数据分析 AI 提示词模板：指标解释、SQL 思路、异常排查和报告摘要

数据分析用 AI，很适合做指标解释、SQL 思路、报表摘要、异常排查、实验复盘和数据口径文档。但 AI 不能替你确认数据是否真实，也不能替你保证 SQL 一定正确。数据提示词必须要求 AI 标注假设、口径、待确认字段和人工核对点。

这篇是草稿，正式发布前需要按 BI、SQL、运营分析、产品分析补案例。运营提示词可以看 运营 AI 提示词模板，财务数据场景可以看 财务 AI 提示词模板。

适合谁

适合数据分析师、业务分析师、运营、产品经理、创业者和需要读报表的人。AI 可以帮助你把问题拆清楚，也可以帮你写 SQL 草稿和报告摘要。

也适合接数据整理项目的人。客户往往需要的是“解释指标和形成报告”，不是只要一段 SQL。

不适合谁

不适合让 AI 直接查询生产数据库或执行未经审核的 SQL。数据操作必须有人确认。

也不适合把客户隐私、订单、财务、用户 ID、手机号等敏感数据直接输入不受控工具。

指标解释提示词

你是数据分析师。请解释以下指标变化。
指标：【指标名】
时间范围：【范围】
数据：【粘贴脱敏数据】
业务背景：【活动/版本/渠道变化】
输出：变化摘要、可能原因、需要验证的假设、需要补充的数据、下一步分析建议。

指标解释要把事实、假设和下一步分开。

SQL 思路提示词

请根据以下需求，给出 SQL 思路和伪代码。
数据库类型：【Postgres/MySQL/BigQuery/其他】
表结构：【粘贴字段说明】
分析目标：【目标】
要求：
1. 先解释查询逻辑
2. 再给 SQL 草稿
3. 标注需要确认的字段和口径
4. 不直接假设不存在的表

SQL 提示词要提供表结构，否则 AI 很容易编字段。

异常排查提示词

请帮我排查以下数据异常。
异常现象：【描述】
相关数据：【粘贴】
近期变化：【活动/版本/埋点/渠道】
输出：可能原因列表、验证方法、优先级、需要找谁确认。

异常排查不要只问“为什么”，要让 AI 给验证方法。

报告摘要提示词

请把以下分析结果整理成管理层报告摘要。
分析结果：【粘贴】
受众：【老板/业务负责人/产品团队】
输出：一句话结论、关键数据、原因假设、建议动作、风险和待确认项。

报告摘要要根据受众调整，不同人关心的重点不同。

质检标准和反例

数据分析提示词至少要检查四个边界。第一，输入数据是否脱敏。第二，指标口径是否写清。第三，SQL 输出是否标注字段依赖和假设。第四，结论是否把事实、假设和建议动作分开。

反例是：“帮我分析这个表，告诉我为什么收入下降。”如果没有时间范围、指标口径、渠道变化、活动记录和数据来源，AI 很容易编原因。更好的写法是：“请基于以下脱敏数据和业务背景，列出收入下降的可能假设、验证方法和需要补充的数据，不要直接下结论。”

人工复核来源

公开前建议按以下官方资料核对结构化输出和安全边界：

• [OpenAI prompt engineering](https://developers.openai.com/api/docs/guides/prompt-engineering)：核对任务、上下文、约束和分步输出。
• [OpenAI structured outputs](https://developers.openai.com/api/docs/guides/structured-outputs)：核对结构化结果、字段约束和可解析输出。
• [OpenAI safety best practices](https://developers.openai.com/api/docs/guides/safety-best-practices)：核对敏感数据、错误结论和人工复核边界。

SQL、统计解释和业务结论必须由人用真实数据库、测试环境和业务口径复核，不能把 AI 草稿当最终分析。

常见错误

常见错误是让 AI “写 SQL”，但不给表结构、字段和口径。这样生成的 SQL 看起来像，但不能用。

另一个错误是把相关性当因果。AI 可能写得很顺，但因果关系要通过业务和实验验证。

风险提醒

数据分析涉及隐私、权限和业务决策。AI 输出的 SQL、结论和图表说明都必须人工核对。

不要让 AI 直接操作生产数据，也不要让未授权人员看到敏感数据。

具体步骤

第一步，脱敏并整理数据。第二步，写清指标口径和业务背景。第三步，用 SQL 提示词生成查询思路。第四步，用异常排查提示词列验证方法。第五步，人工运行和核对结果。第六步，用报告提示词整理摘要。需要数据分析提示词模板，可以从 工具导航 下载或联系人工协助。

交付复核清单

数据分析提示词交付前，要先检查数据边界。是否脱敏，是否说明指标口径，是否提供表结构，是否区分事实和假设，是否要求 AI 标注待确认字段，这些都会直接影响输出质量。SQL 模板尤其要谨慎，建议先让 AI 解释查询思路和字段依赖，再由分析师在测试环境里运行，最后再核对结果。不要把生成的 SQL 直接放进生产环境。

后续可以围绕真实搜索词继续拆文章：SQL 提示词怎么写、指标异常怎么排查、日报周报怎么自动总结、A/B 实验结果怎么解释、老板看得懂的数据报告怎么写。数据类用户的需求通常很明确，只要文章给出可复制结构、字段示例和复核步骤，就比泛泛介绍 AI 更容易获得长尾流量。

免责声明

本文只用于数据分析效率参考，不构成统计结论、商业决策、财务建议或数据安全承诺。正式使用前，应由人工核对数据权限、SQL、口径和业务背景。