所属等级L0 · AI 岗位应用者
课程类型场景选修
预计时长35 分钟
先修建议准备一份授权的脱敏表格
数据分析的起点不是图表，而是业务问题、指标口径和数据质量。AI 可加速清洗、计算与解释，但不应替你猜测口径或把相关性当成因果。
- 把业务问题转成可计算指标
- 识别缺失、重复和口径问题
- 区分数据现象与业务解释
核心图文
从概念到可执行判断
01
从决策倒推指标
先说清谁要根据分析做什么决定，再定义指标、时间范围、分组维度和对比基准。没有决策问题的图表只是展示。
02
分析前做数据体检
检查字段定义、单位、日期、缺失、重复、异常值和数据范围。AI 可列出异常，但是否修正必须依据业务规则。
03
先描述，后解释
先写可直接从数据证明的变化和异常，再提出可能原因。对每个原因标明需要什么新数据才能验证。
04
把分析写成行动
一页简报保留问题、口径、三条发现、不确定性和下一步行动。不用异常数字直接给个人或团队下定性结论。
区域销售下滑的误判
业务现场
AI 将某区域销售下滑解释为客户流失。
采取动作
分析者先核对发货日期与退货口径，发现主要原因是数据截止日提前，并把客户流失保留为待验证假设。
关键启示
一个漂亮解释无法补救错误口径。
关键方法卡
数据判断五步
在给建议前逐项通过：
01问题
结果要支持什么决定？
02口径
指标、范围、时间与基准是什么？
03质量
缺失、重复、异常如何处理？
04发现
数据直接支持哪些现象？
05验证
对解释还要补什么证据？
理解检查
先回答，再展开答案
01为什么先定义指标口径？
口径决定数字的含义，错误口径会让后续计算失去价值。
02数据变化能直接证明原因吗？
通常不能，变化是事实，原因往往是需要新证据的推断。
03异常值应直接删除吗？
不应。它可能是错误，也可能是真实异常，需依业务规则判断。
实践任务
把方法带回真实工作
PRIMARY
岗位实践
用一份脱敏表格回答一个业务问题，保留口径、数据体检、发现与验证建议。
所需材料
- 脱敏业务表格
- 字段与指标定义
- 一个真实决策问题
交付物
- 一页数据分析简报
- 数据质量问题清单
通过标准
- 口径与计算可复核
- 现象与原因假设已分开
- 行动建议与发现直接相关
能力证据
- 一份带数据口径的判断记录
- 至少一项被发现并处理的数据质量问题
填写模板或完成课程不等于能力达标；通过必须以真实任务、现场行为和可复核证据为依据。