AI与数据分析的深度融合正在重塑分析师的日常工作方式。本文通过积分分析的真实案例，揭示如何将AI从'套话生成器'转变为高效分析助手。从业务梳理到数据呈现，从问题定义到原因分析，完整展示AI赋能数据分析的实战路径。
“你自己多想想……”是很多新手数据分析师最怕听的话。
“AI输出的都是套话，不落地呀！”是很多人初用AI的感受
今天陈老师用一个详细案例，带大家看如何用好AI，完成任务
01 从业务场景开始有星友吐槽：互联网中厂，领导对说：“做个积分分析，你自己多想想”。就没了，没了……咋办！
你可能会本能的打开豆包，颤巍巍输入：怎么做积分分析……结果看到一锅十全大补汤！注意！AI不懂你的业务，它只能给你套话。连豆包都知道提醒你，讲清楚是什么业务（如下图）
因此，梳理清楚业务，是第一步工作，不要懒，自己干！
02 业务梳理逻辑梳理业务，重点在：理清流程。以积分业务为例，至少得包括：
1）通过哪些方式产积分
2）存量的积分由谁持有
3）消耗积分的方式有哪几种
其中：
1）产生方式，可以查业务规则，可以向负责积分系统的同事求教
2）消耗方式，可以直接看积分商品、积分抵扣等系统信息
3）存量情况，需要去查报表。如果没报表，需要自己取数
梳理完成后，最好能形成下图所示，围绕用户生命周期，每个环节产生消耗梳理清楚。这样一来更系统理解现状，二来可以更快发现问题。牢记：数据+标准=结论。知道积分花在哪里，才好形成评估标准，看这个积分花的值不值
在梳理完业务后，可以做基础数据呈现。基础数据呈现也要遵守：先整体后局部的原则。比如积分情况，可以讲：
1、整体上，存量积分有多少，每月新增多少，消耗多少？
2、整体存量积分，每月新增/消耗，在近1年变化走势如何？
3、积分来源有多少种？每一种占比如何？
4、积分来源的结构是否有变化？
5、积分消耗的方式有多少种？每一种占比多少？
6、积分消耗的结构是否有变化？
这一步，很多同学不是不会写SQL，而是看到数据没感觉，不知道数字说明什么问题。此时，可以逆向思维，直接让AI给出：行业+积分+常见问题+数据特征，从而辅助自己判断（如下图）
当然，如果业务部门有直接的问题反馈更好，你可以直接下手！优先解决业务问题，而不是盲目大海捞针
比如业务部门反馈：“积分太鸡肋了，都没啥用”。可以进一步分析：
1、清晰定义：什么叫没啥用（在产生端没用，还是使用端没用）？
2、数据验证：“没啥用”到底是不是真的在数据上有证据？
3、问题度量：是一直以来都没用，还是逐步变没用？
4、原因分析：如果用户不喜欢积分，用户喜欢啥？
注意！不要直接把业务问题塞AI，因为业务说的不见得清楚，甚至不见得是真的。此时可以做以下三步：
1、定义一定要清晰。比如积分没啥用，如果是说生产端，一般指：送积分不能带来效益（比如拉新人、促消费）；如果是消耗端没用，一般指：积分不受客户喜欢，客户兑换使用得少。细节一定确认清楚，避免南辕北辙。
业务部门说话，动机很复杂：
可能是真的了解情况，非常不满
可能根本不了解情况，随口一说
可能有其他目的（比如上新活动，把积分取代掉），就坡下驴
所以要用数据验证下，是否说的是真的。如果口头表达和实际情况对不上，就得再深入思考：到底真实目的是哈？
3、问题度量先于原因分析。问题先分轻重缓急，再看什么原因导致的。这样做不但有利于抓真正的重点问题，而且有利于梳理分析标杆，明确改进方向。比如说积分活动ROI太低，低于1:5就算不好，那么以下四种不同的表现，指向的分析结论是完全不同的（如下图）。
完成以上步骤后，可输出完整的问题分析报告，包括：问题来源/严重程度、进一步分析假设。到此，就能向领导复命了。注意！开头领导给的是开发题，一次分析不可能穷尽所有。后续的调整措施/效果可以进一步跟踪分析。
05 自己摸索问题如果需要自己做探索型分析。要注意！重点关注：突发性重大变化/长期性缓慢变化/周期性变化
比如在积分来源端，常见的变化情况如下：
趋势和变化，本身可以成为进一步分析的点，比如：
注册积分已经很少人领取，是否应该优化
活动积分赠送太多，是否为1年后积分到期时埋了地雷
人工调账缺少规范，经常有大笔异动，是否要追查
呈现以上数据给领导，等下一步指示。领导直接说：先这样吧，让业务看看。那就完美收工了。
06 小结AI是你的员工，不是老师。自己把握整体思路，AI不但不能替代你，还能成为你的搜索能手+分析助理+SQL机器，高效解决不确定问题。
本文由人人都是产品经理作者【接地气的陈老师】，微信公众号：【接地气的陈老师】，原创/授权 发布于人人都是产品经理，未经许可，禁止转载。
题图来自Unsplash，基于 CC0 协议。
广瑞网提示：文章来自网络，不代表本站观点。
