收益：
- 能够利用人工智能分析销售、成本和运营表，并检测趋势、突破和异常值
- 能够通过重做或手动检查每个计算来验证算术错误和幻觉
- 能够在解释之前区分相关性和因果关系并质疑数据质量和样本限制
管理咨询中最常重复的短语之一是：“数字说明了什么？”客户的销售数据、成本表、客户细分或运营指标；他们都讲一个故事。顾问的工作是找到这个故事，证明它，并将其清楚地展示给决策者。人工智能可以在几秒钟内解释图表、指出趋势、进行计算，甚至生成代码（Python、Excel 公式）进行分析。但这里存在一个特别的危险：人工智能可能会默默地在算术中犯错误，并以正确的信心给出错误的数字。因此，数据分析的黄金法则是重做或手动检查每个计算。
处理数据的两种方法
人工智能数据分析有两种主要方法，了解其中的差异对于准确性至关重要。
- 模型的文本解释：您将数据直接粘贴到聊天中并说“评论”。模型读取模式，但“在心里”进行计算；这是出错风险最高的路径。适合小表格和定性解释，不适合精确核算。
- 代码/工具生成：您将分析代码（Python/pandas）或Excel公式打印到模型中；代码进行计算，而不是模型。这种方式更加可靠，因为算术是在确定性工具中运行的。喜欢大数据和精确的数字。
提示：如果您需要精确的数字（总营业额、平均数、增长率），请要求模型“编写计算此数字的 Excel 公式/Python 代码”，请自行运行结果。切勿将模型给出的数字视为最终数字。
如何设置分析提示
一个好的分析提示包括数据、提出的问题和验证规则。
您的角色：数据分析师。下面是24个月的销售图表（月份、地区、产品、数量、营业额）。任务： 1）总结总营业额和月营业额趋势。 2) 找出增长最快和收缩最快的3个区域-产品细分。 3）标记是否有任何异常值（意外的跳跃/下降）。规则：- 在其旁边写出进行每个计算的 Excel 公式；我会验证。- 将解释与数据分开：首先是“数据说的”，然后是“可能的含义”。- 不要声称因果关系；仅显示图案。
该要求具有三个关键要素：要求公式（可验证性）、将数据与解释分开（完整性）以及禁止因果关系主张（下一节的主题）。
相关性不是因果关系
分析中最常见且代价高昂的逻辑错误是假设两件事中的一个一起作用会导致另一个。仅仅因为两个变量一起增加（相关性）并不能证明其中一个变量导致另一个变量（因果关系）；可能还有第三个因素或巧合。经典例子：随着冰淇淋销量的增加，溺水事件也随之增加；原因不是冰淇淋，而是炎热的天气。
人工智能可以轻松地将相关性写为“X 增加 Y”。当咨询师看到这句话时，他应该停下来问：“这真的是原因吗，还是有隐藏的因素？”因果关系主张；受控比较需要时间顺序和领域的知识。
您的角色：关键数据分析师。以下分析包含“X 增加 Y”的说法。任务：- 评估这种关系是相关性还是合理因果关系。- 列出 3 种可能影响两者的潜在（第三）因素。- 说明需要哪些额外证据（比较组、时间顺序）来支持因果关系。使用严格的因果语言；写下“可能”和“应该进行测试”。
在解释之前质疑数据质量
好的分析并非来自坏的数据。在评论之前向每个图表询问以下问题：
控制
为什么它很重要？
如何护理
缺失数据
空单元格扭曲平均值
计数空白/零比
异常值
单个异常值扭曲了趋势
查看最小-最大和分布
定义一致性
每个月的“营业额”都一样吗？
确认列定义
时间范围
季节性会误导人吗？
同比比较
样品
这些数据代表整个宇宙吗？
询问覆盖率
在解释此表之前，请进行数据质量检查：- 缺失/零单元格比率是多少？- 哪些行是极端（离群）值？- 列定义是否一致，是否有任何可疑的？只需提供审计报告即可；还不发表评论。
三个迷你箱子
情况 1 — 无声算术错误。顾问让模型收集 12 个月的营业额；模型显示“1.426 亿”。顾问在Excel中查看：实际总计1.284亿；该模型错误地添加了两个月。如果要求的是公式而不是心算，就不会出现错误。如果在演示文稿中输入了错误的数字，客户的信心就会受到动摇。
案例 2 — 虚假因果关系。该模型表示，在一家零售商中，“提供折扣的月份营业额有所增加，因此折扣会增加营业额。”顾问停下来：假期已经有折扣了；主要驱动力是假期需求。为了衡量折扣效果，需要与没有折扣的假期进行比较。错误的推论可以防止诸如“让我们每个月打折”之类的利润消耗建议。
案例 3 — 异常值陷阱。区域平均订单值显得异常高。该模型将此解释为“优质区”。顾问开线：单个企业订单420万，夸大平均值；当这条线被移除后，该区域就变得普通了。使用中位数可以首先避免这个陷阱。
弱提示/强提示
弱提示：
分析此销售图表并说明主要发现。
该模型进行正面计算，声称存在因果关系，并给出了无法验证的结果。
强力提示：
您的角色：细致的数据分析师。首先进行数据质量审核（缺失、异常值、定义一致性）。然后：每月趋势、前 3 个细分、异常值。- 为每个帐户编写 Excel 公式；我会验证。- 还给出中位数而不是平均值（以查看异常值效果）。- 将“数据说”与“可能的含义”分开；不要声称因果关系。 - 在您不确定的地方标记“不清楚”。
细分：平均值隐藏的真相
咨询分析中最有力的举措之一是细分：将总数分成有意义的子组。 “普通客户”通常是一个不存在的概念；真相隐藏在子群体中。例如，虽然平均利润率为8%，但20%的客户可能带来25%的利润，30%的客户可能会亏损；平均值完全掩盖了这一事实。人工智能可帮助您快速分解不同轴（客户类型、地区、产品、渠道）的图表，并找到显示最显着差异的细分。
您的角色：数据分析师。表格如下。任务：在以下轴上分解此数据：[客户类型/地区/产品]。对于每个组：总计、份额 (%)、平均值和中位数、组大小 (n)。规则：- 如果组 n<30，标记“小样本 - 关注”。- 为每个帐户编写公式；我会验证。- 显示最高和最低组；评估差异是真实存在的还是由单个异常值造成的。首先让我告诉你我期望哪种细分：[假设]。
常见错误
- 依靠模型的头部计算。将算术外包给确定性工具（Excel/Python）；独立检查结果。
- 将相关性误认为因果关系。没有证据就不要写“X增加Y”这句话；询问隐藏因素。
- 盲目地看平均值。单个离群值会夸大平均值；另请参见中位数和分布。
- 绕过数据质量。不完整、重复或不一致的数据所产生的解释具有误导性；先检查一下。
- 忘记举例了。从小样本或有偏差的样本推广到整个群体会产生错误的结果。
- 混淆数据与解释。分别说明什么是测量，什么是推理。
注意：如果财务、健康或操作安全数据的分析结果将作为决策的基础，则计算和解释必须得到相关专家（财务顾问、精算师、现场专家）的确认。人工智能产生初步分析；最终的评价和责任属于人类。
总之
人工智能是解释表格数据、查找趋势和故障以及生成分析代码的强大帮助。但由于它可能会默默地在算术中犯错误，因此有必要使用确定性工具重新完成每次计算并进行手动检查。将相关性与因果关系分开、查看平均值旁边的中位数、在解释之前检查数据质量以及观察样本限制是咨询的基本原则。模型显示图案；人创造意义和责任。
应用任务
选择实际或代表性的销售/成本报表。首先运行数据质量检查提示并至少发现一个问题（缺失、异常值、定义不一致）。然后通过强大的分析提示提取趋势和突破；还要手动验证每个帐户的公式。将平均值与中位数进行比较并检测异常值效应。最后，找到模型所写的因果关系主张，并将其重新表述为“相关性”。
清单
- [ ] 我使用确定性工具 (Excel/Python) 重新运行了每个精确计算。
- [ ] 我在发表评论之前进行了数据质量检查。
- [ ] 除了平均值之外，我还查看了中位数和分布。
- [ ] 我保留了相关性与因果性的区别。
- [ ] 我对样本和时间段限制提出质疑。
- [ ] 我把“数据说的”和“可能的含义”分开了。
- [ ] 我计划在决策关键分析中获得专家批准。