我用 AI 做数据复盘，从"对着表格发愁"到"一眼看到问题"

以前做数据复盘，我有一个特别真实的感受：

最难的不是分析，而是不知道从哪里开始分析。

Excel 打开，几十列数据，往下一拉几万行。

销售额、订单量、用户数、转化率、退款率、客单价……指标一个不少。

问题是，数据越完整，人反而越容易懵。

你知道这里面肯定有问题，但你不知道问题藏在哪里。

于是很多人的数据复盘最后就变成了一个固定动作：

先做几个透视表。

再拉几个柱状图。

然后找几个涨幅比较大的数字。

最后写一句：

“本月整体经营情况良好，部分指标存在波动，需要进一步关注。”

这句话说完，会议结束。

但真正的问题其实一个都没解决。

后来我开始尝试让 AI 参与数据复盘，发现一个挺有意思的变化：

AI 真正有价值的地方，并不是替我做一个漂亮的图表，而是帮我从一大堆数字里面找到“值得追问的问题”。

这篇文章就记录一下，我是怎么把这个过程做起来的。

01 我以前是怎么做数据复盘的？

先说一个我自己比较熟悉的场景。

假设我们有一家线上业务，每天都会产生订单数据。

一个月下来，大概有十几万条记录。

数据类似这样：

date        channel   product   orders   users   revenue   refund
2026-08-01  App       A         1250     32000   185000    3200
2026-08-01  Web       A         830      21000   126000    1800
2026-08-01  App       B         620      18000    92000    1100
...

最开始，我一般会把 Excel 打开，然后开始看。

先看销售额。

再看订单量。

然后看用户数。

接着看转化率。

发现某一天销售额下降了 12%。

于是继续找原因。

是不是订单量下降？

订单量没怎么下降。

是不是客单价下降？

确实下降了一点。

那是不是某个产品卖得少了？

继续筛选。

然后又发现另外一个产品销售额反而上涨。

折腾半天，可能一两个小时过去了。

最后得到一个结论：

“8 月 17 日销售额下降，主要受到 A 产品订单量下降影响。”

看起来没问题。

但这里有一个很大的问题：

如果我一开始没有想到 A 产品，我可能根本不会去看它。

这也是传统数据复盘比较麻烦的地方。

人是带着假设去看数据的。

你认为订单量重要，就先看订单量。

你认为渠道重要，就先看渠道。

你认为产品重要，就先看产品。

但真正的问题，可能藏在一个你压根没想到的维度里面。

所以我后来换了一个思路。

不再让 AI 直接回答：

“帮我分析这张表。”

而是让它做三件事：

第一，先认识数据。

第二，主动寻找异常。

第三，对异常继续拆解。

这三个动作其实非常关键。

因为 AI 如果连数据结构都没有搞清楚，就直接开始写结论，很容易出现一本正经地胡说八道。

02 第一步不是问 AI“有什么问题”，而是先把数据喂明白

这是我后来觉得特别重要的一步。

以前我会直接把数据丢给 AI，然后问：

“帮我分析一下最近的数据。”

现在基本不会这么干。

因为这句话对于 AI 来说太宽泛了。

什么叫“最近”？

什么叫“问题”？

是销售额下降算问题？

还是退款率上升算问题？

还是某个渠道表现不好算问题？

所以我现在通常会先告诉 AI 数据的基本结构。

比如：

你现在是一名数据分析助手。

下面是一份电商订单数据。

字段说明：

date：订单日期
channel：销售渠道
product：产品名称
orders：订单数量
users：访问用户数
revenue：销售收入
refund：退款金额

请先完成以下工作：

1. 检查数据是否存在缺失值
2. 检查日期是否连续
3. 检查明显异常值
4. 计算核心指标
5. 不要急着下结论
6. 先告诉我这份数据中有哪些值得进一步调查的异常

这时候 AI 的角色就变了。

它不是一个“写总结的工具”。

而更像一个帮你一起看数据的同事。

比如它可能发现：

发现 3 个值得关注的异常：

1. 8 月 17 日整体销售收入较前 7 日均值下降 18.6%
2. App 渠道订单量变化不大，但收入下降 23.4%
3. 产品 A 在 8 月 17 日订单量下降 31.2%，同时退款率明显上升

这时候就有意思了。

因为我们终于知道应该往哪里看。

而不是拿着一张表，从第一行看到最后一行。

当然，这里面真正做分析的部分，最好不要全部交给大模型。

数字计算这种事情，我还是更愿意让 Python 干。

原因非常简单。

加减乘除，让模型做什么？

Python 几行代码就解决了。

比如我们先用 pandas 读取数据：

import pandas as pd

df = pd.read_excel("orders.xlsx")

print(df.head())
print(df.info())
print(df.isnull().sum())

然后计算几个核心指标：

df["conversion_rate"] = df["orders"] / df["users"]
df["refund_rate"] = df["refund"] / df["revenue"]

summary = {
    "total_orders": df["orders"].sum(),
    "total_users": df["users"].sum(),
    "total_revenue": df["revenue"].sum(),
    "total_refund": df["refund"].sum()
}

print(summary)

接下来找异常日期。

比如我们按照日期聚合：

daily = df.groupby("date").agg({
    "orders": "sum",
    "users": "sum",
    "revenue": "sum",
    "refund": "sum"
}).reset_index()

daily["refund_rate"] = (
    daily["refund"] / daily["revenue"]
)

daily["revenue_change"] = (
    daily["revenue"].pct_change()
)

这样就可以快速找到销售额突然下降的日期：

abnormal = daily[
    daily["revenue_change"] < -0.15
]

print(abnormal)

这时候 AI 就不需要自己算十几万行数据。

我们可以把 Python 找出来的“重点数据”交给 AI。

这个思路我觉得特别实用：

Python 负责算，AI 负责解释。

03 一个完整案例：AI 最后帮我找到的，居然不是“销售下降”

下面直接拿一个完整案例来说。

假设我们有一家电商公司，8 月份一共产生了 18 万条订单记录。

老板开会的时候问了一句话：

“为什么 8 月第三周销售额突然掉了？”

以前遇到这种问题，我估计得查半天。

现在先用 Python 把每天的数据汇总出来。

分析之后发现：

8 月 17 日

销售额：438 万
前 7 日平均销售额：536 万

下降：18.3%

第一反应当然是：

销售额下降了。

继续拆。

先看订单量：

订单量：

8 月 17 日：38,420
前 7 日平均：39,180

下降：1.9%

这里突然有点奇怪了。

销售额下降 18.3%。

订单量只下降 1.9%。

那问题就很可能不是“卖不动了”。

而是：

每一单赚的钱少了。

于是继续看客单价。

daily["avg_order_value"] = (
    daily["revenue"] / daily["orders"]
)

结果：

前 7 日平均客单价：136.8 元
8 月 17 日：114.0 元

下降：16.7%

问题开始浮现了。

但这还不是最终答案。

因为客单价为什么下降？

继续拆产品。

product_daily = df.groupby(
    ["date", "product"]
).agg({
    "orders": "sum",
    "revenue": "sum",
    "refund": "sum"
}).reset_index()

product_daily["avg_price"] = (
    product_daily["revenue"] /
    product_daily["orders"]
)

然后发现：

8 月 17 日，A 产品订单量下降了 31%。

但 B 产品订单量上涨了 26%。

表面看起来只是产品结构发生了变化。

继续往下看。

A 产品原本平均订单金额大约 189 元。

B 产品平均订单金额只有 82 元。

也就是说：

虽然总订单量没怎么变，但高客单价产品被低客单价产品替代了。

这时候 AI 再介入。

我把这些关键数据交给它：

请基于以下分析结果继续判断销售额下降原因：

8月17日销售额下降18.3%

订单量下降1.9%

平均客单价下降16.7%

A产品订单量下降31%

B产品订单量上涨26%

A产品平均订单金额189元

B产品平均订单金额82元

请回答：

1. 最可能的直接原因是什么？
2. 为什么订单量没有明显下降，但销售额下降明显？
3. 下一步应该检查什么？
4. 不要猜测没有数据支持的原因。

AI 给出的分析就会比直接问“为什么销售下降”靠谱很多。

因为我们已经把它的分析范围限定住了。

最终得到的结论大概是：

8 月 17 日销售额下降的主要原因并非订单规模大幅下降，而是订单结构发生变化。高客单价 A 产品订单量明显下降，同时低客单价 B 产品订单量增加，导致整体平均订单金额下降约 16.7%，最终造成销售收入明显下降。

这时候再继续追：

为什么 A 产品订单量下降？

这才是真正值得调查的问题。

于是继续按渠道拆。

结果发现：

App：
A 产品下降 8%

Web：
A 产品下降 12%

小程序：
A 产品下降 57%

这一下就非常明显了。

问题集中在小程序。

再往下看：

小程序 A 产品：

8月16日：
访问用户 12,800
订单 1,860

8月17日：
访问用户 13,200
订单 1,010

用户没怎么下降。

订单却掉了将近一半。

这时候我们基本已经从：

“销售额下降”

一路追到了：

“小程序渠道的 A 产品转化异常。”

这个过程我觉得就是 AI 做数据复盘真正有意思的地方。

它不是直接告诉你一个答案。

而是帮你把一个非常模糊的问题，逐渐缩小成一个可以真正排查的问题。

04 真正让我觉得省时间的，是让 AI 自动生成“下一步问题”

后来我又发现一个特别有用的玩法。

以前数据复盘最累的地方其实不是算数字。

而是：

一个问题查完以后，不知道下一步查什么。

比如：

销售额下降。

查到订单量没下降。

那接下来查什么？

查客单价。

客单价下降。

接下来查什么？

查产品结构。

产品结构变化。

接下来呢？

查渠道。

渠道异常。

接下来？

查页面。

再往下？

查活动、库存、价格、支付、接口……

如果全部靠人工一点点想，其实非常消耗精力。

所以我现在会让 AI 专门干一件事：

根据当前发现，自动提出下一轮调查问题。

例如：

当前发现：

销售额下降18.3%
订单量下降1.9%
客单价下降16.7%
A产品订单量下降31%
小程序渠道A产品订单下降57%

请不要继续给我总结。

请只输出下一步最值得检查的5个问题，并按照优先级排序。

可能得到：

P0：
小程序 A 产品页面是否存在异常？

P0：
8 月 17 日 A 产品在小程序中的价格是否发生变化？

P1：
A 产品当天是否存在库存不足？

P1：
小程序当天是否存在支付失败率异常？

P2：
当天是否修改了小程序推荐位或活动配置？

你会发现，这个时候 AI 已经不是传统意义上的“数据分析工具”了。

它更像一个陪你一起排查问题的人。

而且有一个非常大的优势：

它不会因为你查了两个小时而烦。

你可以不断把新的结果塞给它。

比如：

“价格没变。”

“库存正常。”

“支付也正常。”

然后继续问：

“排除这三个因素以后，下一步查什么？”

这时候它就可以继续往下推。

当然，我还是建议保留一个原则：

AI 可以提出假设，但最终结论一定要回到数据。

比如 AI 说：

“可能是页面改版导致转化率下降。”

你不能直接写进复盘报告。

你应该再查：

8月16日页面转化率：14.5%

8月17日页面转化率：7.9%

然后再查页面有没有改动。

只有数据和事实都对得上，这个结论才成立。

05 我现在的数据复盘基本变成了这个套路

现在如果让我重新做一次数据复盘，我不会一上来就做几十张图。

我会先把问题拆开。

第一步，数据清洗。

把缺失值、重复值、异常值先处理掉。

第二步，Python 做基础统计。

把销售额、订单量、用户数、转化率、客单价等指标算出来。

第三步，寻找异常。

不要一开始就假设“问题一定是什么”。

先让数据告诉你哪里不正常。

第四步，让 AI 帮忙解释异常。

但给它的数据必须是经过处理的，而不是一股脑把原始数据扔进去。

第五步，继续追问。

发现一个问题之后，让 AI 给出下一批值得调查的问题。

然后回到数据里面验证。

整个过程其实可以总结成一句非常简单的话：

机器负责把数字算清楚，人和 AI 一起把问题问清楚。

我现在越来越觉得，AI 做数据复盘最大的价值，并不是“帮我生成一份数据分析报告”。

报告其实很好写。

真正难的是：

从 18 万行数据里面，找到那个真正值得写进报告的问题。

以前我打开 Excel，看到的是：

“18 万行数据。”

现在我更希望看到的是：

“这里有 3 个异常，可能值得查。”

然后顺着一个异常往下追。

销售额下降。

↓

不是订单量。

↓

是客单价。

↓

不是整体价格。

↓

是产品结构。

↓

不是所有渠道。

↓

是小程序。

↓

不是用户减少。

↓

是转化率突然下降。

这时候你才真正知道：

问题在哪里。

而这可能才是 AI 参与数据复盘之后，最让我觉得有价值的一点。

它没有替我做决定。

它只是让我少花很多时间，在那张巨大的表格里“找东西”。

以前是：

对着表格发愁。

现在是：

一眼看到问题，然后顺着问题往下查。

这两个状态，看起来只是工具换了。

实际上，工作方式已经完全不一样了。

最后附一个我自己比较推荐的最小化代码框架。如果你手里已经有一份 CSV 或 Excel 数据，其实完全可以从这个版本开始改：

import pandas as pd

# 1. 读取数据
df = pd.read_excel("orders.xlsx")

# 2. 数据检查
print("数据量：", len(df))
print("\n缺失值：")
print(df.isnull().sum())

# 3. 核心指标
df["conversion_rate"] = (
    df["orders"] / df["users"]
)

df["avg_order_value"] = (
    df["revenue"] / df["orders"]
)

df["refund_rate"] = (
    df["refund"] / df["revenue"]
)

# 4. 按日期汇总
daily = df.groupby("date").agg({
    "orders": "sum",
    "users": "sum",
    "revenue": "sum",
    "refund": "sum"
}).reset_index()

daily["avg_order_value"] = (
    daily["revenue"] /
    daily["orders"]
)

daily["revenue_change"] = (
    daily["revenue"].pct_change()
)

# 5. 找销售额异常下降
abnormal = daily[
    daily["revenue_change"] < -0.15
]

print("\n重点异常日期：")
print(abnormal)

# 6. 找产品异常
product = df.groupby(
    ["date", "product"]
).agg({
    "orders": "sum",
    "revenue": "sum",
    "refund": "sum"
}).reset_index()

product["avg_order_value"] = (
    product["revenue"] /
    product["orders"]
)

# 7. 输出重点数据
print("\n产品数据：")
print(product.sort_values(
    "orders",
    ascending=False
).head(20))

这段代码并不复杂。

但它已经足够搭出一个最基本的“AI 数据复盘”雏形。

后面再往上加异常检测、自动生成分析 Prompt、接入大模型、自动生成图表，甚至做成一个内部的数据复盘工具，都可以一步一步往上加。

别一开始就想着做一个特别复杂的 AI 数据分析平台。

先让 AI 帮你解决一个真实的问题。

比如：

“为什么这个月销售额突然下降？”

当它真的能帮你从十几万行数据里，把问题一步步追到具体渠道、具体产品甚至具体页面的时候，你就会发现——

AI 最有价值的地方，从来不是替你把表格“总结一下”。

而是帮你从：

“我不知道看什么。”

变成：

“我知道下一步该查什么了。”