做采购和库存管理的同行,应该都对 ABC 分类法不陌生:把商品按销售金额/销量排个序,前面累计占比 70% 的是 A 类,再往下到 90% 是 B 类,剩下的是 C 类------一类重点管理、保供控库存,一类次重点,一类放着它低值易耗。这个方法本身不难,难的是每年、每个季度、每换一次商品结构,都要把几千行明细从头捋一遍。
以前我都是这么干的:从系统导出销售明细,Excel 里新建一列算金额合计,排序,再手动算累计占比,然后按 70/20/10 的阈值用公式判断 A/B/C,最后再按分类去汇总。几千条还好,一旦商品到了几千、上万行,公式一拖,表格就开始卡。最折磨的是这套逻辑换个月、换个品类,全要重来一遍。
今天不聊理论,就聊我最近用 AI 完整跑了一遍 ABC 分析的全过程------不是拿它玩票,是真正把一套分析流程落地跑通了。我把我每一步做了什么、踩了什么坑、最后拿到了什么,原原本本写下来,给同样被"分类+汇总"反复折磨的同行做个参考。
一、先用一句话,把"怎么做 ABC"讲给 AI 听
用 AI 做数据分析,第一步不是上传文件,而是先讲方法。我打开工作台,第一件事是"定制语义"------把 ABC 分类的完整规则用一句人话写清楚:A 类累计占比前 70%、B 类 70%--90%、C 类剩余 90%--100%,按销售金额降序排,最后按分类做汇总输出。
定制语义
这一步很多人会跳过,觉得"AI 应该懂 ABC"。但恰恰是这一步决定了后面的结果准不准。你越是把分类口径讲明白,后面出的表越贴合业务------比如你可以追加"按门店维度再分一次"、"剔除退货单才参与累计",这些业务细节全在这个语义设置里定死。
二、拖入数据,下达指令
接下来就是实际操作:把销售明细表拖进工作台,直接下指令------"对这份商品销售明细做 ABC 分类分析,输出 A/B/C 三类汇总"。不需要选任何模板、不需要写公式、不需要告诉它哪一列是金额。
拖入数据，下达指令
这里有个细节我一开始没注意:指令里最好带上有业务含义的约束,比如"按销售金额,不是按数量"、"保留商品编码和名称"。否则 AI 会根据列名自己猜,猜对了是运气,猜错了你根本不知道。
三、脚本在本地跑,结果可复查
确认完需求,它就在本地把数据跑完了。注意,它干活的不是"给你一段算好的结论",而是生成了一段可以反复查看的处理逻辑------你看到的是它到底按什么规则在分类、怎么算的累计占比、阈值取在哪,每一步都摊开给你看。
得出结果
结果展示
这一步对我这种"必须知道结果怎么来的"的人特别重要。以前用公式,Excel 里每一列我都能点开看;现在换成 AI,我同样要能看它做了什么。"可复查"不是可选项,是底线------你总得确认数据没被算错。
四、数据分析不是炫技,是把结果变成能用的东西
跑完分类,真正让我觉得"这轮用得不亏"的是后面。它不满足于给你一张分类表,而是把分析结果做成了三种能直接用于汇报的东西:数据看板、PPT 报告、Word 报告。
先说结论这件事------很多人以为用 AI 分析就是看它表演一段"智能",其实数据分析最实在的价值,是它不空耗你一分钱、不装样子,把每一步都变成你可以带走、可以继续改的东西。
看板报告示例
上面这张是数据看板的示例:A 类商品占比多少、贡献了多少销售额、各分类的分布一目了然。关键是,它不是一张截图,而是真正可交互、可编辑的数据看板。
五、PPT 和 Word 报告,图表都是可编辑的
这才是这次最打动我的地方。很多 AI 工具生成的"报告",其实就是一张写死的图片------你想改个标题、换个配色、调一下图表里的某个数字,对不起,重做。但这次数以轻舟输出的 PPT 报告和 Word 报告,里面的图表、文字、版式都是活的、可以编辑的。
PPT报告示例
word报告示例
我拿到 PPT 后,把底下的结论文字改成了我们内部的说法,图表数据字段也没动、直接能编辑------这意味着这份报告不是交付给我看一眼就完事,而是可以进我们自己的汇报体系。Word 版同理,里面的 A/B/C 汇总表格可以直接被财务拿去改口径。
这点特别重要,因为它区分了两种用法:一种是"数据分析是表演",给你张截图,好看但没用;另一种是"数据分析是生产",给你能编辑、能复用、能继续改的半成品。ABC 分析这种每个月都可能重跑一次的活,前者是浪费,后者才是价值。
六、脚本能保存,下个月直接复用
最后说下我最看重的------复用。这套 ABC 分析的逻辑,我确认跑出正确结果后,处理脚本就留在了本机。下个月、下个季度,同样的销售明细表拖进来,直接复用这套脚本,连语义设置都不用重新讲一遍。
报告设置
选择角色 输入指令
这解决了我过去最大的痛点------分析逻辑不是一次性消费,而是能沉淀下来反复用的资产。我花一次时间把口径、阈值、汇总规则讲清楚,后面每个月的重活就变成"拖数据、点运行、出结果"三件事。这才是 AI 干数据分析该有的样子:不是每次从零开始烧 token,而是把一次做对的东西,让以后每次都以最低成本复用。
七、整条流程,一张图看清楚
把上面 8 个环节串起来,完整流程是这样:先定制语义 → 拖数据下指令 → 澄清需求 → 本地跑脚本 → 出分类结果 → 脚本存本地复用。每一步都是公开可查的,每一份产出都是能编辑、能再加工的。
脚本管理
其实写到这里,我更想说的是一个朴素的判断:AI 做数据分析,真正的分水岭不在于它"多聪明",而在于它是否把结果做成"你能带走、能改、能复用"的东西。我见过太多演示------AI 给你一段漂亮的结论、一张不可编辑的图,看着炫,落到生产里一点用没有。而真正能落地的分析,应该是像数以轻舟这样:过程可复查、产出可编辑、逻辑可复用,每一步都不白烧 token。
如果你也正在被"商品 ABC 分类每次都要重做"或者类似的重复分析折磨,不妨试着把一次完整的分析流程交给 AI 跑一遍,重点看三件事:它会不会先跟你确认需求、它出的报告是不是可编辑的、这套逻辑报表下个月还能不能复用。对得起这三点,这轮的 token 就没白花。