用 AI 做数据分析时,怎么保住自己的思考力
把一份脏表丢给大模型,三分钟就能拿到「洞察」和「建议」。演示很好看,面试也能唬住人。过一阵子你会发现另一面:自己写 SQL 会愣、对指标定义说不清、复盘时只能复述模型的话。
2026 年 9 月,Benjamin Bennett Alexander 在 Medium 上写过一篇实操向短文,核心并不玄:AI 适合当补充,不适合当替身;先把数据分析的基本功练扎实,再用 AI 加深理解。折腾本身在养分析判断力,一味图方便,学到的往往是「看起来会了」的幻觉。
这篇文章不是原文搬运。下面按国内做数分、BI、增长分析的人常见场景,把「导师 / 复盘 / 基本功」拆开讲------重点是怎么用,而不是再列一堆万能提示词。

图:左侧是「尝试→卡点→要提示→复盘」循环;右侧是「一键代写」反例
真正危险的,不是用了 AI,而是跳过了侦查过程
数据分析有点像查案:证据在表里,线索要自己拼。模型可以帮你列嫌疑、解释术语、指出你漏看的字段;它不该直接替你写结案报告,再由你签字交差。
很多人把工作流做成:上传数据 →「帮我全面分析」→ 复制结论进周报。短期交付很快,长期丢的是三样东西:
- 对数据脏点的直觉(重复行、口径漂移、缺失不是「填均值」就能糊弄过去)
- 对指标定义的敏感(环比用相对还是绝对、对比期怎么切、分母是否变了)
- 把分析讲给业务方时的底气(对方一追问假设,答不上来)
所以问题不在「能不能用 AI」,而在你把它放在流程的哪一环。放在「你已经交过作业之后」当导师,通常能涨;放在「你还没想过问题之前」当代写,通常在透支。
当个性化出题官和导师,别当外包分析师
第一条也最容易落地:别一上来就把数据集塞进去,让模型「什么都分析一遍」。
更稳的用法是让它当你的出题官。你可以描述自己的水平(刚会 JOIN、会一点窗口函数、做过漏斗但没做过留存),让它按业务问题出一套从易到难的练习题:先问销售额和客单价,再问客群切分,再进时间序列、留存、看板指标,最后模拟一次给业务方的口头汇报。明确写清:不要直接给最终答案,除非我主动要。
卡在某一题时,提问方式也要改口。少说「给我正确 SQL」,多说:
- 表里出现重复订单号,可能意味着什么?我该先查哪几列?
- GROUP BY 和窗口函数这块,我大概卡在哪个概念上?
- 解释一下这个报错在说什么,先别给最终查询
差别在于:第一种把思考外包;第二种逼你把「卡点」说清楚。能说清楚卡点,其实已经分析了一半。
还有个容易忽略的习惯:在同一个业务项目上纵向加深,而不是每三天换一个新数据集。销售数据一路做到分段、趋势、留存、看板、汇报,比十个浅尝辄止的 Kaggle 样例更接近真实工作。模型适合帮你设计下一层问题,不适合帮你不断换新鲜感。
问「为什么」和「怎么想」,少问「标准答案」
把 AI 想成自动售货机,投币就出查询;更有用的角色是坐在旁边的导师。
比如你要算月环比增长。与其要一条可直接跑的 SQL,不如先要「概念路径」:分子分母怎么定、月份边界、缺失月怎么处理、业务上常踩的坑。自己写完一版,再拿去对照。
排错同理。跑挂了别直接要补丁,先问「我应该先检查什么」:过滤条件是不是提前砍掉了行、JOIN 是否放大了行数、聚合粒度是否和展示粒度一致。模型给检查清单,你动手验证------这一步练的是调试肌肉,不是提示词文采。
国内团队里常见另一种诱惑:让模型直接生成「给领导的一页纸结论」。如果结论建立在你自己没核过的查询上,那一页纸只是排版漂亮的风险。更健康的顺序是:你先有证据链,再让模型帮你压短表述、挑逻辑漏洞。
先交卷,再请「资深分析」来复盘
第三条用法对有一定基础的人特别值:分析自己做完,再请 AI 按资深分析师视角做 review------挑 SQL、方法论、假设和解读,而不是整篇重写。
你可以规定输出结构,例如:
- 哪里可能高估 / 低估了效果
- 哪些假设没写进注释
- 哪些地方用了相对比例却看起来像绝对变化
- 如果业务方追问「对比期为何选这两周」,你会怎么答
自我测验也很管用:让模型给一份(合成或脱敏)数据和一个业务问题,你独立做完,再对照它的参考路径,专门写「我漏了什么、我多做了什么、哪一步是蒙的」。对照的目的不是追求和模型一字不差,而是找到自己的盲区清单。
注意边界:review 不是让模型替你背锅。最终对业务负责的仍是人。模型可以指出「你这里把退货当收入」、也可以提示「留存定义和产品文档不一致」;采不采纳、要不要再拉数仓确认,还是你的判断。
基本功仍要从书、文档和结构化材料里来
AI 补课很快,但替代不了 SQL、清洗、统计和可视化这几块底子。原因很土:你得有能力判断模型在胡说。
举几个每天都会碰到的核对点:
- 百分比是相对变化还是绝对百分点?文案里有没有混用?
- 对比期是自然月、完整周,还是「最近 30 天」这种滑动窗口?
- 缺失记录是没发生,还是没录入?填补策略会不会制造假趋势?
- 指标口径有没有在某个版本后改过定义?(数仓里最常见的静默事故)
这些核对技能,靠刷对话练不出肌肉记忆。官方文档、一本靠谱的 SQL/统计教材、你们团队自己的指标字典,仍然该占学习时间的大头。AI 更适合在你读完一章后,用业务语言追问「这段在我们支付漏斗里怎么落地」。
如果团队已经有 OKR 口径表或指标平台,把它当成「权威层」:模型给的任何指标解释,都要能指回那份定义。对不上,先怀疑提示词和上下文,而不是先改董事会口径。
用提示词把「主动学习」嵌进循环
最后一条是工程味更重的:把交互设计成循环,而不是一次生成。
比较有效的约定包括:
- 步进导师:我先贴出尝试;你只给下一层提示,不要一次性剧透
- 逼问假设:列出我这条结论依赖的三条假设;再给一个反对该结论的替代解释
- 对抗式复盘:假设业务方不信这个 uplift,他们最可能攻击哪一环?
循环可以很朴素:尝试 → 复盘 → 调整 → 再尝试。模型的价值在加速复盘,不在取消尝试。你若发现自己连续三次对话都在说「直接给我最终版」,就是信号:流程已经滑向代写。
对带新人的同学,这条也很好用。把 AI 设成「只给提示的助教」,新人必须先交草稿才能要下一提示------成本几乎为零,却能避免新人从第一周就学会「复制粘贴分析师」的姿势。
落到日常工作流的一个最小改法
不必搞培训体系。从本周的一个真实任务开始,加四条约束就够:
- 第一稿 SQL / 清洗脚本必须自己写,禁止首条消息就上传全量并索要完整分析
- 卡住超过 20 分钟,才允许问概念和检查清单,仍不直接要最终答案
- 出结论前,自己列出指标定义、对比期、排除规则;再让模型找漏洞
- 周报复盘时留五分钟:这周哪次对话是在「要答案」,哪次是在「要思路」
两周后再回头看自己的查询和文档注释,通常能感觉到差别------不是提示词更花哨了,而是你开始能讲清「为什么这么切」。
几个国内场景里的「代写」诱惑
招聘和实习带教里,最常见的翻车是:候选人交上来一份「完美」notebook,追问「为什么这里用中位数填充」时说不清。模型当然可以生成填充代码;说不清,说明侦查过程被跳过了。
增长周报也一样。模型很会写「建议加大某渠道投放」,但若你没核过归因窗口、没看过退货和刷单规则,那条建议只是文案。更稳的做法是:你先贴三张自己拉的表(或三段 SQL),再让模型基于这些表挑叙事漏洞------上下文里没有的数,禁止它发明。
还有数仓口径评审。把「帮我解释这个指标」改成「对照我们 wiki 里的定义,指出我这条查询可能偏离的三处」。模型这时是差异检查器,不是口径发明者。团队若已有指标平台,把定义链接固定塞进 system 侧,比每次口头强调「不要编造」管用。
提示词不必花哨,约束要写死
很多人把精力花在「更像资深分析师」的人设上。人设可以有,但真正改变行为的是硬约束,例如:
- 在我贴出尝试之前,不要给出完整可运行查询
- 每次只揭示一层提示;等我回复「已尝试」再继续
- 复盘时按「假设 / 证据 / 反例」三段输出,禁止整篇重写我的分析
- 发现数据不足以支撑结论时,明确说「证据不足」,不要补全故事
这些句子不长,却能把对话从售货机扳回导师。若你用的是团队共享的 GPTs / Agent,把上述约束写进默认说明,新人进来就不容易一手滑进代写模式。
合规上也留一手:生产数据、证件号、手机号不要为了「让模型更好分析」直接上传到未评估过的第三方。练习用合成或脱敏集;真数走你们已审批的内网助手。思考力训练和数据安全,本来可以一起做。
带团队时,怎么防止「全体复制粘贴」
个人习惯改起来快,团队默认行为改起来慢。若组长自己周报都靠「一键总结」,下面很难坚持导师模式。
可以定三条很轻的规范:分享分析时必须附「我自己写的核心查询或关键透视」;code review 里加一项「假设是否写明」;新人前两周的 AI 对话默认开「只给提示」模板。不必禁止 AI,禁止的是没有草稿的最终稿。
面试题也可以跟着改:少问「你会不会用某某模型」,多问「给你一张脏表和一句含糊需求,你先做什么」。候选人若第一步就是「我先全部丢给 AI」,你至少知道他的工作流长什么样。
一个可复用的「周练习」模板
若你希望把上面几条收成固定节奏,可以用这种一周一次的小练习(两小时内能做完):
- 自选或让 AI 出一道带业务味道的题(禁止直接要答案)
- 自己写清洗与主查询,注释里写清指标定义和排除规则
- 卡住时最多要两轮「提示」,并记录自己当时的错误假设
- 交卷后请 AI 做 review:只挑问题,不重写
- 对照 review,改一版;最后用五句话向假想业务方口头讲结论
五次下来,你会留下一叠「错误假设清单」。那份清单比收藏一百条提示词更值钱------它是你的思考力痕迹。
练习集尽量用公开或合成数据。真要碰业务库,走公司规定的脱敏与助手通道,别为了图方便把导出文件丢进未评估的网页对话框。
怎么读这篇 Medium 更有用
Alexander 的原文偏学习方法,不是新模型评测。我自己读完后,比较认下面几句工程判断。
便利和学会不是一回事。输出漂亮的 notebook,证明不了你能在脏数据和含糊需求下独立推进。
「导师模式」比「代写模式」更难坚持,因为它更慢。但分析岗的护城河,本来就不是打字速度,而是在不确定里做可辩护的判断。
AI 会继续变强;你若把思考环节整段外包,模型越强,你越像一个会粘贴的接口。反过来,基本功在线的人,会把同一套模型用成加速器:出题、解释、review、对抗假设------每一环都还在练功。
侦探工作没法外包给助理写结案陈词。证据还是要自己去碰。
参考来源
- Medium:How to Use AI for Data Analysis Without Losing Thinking Skills --- Benjamin Bennett Alexander(2026-09)
文中路径与判断是二次解读,供学习方法参考;具体提示词请按自己的数据和合规要求改写。