是随机波动
- NPS 持平但取消飙升——说明满意的用户还在留，不满意的用户在走，平均值被掩盖了
趋势判断： 短期向坏。如果取消率不降下来，下个月 MRR 可能跌破 ¥180,000。但这个判断的局限性在于：我看不到取消的具体原因分类，也不知道是季节性波动还是产品问题。
行动建议：
立即做：分析取消用户的调研数据。 看取消原因 Top 3 是什么。如果是因为价格，考虑推出年付折扣；如果是因为功能，收集用户反馈排优先级。难度：低。影响：大。
本周做：客服团队加派人手。 工单涨了25%，响应速度可能跟不上了。缩短响应时间能直接降低取消率。难度：中。影响：中。
本月做：激活沉默用户。 功能使用率下降了，说明有一批用户还在但不活跃。发一封 personalized 的邮件，推荐他们可能用到的功能，拉回活跃度。难度：中。影响：中。
数据不足的判断：我无法判断这些变化是否与新功能发布有关，也无法判断是否存在季节性因素。需要更多上下文。
--- 这份分析把一堆冰冷的数字变成了清晰的行动清单。取消率飙升 → 分析原因 → 客服加码 → 激活沉默用户。每一步都知道该做什么、为什么做、投入多大。 这才是数据分析的价值——不是看图表，而是做决策。
组合使用技巧
数据解读 + 周报联动
把 AI 的数据分析结果直接作为周报的"本周数据回顾"部分。省去自己组织语言的时间，还能确保你的汇报有数据支撑、有洞察、有建议。
数据解读 + 竞品分析联动
如果你有竞品数据，可以一起丢给 AI 做横向对比。“我们的转化率 2.3%，竞品平均 3.8%"——AI 会帮你分析差距在哪、怎么追。
数据解读 + 实验设计联动
AI 分析完发现问题后，让它帮你设计 A/B 测试来验证假设。“你说取消率上升可能是因为定价，帮我设计一个测试方案”——从分析直接跳到验证。
什么时候不该用
- 数据量太小：只有三五条记录，AI 给出的分析没有统计学意义。自己画个图看就行。
- 数据质量极差：缺失值超过 30%、口径不一致、来源不可靠。先清洗数据，再让 AI 分析。
- 你需要精确的统计检验：t 检验、ANOVA、回归分析——这些让 Python 或 R 去做。AI 擅长的是业务解读，不是数学计算。
- 涉及敏感数据：用户隐私数据、财务明细、商业机密。脱敏后再丢给 AI。
写在最后
数据本身不会说话。是你赋予它意义。
AI 不能替你理解业务，但它能帮你把"这些数据说明了什么"这个问题，从"我不知道"变成"我知道了三个关键点，下一步该做 X”。
下次拿到报表别再对着屏幕发愁了。把数据丢给 AI，问一句：“这些数字告诉我什么？”
你会得到一个比你独自看三十分钟更有价值的回答。