## 直接说结论
AI做数据分析能信，但不能全信。它能快速算数、找规律、写代码，省下大把时间。可一旦数据脏、问题绕、结论涉及钱和命，它照样一本正经地胡说八道。关键看你把它当助手还是当替身。
## 我让AI算错过一次工资表
前年帮朋友看个小公司的工资数据，两百来行，我懒得写公式，直接丢给AI让它汇总。它三秒给了结果，看着挺像样。朋友差点就按那个数发钱了，我多嘴抽查了三行，发现它把两个同名员工合并了。销售额直接少算一个人。
那次之后我学乖了：AI给结果，我必须拿原始表手工对一遍。不是不信它，是它不知道“同名不同人”这种业务常识。数据里的坑，它踩得比我还理直气壮。
说白了，AI做数据分析像刚入职的实习生。Excel玩得溜，SQL写得快，但你得告诉它“这个字段是啥意思”“那个人已经离职了”。你不说，它就按字面意思硬算。
## 它擅长什么，不擅长什么
**它擅长的：** 写Python脚本、做数据清洗、找异常值、生成图表、解释统计概念。这些活儿规则清晰，对错好验证。你让它“把日期列格式统一”，它干得比人快十倍。
**它不擅长的：** 判断业务含义、处理模糊需求、识别数据陷阱。比如你问“为什么上个月利润跌了”，它可能给你八个统计上显著但业务上无关的变量。真正的原因，往往在数据之外——销售总监离职了，或者竞品突然降价。
我现在的做法是：让AI做第一轮探索，把可能的线索列出来。然后我自己拿着线索去问业务方。AI负责“算”，我负责“问”。分工明确，出错概率小很多。
还有个坑：AI特别爱编。你给它一个不存在的数据集，它也能给你分析出花来。所以每次我都要求它“先告诉我你看到了哪些列，列名是什么”。这一步能筛掉大半幻觉。
## 三个保命习惯
**第一，永远看原始数据。** 别只看AI总结的表格。让它把处理后的数据导出来，你自己翻前二十行和后二十行。异常值往往藏在头尾。
**第二，让它写代码而不是给答案。** 同样一个汇总，让它给Python代码，你跑一遍。代码可复现、可检查。直接要数字，你连它怎么算的都不知道。
**第三，关键结论必须交叉验证。** 用另一个工具算一遍，或者换种问法再问一次。如果两次结果差很多，说明数据或问题本身有毛病。
我现在做重要分析，基本是AI跑三遍，我抽查一遍，再让同事盲算一遍。听起来麻烦，但比事后擦屁股省事多了。
## 常见问题
**Q：AI做数据分析会编造数据吗？**
A：会，而且很常见。它可能把不存在的数值说得有零有整。避免方法是要求它只基于你提供的文件分析，并且让它先列出数据范围再动手。
**Q：那AI做的图表能直接放报告吗？**
A：能，但一定要检查坐标轴和标签。AI经常把分类变量当连续变量画，或者漏掉单位。我习惯导出后手动调一遍格式，以官方说明为准。
**Q：小公司没数据分析师，能用AI顶吗？**
A：能顶一部分。日常报表、简单趋势分析够用。但涉及预算分配、用户分层这种决策，还是得有人把关，因为AI不懂你的业务逻辑。
**Q：怎么判断AI分析得靠不靠谱？**
A：看它能不能解释每一步。如果它只说结论不说过程，大概率有问题。靠谱的回答会告诉你“我用了哪几列、怎么算的、有什么假设”。
**Q：AI和Excel哪个更准？**
A：算数层面差不多，Excel也可能公式拉错。区别在于Excel错误你能看见，AI错误藏得深。所以用AI更要多一步验证。
## 写在最后
你平时用AI处理数据踩过什么坑？或者有没有哪次它算得比你快还比你准？评论区聊聊，我挑几个典型的下次展开讲。
📚 相关专题：未分类