我把数据分析提示词模板看成一份能反复使用的分析说明书。它写给AI看，也写给同事看，还写给我下一次复盘看。模板不追求花哨，追求的是每次分析都能快速说清楚目标、数据、口径和产出。关键词需求拆解、模板核心组件、变量槽位设计、模板复用方法，这些环节拼在一起，才像一套能落地的数据分析提示词模板。
1.1 关键词需求拆解：从分析目标到提示词任务边界
我拿到一个分析需求，会把业务原话摊开，逐句找关键词。业务同事说“帮我看看最近转化为什么掉了”，这句话里有对象、有时间、有指标，也有隐含的决策用途。我会把“最近”拆成明确时间范围，把“转化”拆成可计算的转化率口径，把“为什么掉了”拆成对比基期、拆解维度、排查范围和输出建议。关键词不是越多越好，任务边界才是提示词的第一道护栏。
从AI执行的角度看，需求拆解还要写成可检查的任务边界。我会告诉AI“你要分析什么、不分析什么、遇到缺数怎么处理、输出几层结论”。比如只做店铺整体转化率诊断，不做商品详情页改版建议；只基于给定数据表，不自行补造行业均值。这样的边界让提示词更像一份工作单，AI不容易跑到别处。
我也会让业务同事复述一遍拆解结果。对方点头，我才把关键词写进模板槽位。这个动作看起来慢，实际能省掉后面反复返工的时间。做数据分析提示词模板，需求拆解这一步做扎实，后面的结构设计和复用方法才有基础。
1.2 模板核心组件：角色、上下文、数据说明、指令、输出格式与约束
我写模板时会把角色写得克制，不写“你是顶级专家”这种空话。角色栏更像岗位说明：你是一名数据分析师，熟悉电商漏斗和经营报表，回答时优先给可执行步骤。上下文栏写业务背景、分析目的、使用对象。数据说明栏写清表名、字段、粒度、时间范围、缺失情况和已知异常。指令栏用动词开头，写“计算、对比、拆解、排序、给出建议”。输出格式与约束栏写清表格列名、结论层级、禁止编造、口径不一致要标注。
这几个组件里，我最看重数据说明和约束。角色能定语气，上下文能定方向，数据说明决定分析能不能落地，约束决定结果能不能信。模板里我会留一句“数据未覆盖的结论请标注为待验证”，这句话能挡住不少数据幻觉。
从复核角度看，模板核心组件还要方便别人检查。同事拿到模板，能快速看出用了哪些字段、算了哪些指标、输出了哪些结论。组件写全，数据分析提示词模板才具备复用条件。
1.3 变量槽位设计：指标、维度、时间范围、口径与数据质量要求
变量槽位设计像做填空题。指标槽位写{核心指标}、{辅助指标}，维度槽位写{分析维度}、{分组维度}，时间范围槽位写{对比周期}、{观察窗口}，口径槽位写{指标定义}、{过滤条件}，数据质量槽位写{缺失处理}、{异常值规则}。槽位不是摆设，每个槽位都要有填写说明和示例值。模板给新人用，新人照着示例也能填出可执行版本。
我常把口径槽位单独拉出来检查。转化率是按人数算还是按次数算，活跃用户是登录算还是下单算，退款订单计入哪一天，这些细节不写清，AI算出来的数就会飘。数据质量要求也要写进槽位，比如“缺失率高于10%的字段不进入主结论”“异常值按业务规则标记，不直接删除”。
从模板维护者角度看，槽位设计要留弹性。不同业务线可以替换维度值，指标口径可以按行业调整，时间范围可以按分析节奏变化。槽位稳定，模板复用才稳。
1.4 常用模板类型：描述统计、趋势对比、归因诊断、预测评估与可视化解读
描述统计模板适合做数据体检。我会让AI输出样本量、缺失率、均值中位数、分布区间、异常记录，再给一段业务可读的摘要。趋势对比模板适合看周期变化。提示词里写清对比基期、对比维度、波动阈值，让AI先给趋势事实，再给可能影响因素。归因诊断模板适合指标波动排查。我会要求AI按维度拆贡献度，列候选原因，标出需要人工核验的数据点。
预测评估模板和可视化解读模板也常用。预测评估模板写清预测目标、训练窗口、评估指标、误差解释和适用边界。可视化解读模板写清图表类型、横纵轴、筛选条件、读图结论和行动提示。模板类型不需要一次写很多，挑团队高频场景打磨透，复用价值更高。
我自己的习惯是给每类模板配一张“输入输出对照卡”。左边写需要哪些数据，右边写会产出哪些结论。对照卡清楚，数据分析提示词模板就能从个人经验变成团队资产。
1.5 模板复用与版本管理：参数化、片段库、评估清单与迭代记录
模板复用靠参数化。业务线、时间范围、指标口径、维度组合、输出深度都做成可替换参数，基础骨架不动。片段库放常用模块，比如数据质量说明、口径校验句、结论分级句、风险提示句。写新模板时从片段库拼装，比每次从空白页开始快很多。评估清单放复用前检查项，比如字段是否齐全、口径是否唯一、输出是否可执行、敏感信息是否脱敏。
版本管理我会做得轻一点，但不能没有。每次改动记版本号、改动点、适用场景、已知限制。迭代记录写清哪次分析暴露了问题，哪次业务反馈推动了修改。模板文件里保留旧版本入口，方便回看。团队共用模板时，我会指定维护人，避免多人随手改出多个分支。
从使用者角度看，复用不是原样复制。模板给的是骨架，填槽时还要贴合业务。参数化、片段库、评估清单、迭代记录四件事做好，数据分析提示词模板的复用方法才算跑通。
1.6 模板质量评估：准确性、可执行性、可解释性、鲁棒性与合规性
我评估模板质量会看准确性。指标定义是否清楚，计算逻辑是否可复核，数据来源是否标注，结论是否有数据支撑。可执行性看指令是否具体，输出格式是否稳定，拿到结果的人能不能直接行动。可解释性看结论有没有分层，关键判断有没有依据，口径差异有没有说明。
鲁棒性看模板遇到脏数据、缺字段、口径变化时能不能稳住。我会用几组边界数据测试，观察AI是否乱补数、是否混淆指标、是否跳过约束。合规性看权限、隐私、审计留痕。敏感字段是否脱敏，数据使用范围是否写明，输出是否保留人工复核入口。合规这条线不能靠口头提醒，要写进模板约束。
质量评估不是一次性动作。每次项目复盘，我会把新发现的问题补进评估清单，把验证有效的写法沉淀成片段。模板质量评估做得细，数据分析提示词模板才敢交给团队反复用。
我平时攒提示词案例有个习惯，不按“模板类型”分类，按“业务场景”归档。因为模板是骨架，案例才是血肉。团队新人问我该从哪学，我直接扔他三个案例：一个看数据里有什么，一个看用户怎么走，一个看经营指标为什么动。这三个场景跑通了，再往其他业务搬就有手感。这一章我想把这些案例拆开聊，顺带说说我是怎么从单个案例扩到一堆场景的，还有翻车的时候怎么收拾。
2.1 案例选取框架：业务问题、数据条件、分析产出与提示词链路
我挑案例只看四件事。业务问题得真，最好是从周会里捡来的原话，比如“这周新用户次日留存掉得厉害，帮我看看哪出了问题”。数据条件得够，手上得有几张能用的表，字段粒度对得上，时间范围覆盖得住。分析产出得能用，不能给一堆描述性统计就完事，最好直接能给运营同学下一步动作。提示词链路得顺，从探索到诊断再到建议，每一段提示词都有明确的输入输出，不是一锤子买卖。
拿留存下滑这个需求举例。我的提示词链路这样铺：第一段让AI做探索性分析，看留存分渠道、分版本、分机型有没有明显分层；第二段做异常检测，找出哪几个维度组合的留存率偏离大盘；第三段做根因定位，让AI把候选原因按可验证程度排序，标注哪些需要查埋点、哪些需要问产品。三段提示词连起来用，比一段大而全的提示词靠谱得多。
我也用这四件事反向筛案例。业务问题太虚的不要，数据条件撑不住的不要，产出落不了地的不要。链路长度也要控制，三段以内最好，太长的话AI记不住上下文，人追踪起来也累。框架不是用来框死自己的，是用来快速判断一个案例值不值得花时间拆解。
2.2 数据分析AI提示词案例：探索性分析、异常检测与根因定位
先说探索性分析这个案例。我常给AI的提示词是这样的：你拿到一张用户订单明细表，字段有用户ID、下单时间、订单金额、渠道、省份、设备类型，先帮我做数据体检，输出行数、字段缺失率、金额分布的分位数、渠道占比、时间范围，再标出三个你认为是异常的数据点。这段提示词的关键是“先体检再标点”，不急着下结论。AI输出之后我会自己扫一眼，看它标的异常点是不是真的异常，有时候它把大额团购订单当异常，其实是正常业务。
异常检测的提示词我会加约束。比如告诉AI“以过去四周同期均值为基准，偏离两个标准差以上标记为异常，异常点要给出维度组合和时间点，不要直接解释原因”。这个“不要直接解释原因”是我踩坑踩出来的。早期我让AI顺手给原因，它张口就来“可能是竞品活动导致”，听着头头是道，一查全是编的。把解释权收回到根因定位那一段，异常检测只负责找点，链条就清楚多了。
根因定位那段提示词最长。我会把异常检测的结果喂进去，让AI按渠道、版本、机型、省份逐层拆解，算每个维度组合对整体留存下滑的贡献度，列一个候选原因清单，每个原因标注“需要什么数据验证”。提示词里我会写一句“贡献度低于5%的维度组合不进入主结论”，防止AI把噪音当信号。有一次它真找出一个机型维度的贡献度到了18%，运营一查是那个机型当天推了个强制更新，用户更新完卡在登录页。这案例后来被我们收进片段库，当根因定位的样板。
2.3 数据分析AI提示词案例：用户分群、漏斗分析与运营策略
用户分群这个案例，我一般从RFM或者行为标签切入。提示词写清楚：基于用户近90天的下单次数、最近一次下单间隔、累计消费金额，把用户分成高价值活跃、高价值沉睡、低价值活跃、低价值沉睡四群，输出每群的人数、占比、平均客单价、平均下单间隔，再给每群一句运营建议。这里有个细节，分群阈值得写死，不能留给AI自由发挥。我写“下单次数大于等于3为高频，间隔小于30天为近期活跃，金额取中位数以上为高价值”，阈值固定，AI分出来的群才可比。
漏斗分析案例我会拆得更细。提示词里先定义漏斗步骤：曝光、点击、详情页浏览、加购、下单、支付，每一步的转化率怎么算，分母用人数还是次数，时间窗口是当天还是7天。AI拿到这些定义之后，让它输出各步骤转化率、环比变化、分渠道的漏斗对比，再标出流失最严重的步骤。我印象很深的一次，AI指出加购到下单这一步流失突然加大，分渠道一看是某个信息流渠道进来的用户加购后弃单率高，后来查出来是优惠券门槛在详情页没写清楚。这个洞察就是漏斗拆解加维度下钻给逼出来的。
运营策略那段提示词，我倾向于让AI给选项不给答案。提示词写“针对上面识别出的问题人群和流失节点，给出三套运营动作方案，每套方案写清目标人群、触达渠道、预期效果、所需资源、风险点，不做最终推荐”。让业务方拿方案去讨论，比让AI拍板一个“最佳策略”靠谱。AI给方案的时候偶尔会冒出“发push召回”这种大路货，我会在提示词里加一句“避免通用型建议，结合前面漏斗分析的具体流失节点给动作”，逼它贴着数据说话。
2.4 数据分析AI提示词案例：经营报表解读、指标波动归因与决策建议
经营报表解读的案例，我一般是月初跑。提示词里我把周报或月报的数据表贴进去，让AI按“整体表现、分业务线表现、异常指标、下月关注点”四块输出解读。整体表现看营收、成本、毛利、用户数的同环比；分业务线看各条线的贡献度和增速；异常指标让AI挑三个偏离最大的；下月关注点让它结合异常指标给方向。这段提示词的重点是“先事实后判断”，我会明确写“描述事实时只引用表内数据，做判断时标注依据”。
指标波动归因的案例，我拿一个真实场景说过很多次。某月毛利率掉了两个点，我让AI做归因，提示词里给三张表：收入明细、成本明细、业务线映射表。让AI先拆毛利率变动的量价因素，再拆业务线结构变化的影响，最后拆单个业务线内部的成本项变化。AI输出之后我发现它把某条业务线的收入下滑归到了“价格因素”，一查其实是那条线把低毛利产品打包卖了，量上去了价下来了，属于结构因素。这个错给我提了醒，归因提示词里得把“量、价、结构”的拆解逻辑写清楚，不能只给AI一个“归因”的大词。
决策建议那段我是这么写的：基于上面的归因结果，给三条决策建议，每条建议写清“针对哪个指标、动作是什么、预期影响多大、验证周期多长、需要谁配合”。AI有时候会给“加强成本管控”这种空话，我会在提示词里加约束“每条建议必须能对应到具体业务线和具体动作，不能出现‘加强’‘优化’‘提升’这类动词”。约束越具体，AI给的活越像人话。
2.5 案例扩展方法：从单场景模板到多场景组合与行业迁移
案例扩展我走两条路。一条是场景组合，把单场景模板拼起来用。探索性分析加异常检测加根因定位，这是一条链路；用户分群加漏斗分析加运营策略，这是另一条链路；报表解读加波动归因加决策建议，这是第三条。三条链路覆盖了大多数日常分析需求。链路之间还能交叉，比如漏斗分析发现某渠道流失严重，接根因定位查渠道质量，再接运营策略给渠道优化动作。组合的时候注意提示词之间的衔接，上一段的输出格式要能直接喂给下一段，别让中间人手动整理。
另一条路是行业迁移。电商的漏斗分析模板，把“加购”换成“留资”、“下单”换成“到店”，就能迁到本地生活；把“支付”换成“授信申请”，就能迁到金融。迁移的时候改的是业务名词和维度值，骨架不动。我做迁移会先跑一遍原行业的数据验证模板逻辑没坏，再换新行业数据填槽。有些行业有特殊口径，比如金融的逾期天数定义、本地生活的核销周期，这些得在迁移时补进口径槽位，不能想当然。
我也试过跨行业硬搬，翻过车。拿电商的RFM分群直接套SaaS用户，把“下单次数”当“登录次数”用，分出来的群完全没意义。SaaS用户看的是功能使用深度和席位活跃度，RFM那套金额频率逻辑对不上。这事让我明白迁移不是换名词，是把业务逻辑重新过一遍。现在我做迁移会先画一张“业务动作对照表”，左边写原行业的关键动作，右边写新行业的对应动作，对不上的地方单独处理。
2.6 常见失败模式与优化：歧义指令、数据幻觉、口径漂移与结果复核
歧义指令是最常见的翻车点。我写过一句“帮我分析一下用户活跃情况”，AI给我回了一大段日活月活趋势，全是我已经知道的。问题出在“分析”这个词太宽，AI只能猜。后来我改成“计算近30天日活、周活、月活，对比上月同期，按渠道拆解，标出波动超过10%的渠道”，输出立刻聚焦了。提示词里的动词要具体到“计算、对比、拆解、排序、标注”，别用“分析、看看、研究”这种模糊词。
数据幻觉我也碰过不少。有一次让AI解读一份没有省份字段的报表，它愣是编了一段“华东地区表现突出”的结论。这种就是典型的无中生有。我的应对是在提示词里加硬约束：“只使用提供的字段和数据，缺失字段相关结论标注为‘数据未覆盖’，禁止推测。”另外我会让AI在输出末尾单列一段“数据局限说明”，把它没把握的地方主动说出来。这招比事后人工排查省事。
口径漂移这个问题更隐蔽。同一个“活跃用户”指标，产品团队按登录算，运营团队按下单算，AI拿到两份数据混着用，结论就拧了。我的办法是在提示词里把口径写死，并且要求AI“每次引用指标时附带口径说明”。如果一份提示词里涉及多个口径，让AI在输出开头先列一张“指标口径对照表”。这张表看起来多余，实际上是给后面复核的人留的路标。
结果复核我坚持两条。第一条，关键数字必须能追溯，AI给的每个汇总数我抽一两个用原始数据手算对一遍。第二条，结论分级，我在提示词里要求AI把结论分成“数据直接支撑”“数据间接推断”“待验证假设”三档。这个分级一写，AI自己就会收敛，不敢把推断当事实说。
2.7 落地治理：权限隐私、审计留痕、人工复核与效果度量
权限隐私这条线我从提示词源头卡。贴数据进提示词之前，手机号、身份证、详细地址这些字段先脱敏，用户ID换成哈希值。提示词里我会写一句“以下数据已脱敏，分析过程中不得尝试还原或关联外部数据”。有些场景确实需要原始ID做关联，那就把关联动作放在本地脚本里跑完，只把聚合结果喂给AI。这个习惯救过我一次，有回差点把一张带手机号的明细表直接贴进对话框，手滑之前看了一眼提示词模板里的脱敏清单，刹住了。
审计留痕我做得比较简单。每份正式用的提示词存一个版本，文件名带日期和用途，比如“20240612_留存归因_周会版”。AI的输出结果导出成文档，跟提示词放同一个文件夹。这样做的好处是过两个月有人问“当时那个结论怎么来的”，我能把提示词和输出一起翻出来。团队共用的话，我会在共享盘里建一个“提示词案例库”，按业务场景分文件夹，每个案例放提示词、输入数据样例、输出结果、复盘备注。库不用大，关键案例收全就行。
人工复核我设了一道硬门槛。凡是进汇报材料或者驱动业务动作的AI分析结论，必须有一个不参与分析的同事做交叉复核。复核清单不长：口径对不对、数据范围对不对、关键数字抽算对不对、结论分级合不合理。复核人签字之后结论才能往外走。这道门槛有时候显得慢，但比起结论错了回头返工，慢一点值。
效果度量我盯三个数：提示词一次通过率、人工修正比例、分析结论采纳率。一次通过率看提示词写得清不清楚，修正比例看AI输出靠不靠谱，采纳率看分析有没有真帮到业务。三个数每月看一次，哪个掉了就回头查对应的案例。这套度量不复杂，贵在坚持记录。数据分析AI提示词这事，案例拆得细、治理跟得上，才敢往更多场景铺。
