数据分析Skill制作全攻略！从问题定义、数据底表设计到流程拆解，手把手教你用AI工具生成高效分析方案。告别低价值同比环比，聚焦业务场景细分，掌握指标异动、用户行为等五大类问题解法。
以前总有同学问：有没有数据分析的ppt模版，现在变成了：有没有数据分析Skill。授人以鱼，不如授人以渔。今天陈老师把做Skill的方法公布出来，大家收好。
一、Skill本质是一个操作流程所以想做好Skill，先问：
1）我要解决什么问题
2）我需要用什么数据底表
3）我需要分几步操作
4）最终输出成果是什么
梳理清楚流程，直接把提示词喂给利用codex，claude code、Trae等工具，他们就能生成一个有效Skill。AI还会自动提供特征工程，模型选择，计算公式的设计建议。
说不清流程，大概率AI就算个“同比、环比”……人做的同比、环比价值低，AI做的同比、环比价值一样低，不会因为它是AI就更高贵。
二、数据分析不是一个东西，是一堆东西业务场景，分为：销售、商品管理、用户增长、物流、生产、客服、财务等等：
1）不同业务场景，使用的指标不一样
2）不同分析问题，使用的方法不一样
3）不同分析方法，计算的步骤不一样
你需要放弃做通用数据分析Skill的想法，拆分场景，定义清楚每个场景下的：数据底表+方法+计算步骤，一个个扫荡场景，才好有成果。
三、问题分类，可以参考这五个类型（背诵下来）1）指标异动类问题：趋势分析+结构分析+指标拆解，分维度对比+连环替代法用的多，一般基于销售/物流/工单底表聚合一次即可。相对容易落地。
2）用户行为类问题：需要利用RFM方法，多次聚合用户行为数据，设计底表难度较大，分类规则复杂，单独列为一类。
3）效果评估类问题：需要先制定标准，并且事前设计ABtest和事后补一个PSM，数据底表完全不一样，单独列为一类。
4）预测类问题：可以用现成的机器学习方法。机器学习本身步骤清晰，规范性强，反而是分析问题类最容易Skill化的。
5）策略优化类问题：需要先有策略目标，限制条件，经营参数等等输入，很多企业基础数据都不完整，决策流程充满领导拍脑袋，所以最难做。
以上，当你思考“数据分析”时，要具体到以上五个问题中某一个。如果连基础分析方法都不了解，先整明白到底自己要干啥。
四、流程越清晰，做Skill难度越低最典型的就是机器学习类问题，人搓代码嫌累，AI快的很，而且机器学习流程本身很清晰。
以巨复杂的PSM举例，流程包括：准备数据底表→清晰干涉变量/结果变量/前置变量→特征工程→逻辑回归建模→匹配样本，得到参照组 → 计算干涉效应→输出报告，这几步。列清楚就行。AI还会自动增补一些环节，比如特征工程建议和匹配方案建议。
反而是：该设计什么样的数据底表进行计算，是最重要的问题。虽然说AI能给些建议，但是还是得自己对业务有足够了解才行。
五、为每个Skill设计好底表，确保计算正确比如你要诊断一个电商APP的利润问题，那么：
指标：利润=GMV-退货-商品成本-平台扣点-推广费-物流费-税费
指标：GMV=访客*转化*客单价
维度：渠道=自然流+付费流
维度：自然流来源，付费流来源
维度：商品一二三级分类
维度：利润款/流量款/搭配款
全部定义好，尽量做到一张宽表里，丢给AI分析，能极大提高效率。
如果出现：口径混乱，分类缺失，这不关AI的事情。AI不能替代数据治理，口径统一，明确标准的动作，提前做好。
六、指标异动类问题有一个通用的流程一看主指标是否达标（先找标准）
二看走势是否越来越糟（检查时间趋势）
三看哪里捅了篓子（分维度找重点）
四看哪个环节不好（最后拆子指标）
不按这个顺序，很容易把问题拆的乱七八糟：
1）没有标准，光看同比环比，也不确定“好/不好”
2）不查趋势，找不到问题源头，沉溺于日波动
3）不抓重点，框框把指标拆的稀烂，看不出所以然
七、现在的AI不会提业务假设，所以要自己定假设AI能帮你算出来哪个维度差异大，但是：
1）人货场哪个是业务关心维度
2）货场之间是否存在交叉效应
3）人货之间是否存在交叉效应
4）货的旺季在哪里/生命周期有几周
这些问题得问自己，问业务，AI最多给点提示。
所以，做Skill的时候，在关键步骤后可设置：询问环节。让AI确认“是否有增补信息”“选择哪个维度深入”这样更符合实际情况。对于维度多，想多轮看数据，完全可以设置循环检查，直到用户主动停止。
八、AI也不解决业务沟通问题，自己和业务聊在用户分析，效果评估，策略优化类问题中，有大量类似场景：
1）“重度”用户的重度，到底标准是多少
2）计算用户“偏好”，每一类行为权重订多少
3）评估的指标是啥？期望效果/目标值到底多少？
4）策略目标值是啥？期望从多少做到多少？
5）业务的约束条件到底是啥？不要说“先不管”
这些都是日常工作扯皮的地方，所以建议：先把预测、指标异动的Skill做顺利了，后边再慢慢讨论这些复杂问题。毕竟AI是你的员工不是你的老师，更不是老板。最后结果仍然要“体现业务价值，解决业务问题”而不是仅仅帮我们更快搓SQL。
本文由人人都是产品经理作者【接地气的陈老师】，微信公众号：【接地气的陈老师】，原创/授权 发布于人人都是产品经理，未经许可，禁止转载。
题图来自Unsplash，基于 CC0 协议。
广盛网提示：文章来自网络，不代表本站观点。
