先说你每天经历的痛苦
场景一：老板在群里@你，“上次那个活动的转化数据看一下，马上要。”
你心里一紧。打开后台，数据散落在三个系统里。你开始手动导出Excel，VLOOKUP半天，公式报错，等你算出结果，老板已经忘了刚才问的什么。
场景二：运营扔过来一个需求，“帮我拉一下近30天北京地区女性用户的复购率，按年龄段分一下。”
你给数分发消息，等了两小时，回复：“本周排期已满，下周一下午给。” 下周一下午，运营已经换了个方案，数据用不上了。
场景三：你辛辛苦苦自己写SQL，跑出来一看，数据对不上。你开始怀疑人生：是我left join写错了？还是埋点漏了？还是昨天有人改口径了？
这些我都经历过。直到我发现：AI不能直接帮你干活，但能让你自己干活的速度快10倍。
核心思路：别让AI替你干活，让AI教你干活
很多人用AI的思路是错的。他们想让AI直接输出结果：“帮我分析一下这批用户为什么流失了。”
AI会给你一个看起来很专业、实际上全是废话的答案：“用户流失可能因为产品体验不佳、竞品冲击、价格敏感……”
这有用吗？没用。
正确的思路是：把AI当成一个坐在你旁边的专家，你不知道怎么操作的时候，问它步骤。 而不是让它替你思考。
下面我分三个场景，把指令直接给你抄。
场景一：我不会SQL，但要取数
这是最普遍的情况。你不需要学会SQL，你只需要学会问AI。
操作：
打开任何一个可以用SQL的数据库工具（比如Hive、ClickHouse、甚至Excel里的Power Query），旁边再打开一个ChatGPT或Kimi。
假设你要的数据是：近7天，每个渠道带来的新增用户数，以及这些用户次日留存率。
你不用写SQL，你把需求扔给AI，用下面这个模板：
我有一张用户表，结构大概是： - user_id - register_time（注册时间） - channel（渠道，取值：抖音、小红书、微信、线下） - device_id 另一张是用户活跃表： - user_id - active_date 我需要算： 1. 近7天每天每个渠道的新增用户数 2. 这些新增用户的次日留存率（即注册后第二天有登录的用户比例） 请帮我写一个SQL，直接在Hive里能跑的那种。
AI会给你一段SQL。你复制到数据库工具里，点运行，等几秒钟，结果出来了。
你以为这就完了？不，关键在下一步。
你大概率会遇到报错。比如“Table not found”、“Column not exist”。这时候别慌，直接把报错信息复制给AI：
报错了：Error: Table 'user_table' not found in database 'default' 我这里的表名可能不是这个，用户表的真实表名叫「ods_user_info_di」
AI会帮你改好。来回几次，你就能跑出来。第一次可能花20分钟，第二次10分钟，第三次5分钟。
一个实战经验： 我认识一个完全没有SQL基础的运营妹子，用这个方法三天后，独立跑出了老板要的周报数据。她跟我说：“原来写SQL就像跟AI聊天，说人话就行。”
场景二：我有数据，不会分析
这是更常见的情况：数据已经在你手里了，Excel表格里几万行，你不知道怎么看。
比如你导出了上个月的订单表，字段有：订单ID、用户ID、下单时间、金额、城市、商品类型。
老板问你：“帮我看一下，哪个城市的客单价最高？哪个商品类型卖得最好？”
你的第一反应是：用数据透视表慢慢拖。拖半天，眼睛看花了，还怕拖错。
直接用AI：
把数据复制一小部分（比如前50行）粘贴到Kimi或Claude里（注意：敏感数据不要贴，可以脱敏或者只贴结构），然后问：
我有一张订单表，字段如下： - order_id - user_id - order_time - amount - city - product_type 请帮我分析： 1. 按城市汇总，计算每个城市的平均订单金额（客单价），从高到低排序 2. 按商品类型汇总，计算每个类型的总销售额，从高到低排序 我没有写代码的环境，只能手动用Excel或人工看。请告诉我具体的操作步骤，一步步来。
AI会给你类似这样的回复：
步骤1：打开Excel，选中所有数据，按Ctrl+T转为表格（方便后续操作）。 步骤2：要计算每个城市的平均金额，可以用数据透视表： - 行标签放「城市」 - 值放「金额」，汇总方式改为「平均值」 步骤3：排序：在透视表里右键点击平均值这一列，选择「降序排列」 ...
你看，AI不帮你算，但它教你每一步怎么点。你跟着做，5分钟就出结果。
进阶玩法： 如果你数据量很大，可以把CSV文件直接上传到ChatGPT Plus（Code Interpreter模式），它会自己写Python代码帮你分析，甚至直接生成图表。我试过跑10万行数据，完全没问题。
场景三：我要做决策，但数据打架
这是最头疼的情况。两个数据源对不上，运营说活动效果很好，财务说亏了，你不知道信谁。
比如上周我遇到的情况：运营那边说活动的ROI做到了3.2，财务那边算出来只有1.8。差了快一倍。
我没有拍桌子，而是把两个数据源的关键字段整理了一下，扔给AI，问：
我有两个数据来源： 来源A（运营报表）：总投入10万，总产出32万，ROI=3.2 来源B（财务数据）：总投入12万，总产出21.6万，ROI=1.8 两家都说自己的数据是对的。请帮我： 1. 列出可能导致差异的原因（至少5个） 2. 针对每个原因，告诉我应该去哪个表里查哪个字段来验证
AI给了我一堆方向，其中有一条命中要害：“可能运营只算了直接广告花费，财务把人力成本、平台技术服务费都算进去了。”
我去查了一下，还真是。运营那边忘了算平台的5%抽成和设计人力成本。加上去之后，两边数据就对上了。
这个方法的本质是： AI帮你想“还有什么可能性”。人有时候会陷入自己的逻辑里出不来，AI没有面子问题，可以帮你把各种蠢假设都列出来，你只需要去验证就行。
最后总结一下，别搞复杂了
你的目标不是成为数据分析专家，你的目标是：下次别人问你要数据的时候，你能快速给出来，而不是说“我找数分排个期”。
三个场景对应的三个动作：
-
不会取数 → 把需求写成中文，让AI写SQL，报错了再把报错贴回去。
-
有数不会看 → 贴一小部分数据给AI，让它教你点哪里、怎么拖。
-
数据打架 → 把两个数据结果给AI，让它猜可能哪里出了问题。
这些话术和指令，你直接复制过去改改就能用。
别再当那个“等数据等到黄花菜都凉了”的PM了。
AI不是来抢你饭碗的，是来给你当临时工的。你用好了，别人还在排期，你已经下班了。