AI 一分钟教学｜2026/09/14：用 Data agent 查业绩前，先写「指针／期间／分群／先不要行动」四格分析卡｜文章

ChatGPT Work Data agent 可以直接查企业数据、追变化原因与创建 Dashboard，但自然语言问得快，也更容易把不同定义、不同期间或不同客群混成一个漂亮答案。今天只学一个方法：开始分析前先写四格——「我要看的指针怎么定义、跟哪个期间比较、要拆哪些分群、先不要替我采取行动」。例如不要只问「为什么业绩下降」，而是先固定 Revenue 定义、比较本月与上月，再拆地区与新旧客户。先把问题定义好，AI 才不会替你把模糊问题分析得很精确。

Data agent 最容易让人产生一个错觉：

只要直接问问题，AI 就会自己找到正确答案。

例如：

「为什么这个月业绩变差？」

看起来很合理。

但这句话其实藏了很多没有说清楚的东西。

什么叫：

业绩？

这个月：

和哪一个月比？

全部客户一起看？

还是：

新客户。

旧客户。

地区。

商品。

通路。

分开看？

最后找到可能原因后：

只是整理给你看？

还是：

可以直接通知团队。

改 Campaign。

创建 Follow-up？

如果这些没有先说：

AI 仍然可能做出：

非常完整的分析。

问题只是：

它回答的可能不是你真正想问的问题。

所以今天只学一个方法。

在用 Data agent 分析以前：

先写一张：

四格分析卡。

四格只有：

指针。

期间。

分群。

先不要行动。

第一格：先定义「你到底在看哪一个数字」

假设你问：

「为什么 Revenue 掉了？」

第一个问题不是：

为什么？

而是：

你公司的 Revenue 到底怎么算？

可能是：

订单创建金额。

付款完成金额。

扣退款前。

扣退款后。

含税。

未税。

会计认列收入。

不同公司：

可以完全不同。

如果没有先固定 Definition：

AI 很可能使用：

它找到的某个合理字段。

但那个字段：

不一定是公司正式 KPI。

同一个「营收」，甚至不同部门可能说的是不同东西

Sales：

可能看：

签约金额。

Finance：

看：

认列收入。

E-commerce：

看：

Completed Order。

Marketing：

看：

Campaign Attribution Revenue。

四个数字：

可能都叫：

Revenue。

所以分析以前：

最好直接指定：

「Revenue 请使用公司正式 Semantic Layer 里的 Net Revenue Definition。」

如果公司没有 Semantic Layer：

至少说清楚：

要用哪份：

Dashboard。

Report。

Spreadsheet。

作为定义来源。

Data agent 本身就支持 Business Definition

这也是今天这个工具特别值得看的地方。

OpenAI 对 Data agent 的设计：

不是只让 AI：

看到一堆 Table。

它还可以使用：

企业本身的：

Metric Definition。

Custom Calculation。

数据关系。

以及：

Semantic Layer。

意思是：

公司如果已经把：

「什么叫 Active Customer？」

「什么叫 Churn？」

「什么叫 Qualified Lead？」

定义清楚：

AI 可以沿用。

但前提仍然是：

你知道：

这次应该用哪一个定义。

所以第一格可以很短

例如：

指针：Net Revenue，依 Finance 正式定义，扣除 Refund。

或：

指针：Customer Retention，使用公司既有 Retention Dashboard Definition。

不用写一大篇。

只要：

把模糊名词变成：

可以验证的名词。

第二格：和哪一段时间比较？

很多错误分析：

其实不是数字算错。

而是：

比较方式有问题。

例如你看到：

这周营收：

比上周低。

AI可能说：

下降。

但上周刚好：

有大型促销。

那这个比较：

本来就不公平。

又例如：

星期一到星期三：

拿去和：

上周完整七天相比。

数字一定很难看。

所以第二格只问：你到底要和谁比？

例如：

本月 vs 上月。

本季 vs 上季。

今年 9 月 vs 去年 9 月。

最近七天 vs 前七天。

活动期间 vs 同长度 Base Period。

不同问题：

需要不同比较方式。

不要只说：

「最近。」

或：

「之前。」

季节性产业更要小心

例如：

月饼。

旅游。

开学用品。

冷气。

年菜。

你拿：

9 月。

和：

8 月。

比较：

可能得到很大的变化。

但真正合理的基准：

可能是：

去年同期。

因为：

季节本来就不同。

AI 不一定知道：

你这个生意的季节性。

所以期间：

不要让它完全自己猜。

第三格：要拆哪些分群？

假设：

Revenue 的确下降 10%。

这个 Total：

本身还没有太多行动价值。

真正要问：

是哪里掉？

例如：

台北掉。

台南没掉。

或者：

新客户没掉。

旧客户掉。

或者：

实体店没掉。

Online 掉。

或者：

A Product 没问题。

B Product 掉很多。

这就是：

Segment。

分群是把「整体问题」变成「可以处理的问题」

一句：

「营收下降。」

很难行动。

但如果变成：

「营收下降主要集中在南区既有客户的 B 产品。」

下一步：

就清楚很多。

可以再查：

价格？

库存？

配送？

竞争？

客服？

产品问题？

所以 Data agent 的价值：

不只是告诉你：

Total Changed。

而是：

一路往下拆。

但也不要一开始拆 30 个维度

如果你一开始就叫 AI：

按：

地区。

年龄。

产品。

通路。

会员等级。

性别。

活动。

业务。

付款方式。

设备。

全部交叉分析。

很容易得到：

一大堆：

看起来很有洞察。

但其实只是：

随机波动的小群体。

所以第一次：

先选：

两到三个最可能有意义的 Segment。

例如：

Region。

Customer Type。

Product Line。

够了。

第四格：先不要行动

这格很容易被忽略。

Data agent 不只是：

可以分析。

它未来还可能：

把 Finding：

送进 Slack。

Email。

或透过已连接工具：

运行经批准的 Action。

这是优点。

但第一次分析时：

不要让：

Finding

直接变成：

Action。

因为「可能原因」还不是「已证明原因」

例如 AI 分析：

发现：

Retention 下降。

同时：

Support Ticket 增加。

于是提出：

「客服问题可能影响留存。」

这是一个：

Hypothesis。

不是：

已证明因果。

如果下一步直接：

通知整个客服部：

「你们造成客户流失。」

那就太快了。

所以第四格可以直接写：

「这一轮只分析与提出下一个验证，不要传消息、改数据或运行任何外部 Action。」

这一句：

非常有用。

整张四格卡可以直接长这样

假设你今天想知道：

为什么这个月续约率下降。

可以直接写：

请分析本月 Customer Retention 的变化。

【指针】
使用公司正式 Semantic Layer 中的 Customer Retention 定义。
不要自行改用其他相似指针。

【期间】
比较本月至今，与上月相同天数。
如果有明显季节性，再补充去年同期作为第二组比较。

【分群】
先拆：
1. Region
2. New vs Existing Customer
3. Product Line

先不要自行扩充其他分群，除非你先说明理由。

【先不要行动】
这一轮只做分析。
不要寄 Email、发 Slack、修改 Dashboard Source、创建 Campaign 或运行任何外部 Action。

请先告诉我：
- 使用了哪些数据源
- 使用的指针定义
- 最主要的变化集中在哪里
- 哪些是已确认事实
- 哪些只是可能原因
- 下一步最值得验证什么

这就是：

四格分析卡。

为什么不是直接问：「为什么留存下降？」

因为：

「为什么」是一个很大的问题。

AI 可能需要自己决定：

Metric。

Period。

Comparison。

Segment。

Source。

如果五个地方：

每个都自己猜一次。

最后即使分析很漂亮：

你也很难知道：

错误到底从哪里开始。

先定义四格，其实是在降低 Investigation Space

Data agent 很强的一点是：

可以：

一路 Drill Down。

问 Follow-up。

比较群体。

查看 Evidence。

但：

能查很多。

不代表：

第一轮应该什么都查。

越少的：

明确假设。

越容易：

验证。

这和一般 AI Agent 一样。

不是：

能力越强。

Prompt 就越模糊。

反而更需要：

清楚目标。

第一次结果出来后，再往下追

例如 AI 回报：

Retention 下降：

主要集中在：

Existing Customer。

东区。

某一个 Product Line。

这时：

才开始第二轮。

问：

这群客户最近：

Support Ticket 有没有增加？

Price 有没有改？

Delivery Time 有没有拉长？

Product Version 有没有改？

每一步：

都从上一个 Evidence：

往下走。

这就叫：

Investigation。

不是：

一次要求 AI：

「帮我找到真正原因。」

Data agent 可以在同一段 Conversation 里持续追

这个设计非常适合这种工作。

第一轮：

找到：

哪里变了。

第二轮：

拆 Segment。

第三轮：

查可能 Driver。

第四轮：

比较 Evidence。

最后：

才形成：

比较可信的 Finding。

不需要：

每问一次。

重新做一份 Report。

但每一轮都要留意 Definition 有没有偷偷改掉

例如：

第一轮：

你看的是：

Net Revenue。

第二轮 AI 为了补充数据：

突然引用：

Gross Sales。

如果没有注意：

两个 Chart：

看起来可以放在一起。

其实：

不是同一个东西。

所以 OpenAI 自己的使用指南也特别提醒：

用户要确认：

Source。

Time Period。

Filter。

Metric Definition。

这四项：

和今天这张分析卡：

其实非常接近。

如果 AI 的结果和公司原本 Dashboard 不一样，先不要问谁对

先比：

Definition。

例如：

Data agent：

Retention 82%。

正式 Dashboard：

78%。

不要立刻说：

AI 算错。

也不要立刻说：

旧 Dashboard 错。

先问：

两边使用：

同一个 Metric Definition 吗？

同一个 Period 吗？

同一个 Filter 吗？

同一个 Customer Population 吗？

很多「数字不一致」：

最后只是：

条件不一样。

这也是为什么 Source 很重要

Data agent 能连：

Data Warehouse。

Drive。

SharePoint。

BI。

数据很多。

但：

数据多：

不等于：

每一份都同样正式。

可能有：

草稿 Spreadsheet。

正式 Finance Report。

旧 Dashboard。

新版 Dashboard。

测试数据。

所以企业如果有：

Source of Truth：

最好明确告诉 AI：

优先使用哪个。

小公司也可以用同一个方法

不一定要有：

Snowflake。

BigQuery。

Data Team。

才可以理解这个技巧。

假设你只有：

Google Sheets。

也一样。

不要问：

「最近 Facebook 表现怎样？」

可以改成：

指针：

Website Click。

期间：

最近七天 vs 前七天。

分群：

贴文类型＋是否真人出镜。

先不要行动：

不要直接改广告或调度。

先：

整理事实。

再：

提出可能原因。

一样成立。

这和 8 月我们做 Meta AI 教学的差别在哪？

当时教的是：

看到 AI 分析后：

把结果分成：

事实。

推测。

下一个测试。

那是在：

分析完成之后

避免把相关性：

误认成因果。

今天教的则是在：

分析开始之前

先固定：

指针。

期间。

分群。

行动边界。

两个方法：

刚好可以接在一起。

完整流程其实只有六步

第一：

写四格分析卡。

第二：

让 Data agent 找数据。

第三：

确认 Definition、Period、Filter、Source。

第四：

找出变化最大的 Segment。

第五：

把结果分：

Fact／Hypothesis。

第六：

决定下一个验证。

这时才考虑：

要不要：

通知人。

做 Dashboard。

改 Campaign。

调整 Workflow。

不要让 Dashboard 的精致程度骗到你

Data agent 可以：

快速创建：

漂亮。

可交互。

可分享。

的 Dashboard。

但图表越漂亮：

人越容易：

相信它。

这其实也是风险。

Chart：

只是：

一种呈现方式。

真正应该先确认：

数字：

怎么算？

数据：

从哪里来？

比较：

公平吗？

Sample：

够吗？

原因：

真的有证据吗？

Dashboard：

最后才是包装。

如果只是做内部探索，可以快一点

例如：

想找：

哪个 Product 最近值得注意。

先让 AI：

快速探索。

没关系。

但如果结果要：

进：

董事会。

正式财报。

人事决策。

价格调整。

客户承诺。

就要：

提高 Verification Level。

同一个 Data agent：

可以用在：

不同风险层级。

不能全部用：

同一套 Review。

「先不要行动」不是要把 Agent 变笨

有些人会想：

既然 Data agent 可以：

Analysis → Action。

为什么还要故意停？

因为：

第一次找原因：

最有价值的不是：

快。

而是：

确定方向没有错。

等某个分析：

已经跑了十次。

Definition 稳定。

Dashboard 稳定。

Action 也有明确规则。

再考虑：

把低风险下一步：

接起来。

这才是：

Workflow Automation。

例如每周营运报告可以逐步自动化

第一周：

AI 分析。

人全部 Review。

第二阶段：

固定四格。

固定 Dashboard。

人看 Exception。

第三阶段：

如果某个指针：

超过已定 Threshold。

才准备：

Slack Draft。

但不送。

再成熟：

才考虑：

经批准后自动通知。

这比：

第一天就说：

「每周帮我分析完自动通知所有人。」

安全很多。

这也是 AI 工作流程诊断真正值得看的地方

很多人以为：

工作流程诊断就是：

找：

「哪一个工作可以全部自动化？」

其实更实际的是：

先找：

哪一步：

重复。

规则清楚。

数据源明确。

做错可以验证。

然后：

只把那一段：

先交给 AI。

Data Analysis：

也是一样。

先自动：

取数。

比较。

分群。

整理 Evidence。

再把：

原因判断。

商业决策。

真正 Action。

留给人。

如果公司每周都在重复做同一份分析，就更值得拆

例如：

每周一：

行政导出数据。

Analyst 清理。

业务主管问原因。

Analyst 再切 Segment。

重新画图。

再寄给团队。

如果每周流程：

几乎相同。

真正可以先交给 AI 的：

可能不是：

「替主管做决策。」

而是：

前面：

找数据。

跑固定比较。

找异常 Segment。

更新 Dashboard。

整理待确认问题。

人只处理：

这次哪一个变化真的值得行动。

所以今天不要先学十个 Data agent 指令

只记住四格：

指针

这个数字到底怎么算？

期间

到底和哪一段时间比？

分群

要拆哪几个真正有意义的群体？

先不要行动

第一轮只分析。

不要直接把可能原因：

变成真正商业动作。

把这四格写清楚：

你其实已经先完成：

一半的分析品质控制。

因为最危险的不是：

AI 不会算。

而是：

它把一个模糊问题，算得非常精确。

如果你也想知道自己的工作里，哪一步最适合先交给 AI，留言「流程」，我可以先帮你看看从哪一步开始。

今天，和 AI 一起进步一点。

每天学会一个 AI 技巧。

每天节省一点时间。

每天提升一点能力。

SasaDaily，陪你一起成长。