初次接触workbuddy:一次从“不会提问“到“完美交付“的全流程实录

作者：一名数据运营师
日期：2026年8月3日

AI不伟大在它多聪明，而伟大在它让普通人也能做专业的事。

如今人人都在谈论AI，仿佛不会用AI就要被时代淘汰。但真正沉下心来学会与AI对话的人，少之又少。

很多人对AI的印象还停留在"问一句答一句"的搜索引擎升级版——问得笼统，答得泛泛，然后得出结论：“AI不过如此”。殊不知，不是AI不行，是你没说清楚。

描述任务的四条黄金法则——明确目标与验收标准、提供必要的上下文、指定输出格式、避免歧义的表达——听起来简单，做到很难。

第一部分：我的描述问题，AI的调整

1.我最初的任务描述（反面教材）

我的身份是一名数据运营师，数据汇报对象是ceo，数据表为桌面上的业绩表，请帮我处理这份数据，列出当前的业绩问题并给出建议，输出格式为word，并在业绩表中新建工作表展示推理业绩问题的计算过程。

2.AI帮我指出的6个问题

3.AI给出的标准回答模板（我后来照着写的）

我的身份：数据运营师 汇报对象：CEO 数据源：D:\Users\xxx\Desktop\业绩表.xlsx（完整路径+文件格式） 包含7月1日至7月31日的数据，字段包括：大区、城市、一级品类、二级品类、 三级品类、SKU、商户ID、下单时间、GMV、下单数量（数据上下文） 业务背景：老板反馈7月31日业绩较差，但未指明是同比还是环比下降 （业务背景） 任务目标： 1. 明确下降维度：分别计算同比/环比，降幅超过2%判定为显著下降 （量化标准+阈值） 2. 城市维度定位：筛选环比降幅TOP 5的城市（排名规则） 3. 品类维度定位：筛选降幅超过5%的品类（量化阈值） 4. 商户分析：统计活跃商户数，计算新增/流失商户及变化率 5. 品类宽度：定义为"各城市当日有下单记录的三级品类去重数量" （术语定义） 输出要求： 文件1 - Excel（6个工作表，每个表的内容和图表类型全部明确） 文件2 - Word（6个章节，每章节的内容和图表类型全部明确）

4.我学到的核心法则

每个模糊词都要变成可执行、可验证的具体描述。

• “处理” → 拆解为5个具体分析任务
• “较为严重” → “降幅超过5%”
• “品类宽度” → “各城市当日有下单记录的三级品类去重数量”
• “输出格式为word” → 6个章节的结构规划

第三部分：实战

1.虚拟数据生成过程

1.1为什么需要先生成数据？

我没有真实业绩数据，但需要一个完整可演示的案例。于是我先让AI帮我生成了一份虚拟数据。

1.2.数据需求描述

我向AI描述了以下要求：

• 大区划分：华东大区（宁波、上海、杭州）、东南大区（福州、南昌）、大湾区（广州、深圳）
• 品类体系：生鲜行业分类（一级品类→二级品类→三级品类→SKU）
• 商户ID：随机6位数字
• 时间范围：2026年7月1日至7月31日
• 数据量：2万~3万条
• 关键条件：
  • 7月31日总GMV > 7月24日总GMV（周同比增加3%）
  • 7月31日总GMV < 7月30日总GMV（环比下降3%）

这里有个关键点：我没有只说"随便生成数据"，而是精确控制了三天的GMV关系，确保后面分析时"环比下降"这个结论是真实可推导的。数据要服务于分析目标。

2.最终生成的数据

数据被保存为D:\Users\202536019\Desktop\业绩表.xlsx，结构清晰，字段完整，可以直接用于后续分析。

第四部分：AI的完整分析内容

1 核心结论：下降类型判断

AI的第一步是判断"7月31日业绩下降"到底是同比问题还是环比问题：

结论：7月31日业绩下降是环比问题（对比7月30日下降3%），而非同比问题。

2 城市维度分析

AI按城市汇总GMV，计算环比降幅，排出TOP 5：

南昌降幅最大（-15.51%），其次为广州（-14.46%）和深圳（-11.57%）。

3 品类维度分析

AI按一级品类汇总GMV，筛选环比降幅超过5%的品类：

乳品冷饮降幅最大（-19.94%），蔬菜次之（-16.88%）。

AI还下钻到三级品类层面，找到了20个环比降幅超5%的三级品类，降幅最大的前三个：

4 商户分析

AI统计了三日的活跃商户数，并计算了新增/流失商户：

活跃商户数环比下降11.52%，流失99个商户，这是GMV下降的重要因素之一。

5 品类宽度分析

AI定义品类宽度为"各城市当日有下单记录的三级品类去重数量"，结果如下：

品类宽度合计环比减少8个，宁波下降最多（-4），说明部分城市品类覆盖度收窄。

6 最终交付物

AI一次性生成了两个文件：

文件1：Excel（业绩表_分析版.xlsx）

• 原数据工作表保持不变
• 新增6个工作表，每个工作表包含数据表+公式+图表

文件2：Word（7月31日业绩分析报告.docx）

7 AI给出的5条建议

1. 重点城市专项关注：南昌环比降幅最大（15.51%），建议立即排查该城市7月31日的供应链和运营活动是否存在异常。
2. 品类补货策略优化：乳品冷饮品类环比降幅19.94%，建议检查该品类库存和SKU供给，确保核心品类不缺货。
3. 商户运营加强：活跃商户数环比下降11.52%，流失99个商户，建议针对流失商户进行回访并排查流失原因。
4. 品类宽度恢复：品类宽度环比减少8个三级品类，建议排查缺货品类并紧急补货，恢复品类覆盖度。
5. 建立每日环比预警机制：建议设置GMV日环比下降超2%自动告警机制，确保问题及时发现。

总结

这次经历让我深刻体会到：

AI的能力上限，取决于你的描述能力下限。

同样一个"帮我分析数据"的需求：

• 笼统描述 → AI只能给出笼统分析
• 精确描述 → AI能给出专业级、可直接交付的分析报告

描述任务的四条黄金法则不是理论，是实战：

1. ✅ 明确目标与验收标准——给阈值、给排名规则
2. ✅ 提供必要的上下文——给文件路径、给字段、给业务背景
3. ✅ 指定输出格式——给文件结构、给章节规划
4. ✅ 避免歧义的表达——给术语定义、把模糊词换成数字

会用AI的人，不是最懂AI的人，而是最会表达需求的人。