同样的工具，天壤之别的结果
你:“帮我分析一下这份销售数据。” AI:“好的，这是销售额的汇总表和趋势图。”
高手:“请以’增长诊断师’的身份分析这份数据。我有三个核心假设需要验证。另外，请找出数据中最大的三个异常点，并对每个异常给出至少两种可能的解释。最后，如果只给我一个建议，你认为公司最应该立刻采取的行动是什么？” AI:（输出一份包含深入洞察、验证分析、异常诊断、行动建议的完整报告）
同样是AI，同样的数据，不同的Prompt，产出质量天差地别。这就是Prompt工程在数据分析中的威力。
框架1：RICE Prompt法
Role（角色）+ Intent（意图）+ Context（上下文）+ Expectation（期望）
示例： “你是一位拥有10年经验的电商数据分析专家（Role）。请分析这份用户行为数据，找出导致用户流失的关键因素（Intent）。我们的业务是B2C电商，客单价约300元，用户主要集中在25-35岁（Context）。请给出3个最关键的因素，每个因素附数据支撑和可执行的改善建议（Expectation）。”
这个框架的威力在于，它给AI提供了明确的"角色设定"和"评判标准"，减少了AI的自由发挥空间，提高了输出的针对性。
金句：没有角色设定的Prompt，就像没有目标方向的分析——看起来什么都做了，实际上什么都没做。
框架2：比较-归因-建议法
三步Prompt：
- “请对比A组和B组数据，找出差异最大的3个维度。”
- “针对这3个差异维度，分析可能的原因，每个原因标注置信度。”
- “基于以上归因分析，给出3条可执行建议，按优先级排序。”
这个框架特别适合AB测试分析、同期对比、竞品分析等场景。
框架3：假设驱动的分析
黄金Prompt： “关于这个数据，我有以下3个假设：[假设1]、[假设2]、[假设3]。请逐一验证这些假设，用数据支持或反驳每一个。对于被反驳的假设，请解释为什么直觉和数据不一致。”
假设驱动的分析比开放式分析高效得多，因为AI有了明确的方向。而且，当AI反驳你的假设时，往往能产生最有价值的洞察。
金句：被反驳的假设比被验证的假设更有价值——因为它揭示了你的认知盲区。
10个可直接使用的Prompt模板
模板1（数据探索）： “请作为一位数据侦探，探索这个数据集中隐藏的模式、异常和关联。重点关注那些不太明显、容易被忽视的发现。”
模板2（趋势分析）： “请分析指标X的历史趋势，识别关键转折点，并对每个转折点给出可能的原因分析。预测未来3个月的走势，标注预测的置信度。”
模板3（用户分群）： “请基于行为数据将用户划分为3-5个有意义的群体，给每个群体命名，描述其特征、价值和痛点，并给出针对每个群体的差异化策略。”
模板4（异常检测）： “请自动检测数据中的异常点，按异常程度排序。对TOP5异常点进行深入分析：异常类型、可能原因、业务影响、建议处理方式。”
模板5（根因分析）： “指标X发生了显著变化（从A变为B），请用'5 Why分析法’深挖根因，每个Why至少给出2种可能的解释。”
模板6（预测分析）： “请基于历史数据建立预测模型，预测未来N期的指标值。请说明你使用的预测方法、关键假设、以及预测的不确定性范围。”
模板7（决策支持）： “我们面临方案A和方案B的选择。请用数据模拟两种方案的结果，比较优劣，给出推荐方案并说明理由。”
模板8（报告生成）： “请将以上所有分析整理成一份管理层报告，包括：1页执行摘要、3个关键发现、3个风险预警、3个行动建议。语言简洁，数据图表化。”
模板9（交叉验证）： “请用至少两种不同的分析方法验证你的核心结论，并说明不同方法得出的结论是否一致。如果不一致，可能的原因是什么？”
模板10（持续优化）： “基于本次分析的经验，请建议我下次分析时应该收集哪些额外的数据、使用哪些不同的分析角度，以获得更深入的洞察。”
金句：Prompt的本质不是"问问题"，而是"设计思考框架"。 好的Prompt给AI一个思考框架，差的Prompt只给AI一个模糊的任务。**