ChatGPT 的高级数据分析、Claude 的 Analysis 工具都能直接上传 CSV 跑代码。但多数人用出来的效果是"上传文件→问一句帮我分析一下→得到一堆正确的废话"。差距不在工具，在于你把分析当成了一轮问答还是一场分阶段的协作。
一、准备数据：AI 不是数据清洗工
上传前先做三件事：
- 只给需要的列：30 列的宽表既浪费上下文又干扰判断，裁剪到与分析目标相关的列
- 自己先处理明显的脏数据：合计行、表头说明行、单位混乱的列
- 写一段数据说明：每一列的含义、单位、时间范围、已知的数据缺陷（比如"3 月数据因系统迁移缺失 5 天"）
数据说明是被严重低估的一步。AI 不知道"GMV"在你公司含不含退款，你不说，它就按自己的假设算。
二、分阶段提问，而不是一步到位
第一阶段：概览。让 AI 描述数据而不是下结论：
先不要做深入分析。请告诉我：行列数、各列类型、
缺失值分布、数值列的基本统计量，以及你发现的三个数据质量问题。
第二阶段：提假设。基于概览，和 AI 一起列出可验证的假设：
基于这份数据，我想搞清楚"复购率下降的原因"。
请列出 3 个可以用这份数据验证的假设，并说明每个假设需要看什么指标。
第三阶段：逐个验证。每个假设一轮对话，要求它给出图表和具体数字。注意追问"这个差异在统计上显著吗"，防止它把随机波动当趋势。
第四阶段：呈现。最后让它把验证过的结论整理成报告或图表代码。
三、要求可复现的代码
AI 在沙盒里跑的分析，你要拿到代码才算数：
请把刚才的分析整理成一段完整的 Python 脚本，
输入是原始 CSV，输出是所有图表和关键指标，注释写清楚每一步的目的。
有了脚本，数据更新后你可以本地重跑，结论才有延续性。这也是检验 AI 有没有"暗箱操作"的办法——脚本里的每一步你都能看到。
四、警惕三种"自信的错误"
- 因果跳跃：相关不等于因果。"优惠券使用率高的用户复购高"不代表"发券提升复购"，可能是高粘性用户本来就爱领券。AI 经常把话说满，你要追问替代解释。
- 基数幻觉："该渠道转化率提升 50%"——从 2 单涨到 3 单也是 50%。要求所有百分比结论附上绝对数。
- 静默的数据处理：它可能自作主张删了"异常值"或填了缺失值。让它显式报告"数据处理过程中做了什么取舍"。
五、一个完整的实战示例
分析一家淘宝店半年的订单数据：
- 裁剪出：订单日期、类目、金额、是否新客、渠道
- 概览阶段发现：5 月订单量腰斩 → 先确认是不是数据缺失（原来是导出漏了）
- 假设阶段：复购下降可能来自新客质量下降 / 类目结构变化 / 价格带上移
- 验证发现：新客占比稳定，但客单价 80 元以下商品的订单占比从 60% 跌到 35%——是低价引流款断货导致
- 结论落成报告，附可重跑脚本
整个流程 40 分钟，人工做同样的事要一整天。
检查清单
- 数据已裁剪、脱敏，附了字段说明
- 先概览再深入，没有一步跳到结论
- 每个结论都有图表和数字支撑
- 拿到了可复现的完整脚本
- 百分比结论都核对了绝对数
进阶：让 AI 自查结论
报告定稿前，加一轮"红队提问"：
请扮演一个挑剔的评审，审视你刚才的分析报告：
1. 哪个结论的证据最薄弱？
2. 有没有被忽略的替代解释？
3. 如果只能再验证一件事来加强这份报告，你会验证什么？
模型切换成批判视角后，往往能自己找出报告里最虚的部分。它指出的薄弱点，你要么补数据验证，要么在报告里如实降级为"待验证的推测"——诚实标注不确定性的报告，比满口确定的报告有价值得多。
小结
AI 数据分析的正确分工：你负责业务问题和结论把关，AI 负责计算、可视化和代码。分阶段提问让每一步可控，可复现脚本让结果可信。把它当成一个手很快但不懂你业务的分析实习生，指导得越细，产出越靠谱。