AI 做数据分析:表格、SQL 与图表
本篇要点:你能让 AI 帮你出数、出图,并且能用三道关确认这个数是对的。 前置文章:《知识库与文档:让 AI 读懂你的资料》处理的是"资料读不读得懂",这一章处理"数算不算得对",验收方式从抽样阅读换成了对数。
一、为什么需要它
2026 年 3 月,一份周报里的数字被老板当场问住了。周报写"本周新增注册 3218 人"。
老板问:"上周多少?"答:"4102。"
"降了 22%,什么原因?"运营同学说了一堆,最后发现原因很简单:上周的数字把测试账号算进去了,这周没有。
两周的数据不是同一批 SQL 跑出来的。上周是 AI 生成的一版,这周是另一版。两版都没错,它们只是口径不同。
数据分析里最危险的错误不是算错,是"两个都对的数字被放在一起比"。算错你能发现,口径不同你看不出来,因为输出都长成"3218"这样,没有任何一个数字会自己告诉你它是谁算的。
这一章要做的事:让 AI 参与数据分析,但把口径这件事钉死在你手上。
二、核心概念
2.1 自然语言转 SQL 的四个可靠条件
让 AI 写 SQL,成功率取决于四件事,缺一件错误率就上去了。
| 条件 | 具体做法 | 缺了会怎样 |
|---|---|---|
| 表结构 | 把建表语句或字段清单贴给它 | 猜字段名,编出不存在的列 |
| 口径定义 | 明确"新增注册"指什么、算哪天、排不排测试号 | 数对但含义错,最难发现 |
| 方言 | 说明是 MySQL 8.0、PostgreSQL 16 还是 BigQuery | 用了对方言的函数,跑不起来 |
| 样例数据 | 给 5–10 行真实数据 | 分不清 NULL 和空串、日期格式猜错 |
表 8-1 转 SQL 的四个可靠条件
四个条件里,口径定义最容易被跳过,因为需求方自己常常也没想清楚。而它恰恰是唯一一个错了之后输出看起来完全正常的条件。
一个可用的做法:写 SQL 之前,先用一句话复述口径,让人点头。"新增注册 = 今日完成手机号验证的去重用户数,排除 is_test=1,按 created_at 的自然日。"这句话有歧义,人一眼能看出来;SQL 有歧义,你要跑出结果才知道。
2.2 口径:三个必问的问题
口径(metric definition)指一个指标的精确定义。同一句话,三个问题能问出三种答案。
时间按哪个字段算:下单时间、支付时间、发货时间,三种口径下的"今日销售额"能差一天。
去重按什么:按用户去重、按订单去重、按设备去重。一个人下三单,三种口径分别是 1、3、3。
排除谁:测试账号、内部员工、退款订单、异常大额。不写排除规则,默认全算。
反例:不写排除规则时,AI 会把测试环境的数据一起算进来。它不知道 is_test 字段是什么含义,除非你告诉它。
2.3 六类脏数据
AI 在清洗上确实好用,但前提是你得告诉它脏在哪。它有默认假设,而脏数据恰恰是违反默认假设的那些行。
下面六类最常见,前四类会让语句报错或者漏算,后两类连错都不报:
- 空值的两种形态:
NULL和空字符串。两者在 SQL 里的行为不同,NULL不参与比较。 - 日期格式不一:
2026-11-16、2026/11/16、20261116、带时区的时间戳混在一起。 - 数字存成文本:
"1,234"带千分位,直接求和会得到 0 或者报错。 - 重复行:同一笔订单两条记录,一条是补录的。
- 枚举值不统一:订单状态有"已支付""已付款""paid"三种写法。
- 单位不一致:金额有的按元有的按分。
处理顺序建议先查单位再查空值,因为单位错会让所有下游统计一起错,而空值只影响某几行。查单位的方法很土:随便挑一行,把金额除以 100,看是否落回合理区间。
第三类和第六类最阴。它们不会报错,只会让总数差 100 倍或者差 1000 倍。凡是金额字段,先看一遍有没有除以 100 的问题。
2.4 图表:先定结论,再选图形
AI 生成图表的默认行为是"有什么数据画什么图",结果是折线图画了分类数据、饼图切了 12 块。
正确的顺序是反的:先写一句你要读者看到的话,再选图。
- "3 月之后转化率掉了 4 个点" → 折线,标出拐点。
- "渠道 A 占了七成" → 单一堆叠条或饼图(不超过 5 块)。
- "这两个变量相关" → 散点。
- "各城市排名前三差多少" → 条形图,按值排序。
一句结论对应一种图形。没有结论就画图,画出来的一定是"数据全家福",谁也不看。
2.5 三道对数关
出数之后必须过三关,一关不过就不发。
第一关,口径关:这个数用什么口径算的?跟上周那份口径一致吗?不一致就先统一再比。
第二关,量级关:这个数在合理范围吗?日活 5 万的系统,单日新增 32 万注册,量级上就有问题。量级检查不需要精确,只需要数量级。
第三关,抽样重算:随机挑 3 个个体,手工从原始数据算一遍,看和总数对不对得上。这一关最费事,但只有它能发现"逻辑对但数据源错"的问题。
图 8-1 三道对数关在流程里的位置:量级关拦大错,抽样关拦细错,口径关拦"比错"
如图 8-1 所示,三道关里有两次返回到"复述口径"。这不是流程画得啰嗦,是实际发生频率就这么高——大部分错误在口径这一步就已经埋下。
三、动手实践
任务:给一份电商订单表算"本周销售额"和"复购率",并出一张趋势图。
3.1 先把口径写成一段话
不写 SQL,先写中文口径,让业务方确认。
本周销售额 = 统计周期内 status='paid' 的订单 amount 之和,
时间按 paid_at 的自然日(UTC+8),按分存、按元展示,
排除 is_test=1 与退款订单(refund_status='done')。
复购率 = 统计周期内下单≥2 次的用户数 / 统计周期内下单≥1 次的用户数,
用户按 user_id 去重,不按设备。
对比基线:上一周同口径。上一周口径与本口径不一致的字段,需在报告中注明。预期输出(业务方确认后的版本,注意第三段被改了):
业务方改了两处:
1. 销售额要含运费 —— 口径加:amount 已含 freight,不要重复加
2. 退款订单按退款发生周扣减,不按原单周扣减
确认人:运营 王 X 确认时间:2026-11-16 14:20两处改动都在口径层。如果直接写 SQL 再问,就得重跑一遍并且对照两次结果——成本高得多。
3.2 生成 SQL 并跑
-- 本周销售额(口径见 3.1,PostgreSQL 16)
SELECT
DATE(o.paid_at AT TIME ZONE 'Asia/Shanghai') AS d,
SUM(o.amount) / 100.0 AS sales_yuan
FROM orders o
WHERE o.paid_at >= TIMESTAMPTZ '2026-11-09 00:00:00+08'
AND o.paid_at < TIMESTAMPTZ '2026-11-16 00:00:00+08'
AND o.status = 'paid'
AND o.refund_status IS DISTINCT FROM 'done' -- 含 NULL,不能用 <>
AND o.is_test = 0
GROUP BY 1
ORDER BY 1;运行结果:
d | sales_yuan
------------+------------
2026-11-09 | 128430.55
2026-11-10 | 119877.20
...
2026-11-15 | 141002.90
(7 rows)
合计 883,214.35 元IS DISTINCT FROM 这一行值得说。如果用 refund_status <> 'done',那些 refund_status 为 NULL 的正常订单会被整体排除——因为 NULL <> 'done' 的结果是 NULL 而不是 true。这个错误很常见,而且它让数字变小,不会报错。
3.3 抽样重算
挑 3 个用户,手工核对复购率的分子分母。
# sample_check.py —— 抽样重算复购率(用 6000 行样例库复现逻辑)
import sqlite3
con = sqlite3.connect("shop.db")
WHERE = """paid_at >= '2026-11-09' AND paid_at < '2026-11-16'
AND status='paid' AND is_test=0
AND (refund_status IS NULL OR refund_status <> 'done')"""
users = con.execute(
f"SELECT user_id, COUNT(*) AS n FROM orders WHERE {WHERE} GROUP BY user_id"
).fetchall()
buyers = len(users)
repeat = sum(1 for _, n in users if n >= 2)
print(f"下单用户 {buyers},其中复购 {repeat}")
print(f"复购率 {repeat/buyers:.2%}")
# 明细查询必须复用同一段 WHERE,否则两处口径会悄悄分叉
for uid, n in users[:3]:
rows = con.execute(f"SELECT id, amount, paid_at FROM orders WHERE user_id=? AND {WHERE}", (uid,)).fetchall()
print(f" 抽样 {uid}: {n} 单 -> 实际 {len(rows)} 行")运行结果:
下单用户 2219,其中复购 657
复购率 29.61%
抽样 U-00001: 1 单 -> 实际 1 行
抽样 U-00003: 2 单 -> 实际 2 行
抽样 U-00006: 3 单 -> 实际 3 行三行抽样都对得上。这一步的关键不在抽样本身,在于明细查询用的是同一段 WHERE。如果明细只写 paid_at >= '2026-11-09',那些退货单会被算进明细却不进总数,抽样立刻对不上——这是这类脚本最常见的 bug,实测时第三行会显示"3 单 -> 实际 4 行"。
另外注意 29.61% 这个数:如果上周报的是 41%,差 11 个点不算离谱,但值得先查口径再解释原因。先查口径,再找原因,顺序反过来会让你在错的假设上编一整段分析。
3.4 出图:先写结论句
# plot.py —— 先定结论,再选图形
import matplotlib
matplotlib.use("Agg")
import matplotlib.pyplot as plt
d = ["11-09", "11-10", "11-11", "11-12", "11-13", "11-14", "11-15"]
v = [128430, 119877, 134502, 141980, 152310, 165900, 141003]
ax = plt.figure(figsize=(7, 3.2)).add_subplot()
ax.plot(d, v, marker="o", lw=2)
ax.annotate("11-11 大促", xy=(2, 134502), xytext=(2.3, 160000),
arrowprops=dict(arrowstyle="->", lw=1))
ax.annotate("11-14 峰值", xy=(5, 165900), xytext=(4.2, 175000),
arrowprops=dict(arrowstyle="->", lw=1))
# 中文字体不设置会显示成方框,这一行不能少
plt.rcParams["font.sans-serif"] = ["PingFang SC", "Noto Sans CJK SC", "SimHei"]
plt.rcParams["axes.unicode_minus"] = False
ax.set_ylabel("销售额(元)"); ax.set_title("本周销售额:14 日达峰后回落", loc="left")
ax.spines[["top", "right"]].set_visible(False)
plt.tight_layout(); plt.savefig("week_sales.png", dpi=160)
print("已生成 week_sales.png,7 个数据点,2 处标注")运行结果:
已生成 week_sales.png,7 个数据点,2 处标注标题就是结论句,不是"本周销售额趋势图"。标题写结论,读者三秒能拿到信息;标题写主题,读者要自己找。标注只标两个点:拐点和峰值。全标等于没标。
那两行 rcParams 是踩过的坑。不设中文字体,标题和坐标轴上的中文会渲染成一片方框,而脚本本身不报错——输出文件"生成成功",打开才发现不能看。这类失败最容易被当成"图表工具不好用"。
四、常见误解
很多人以为 AI 算数不准所以不能用。实际上它在"写查询"上比大多数人快且稳,问题在口径和验证。把它当查询生成器,不当计算器。
很多人以为数据量大就必须用 AI。实际上量大恰恰要小心:AI 生成的 SQL 在大表上跑一次可能几十分钟,跑错了重来的成本很高。先在抽样表上验证逻辑,再上全量。
很多人以为图表的美观很重要。实际上数据类图表只有一个标准:读者能不能在三秒内拿到那句结论。配色、阴影、3D 效果都是干扰项,尤其不要用 3D 饼图。
五、小结
《知识库与文档:让 AI 读懂你的资料》的验收标准是「检索到的段落对不对」,这一章换成「算出来的数对不对」。前者可以靠读,后者只能靠对数。
- 转 SQL 四条件:表结构、口径定义、方言、样例数据。口径是唯一错了还看不出错的那一条。
- 口径三问:时间按哪个字段、去重按什么、排除谁。
- 六类脏数据里,金额单位(元/分)和千分位最阴,不报错只出错。
- 先写结论句再选图形。一句结论对应一种图,没有结论就别画。
- 三道对数关:口径关、量级关、抽样重算。抽样最费事,但只有它能发现数据源错。
- 先查口径再找原因。顺序反了,分析会建在错的假设上。
六、相关文章
数算对了,接下来是一类每天都要做、又特别占时间的活:开会。会议记录、任务分派、邮件跟进,这些活的共同特点是"必须做但没人愿意做",也正好是 AI 最容易接管的一类。相关文章讲转写、纪要、任务抽取,以及自动化接管到什么程度该停。
继续阅读:[《会议与办公自动化》 会议与办公自动化](/guide/ai-tools/ai-meeting-and-office.html)