数据分析报告最容易出现两个问题：第一，指标口径没有统一；第二，把同时发生的变化直接写成原因。AI 可以帮助计算、分组和组织表达，但它不知道数据采集是否完整，也不能凭相关性确定因果关系。
分析前必须确认指标口径
每个指标至少写清时间范围、统计对象、去重方式、单位和数据来源。例如“访问用户数”与“访问次数”不是同一个指标，“转化率”也需要明确分母是访问人数、线索数还是订单数。
表格需要清洗或计算时，可使用AI Excel公式生成器辅助，但原始数据、去重规则和公式结果必须人工抽样核对。
可直接复制的数据分析报告提示词
你是一名数据分析助理。请根据我提供的真实数据和指标定义生成分析报告。你可以描述变化、定位异常和提出待验证假设，但不能编造数据或把相关性直接写成因果关系。
分析目标：[填写本次要回答的问题]
指标定义：[名称、计算公式、时间范围、统计对象、去重规则]
原始数据或汇总表：[粘贴数据]
业务事件：[版本发布、活动、渠道调整等已确认事实]
请输出：
1. 核心结论：最多 3 条，每条引用具体数据
2. 指标总表：本期值、上期值、同比/环比、绝对变化
3. 异常定位：按渠道、人群、地区、设备或流程环节拆分
4. 事实与假设：分别列出已证实事实、原因假设和所需证据
5. 行动建议：动作、负责人、期限和验证指标
6. 数据限制：缺失值、样本偏差、口径变化和无法判断项
规则：
- 先检查指标口径是否一致，不一致时停止比较并说明
- 同时给出百分比变化和绝对值，避免只写涨跌幅
- 不使用“说明、导致、证明”等因果词，除非有实验或额外证据
- 原因只能写成待验证假设，并列出验证方法
- 不隐藏与结论相反的数据
- 输出后重新核对所有数字、单位和时间范围示例：转化率下降怎么写
本月访问量从 10,600 增至 12,480，增长约 18%；转化率从 3.4% 降至 2.8%，下降 0.6 个百分点。进一步拆分发现移动端转化率下降更明显，而桌面端基本稳定。
事实：移动端是主要下降来源。
假设：近期结账页面调整可能增加了操作步骤。
验证：对比版本前后的移动端漏斗、页面加载和放弃位置。未验证前不能写“页面改版导致转化下降”。
行动建议必须可验证
不要只写“持续优化转化”。应写“产品负责人在 7 月 22 日前对比移动端版本前后漏斗，若支付页流失增加超过 10%，安排回滚或实验；验证指标为支付页到成功页转化率”。
人工检查
- 抽样核对原始数据和汇总值。
- 检查同比、环比和百分点是否混用。
- 确认业务事件的发生时间。
- 标记缺失数据和口径变化。
需要把分析结果转成管理汇报时，可以使用AI工作总结生成器整理行动项。资料较乱时可参考AI表格清洗与资料整理流程，竞品数据则应结合竞品分析提示词单独说明来源。若要对比多个供应商的报价和规格，可用采购比价表提示词统一口径后再分析。
完整算例：转化率下降到底发生在哪个渠道
沿用前面的转化率案例，可以先把总量拆成三个渠道。下面的订单数和访问人数可以人工复算，避免 AI 只给一个听起来合理的结论。
| 渠道 | 上期访问/订单 | 本期访问/订单 | 上期转化率 | 本期转化率 |
|---|---|---|---|---|
| 直接访问 | 4000/160 | 4400/154 | 4.00% | 3.50% |
| 信息流 | 3000/90 | 4200/84 | 3.00% | 2.00% |
| 搜索 | 3600/110 | 3880/112 | 3.06% | 2.89% |
总访问从 10,600 增至 12,480，总订单从 360 降至 350，总转化率由约 3.40% 降至 2.80%。信息流访问增加 1,200，但订单反而减少 6 个，是最值得继续拆解的异常；这仍不能直接证明“信息流质量差”，还要检查投放人群、落地页、设备和统计口径。
让 AI 复算而不是只改写结论
请复算上表，不要沿用我写出的百分比。
逐行输出：访问变化、订单变化、转化率、百分点变化和对总订单变化的贡献。
然后检查各渠道加总是否等于总计。
发现数字不一致时停止写报告，先列出错误位置。
结论分为“数据事实、待验证假设、下一步取数”，不得把渠道变化直接写成原因。如果某一渠道的统计方式在本期发生变化，应把它从同比或环比结论中单独剔除，并说明不能比较。样本很小时，百分比可能变化很大，也应同时展示订单绝对数，避免把一两个订单的波动写成趋势。
把任务放进真实场景里
例如，月度数据下滑十个百分点，报告直接写市场竞争加剧却没有证据。这类任务的难点通常不在“让AI写一段话”，而在于先把事实、边界和交付对象理顺。开始前应单独列出已有材料、尚未确认的信息和不能由模型替你决定的事项。没有依据的数字、承诺、人员安排和专业结论一律标记待确认，不用看似完整的句子掩盖信息缺口。
处理时重点抓住这些要素：指标定义、时间范围、对比基准、分群、异常、证据和行动建议。先用一小段材料跑通，再扩大到完整任务，能更早发现字段缺失和理解偏差。涉及多人协作时，最好让下一位执行者复述一遍：他从文档里看到了什么、准备先做哪一步、遇到什么情况需要停下。复述不一致，说明文档仍需修改。
先确定输入，再决定交给AI什么
一个常见的失败版本是：相关性写成原因、只挑支持结论的数据、百分比与百分点混用。它往往表面整齐，实际无法执行。修正时不要只让AI“更专业”，而要指出哪一项事实缺失、哪句话无法验证、哪一步没有责任人或判断条件。每轮只改一类问题，并保留修改前后的差异，后续才能沉淀出稳定做法。
- 事实核对：人名、日期、金额、指标、文件版本和业务规则回到原始材料逐项确认。
- 边界核对：区分已经决定、正在讨论、个人建议和模型推断，不能把四者混写。
- 执行核对：动作写到具体对象、负责人、时间和可观察结果，删掉“持续关注”“及时处理”这类空话。
- 风险核对：敏感数据先脱敏，合同、财务、法律、安全、医疗等结论交给相应专业人员。
交付前用一个简单标准验收：数字可从源表复算，事实与假设分开，行动有负责人和验证指标。再安排一次反例检查，故意输入一条缺日期、缺负责人或相互冲突的材料，看结果是否会明确提示缺口，而不是自行补全。能在正常情况和异常情况下都给出可核对结果，这套做法才算真正可复用。
最后保留三样东西：原始材料、采用的版本和人工确认记录。下一次遇到相似任务，可以复用字段和检查表，但仍要替换当次事实。模板的价值是减少遗漏，不是让所有场景得到同一答案；只要任务目标、读者或约束变化，就应重新检查输入和验收条件。
把《AI怎么写数据分析报告：指标、异常、原因和行动建议提示词》沉淀成下一次可复用的记录
完成后不要只保存最终成品，还要记下本次使用了哪些输入、人工改了哪些地方、哪条规则最容易被误解。把这些内容写成简短复盘：有效做法继续保留，无效步骤删除，仍不确定的事项指定负责人核实。下一次先用一份新样本验证，再决定是否沿用旧结构。这样积累的是判断依据和检查习惯，而不是一份脱离场景的万能模板。