AI 数据分析报告校对：模型写完之后，人要检查三件事
AI 可以快速生成数据分析报告：背景、指标变化、原因猜测、行动建议，一分钟就能写出一版。但报告写得快，不代表能直接发。数据报告会影响业务判断，模型生成后必须校对。校对不是改文风，而是检查口径、证据和行动建议。
AI 写完报告之后，人至少要检查三件事：数字是否对、解释是否有证据、建议是否能执行。
一、先核对数字和口径
flowchart TD
A[AI Report] –> B[Metric Check]
B –> C[Source Check]
C –> D[Evidence Check]
D –> E[Action Review]
报告里的每个关键数字都要能回到查询结果。增长率、环比、同比、排名、占比，都不能只相信模型转述。尤其是百分比和百分点，模型很容易写混。转化率从 10% 到 12%，是提升 2 个百分点，不是提升 2%。
口径也要核对。用户数是去重用户还是访问次数，收入是否含退款，时间范围是否包含今天未完整数据。这些细节如果错了，整篇报告再流畅也没用。
二、解释要有证据链
{
"claim": "移动端下降是主要原因",
"evidence": ["device_split_table", "mobile_conversion_delta"],
"confidence": "medium"
}
报告中的原因分析必须有证据。说“移动端下降是主要原因”，就要有分设备数据；说“新用户质量下降”，就要有渠道或用户分群数据；说“活动影响转化”，就要有活动时间线和对照。
没有证据的解释可以保留为假设，但要写清"需要进一步验证"。报告最怕把猜测写成结论，让业务带着错误方向行动。实际校对中建议建立证据对照表，每个因果陈述对应一条可追溯的数据查询或图表编号，方便他人复核时快速定位源数据。
三、建议要能执行
bad: 优化用户体验
good: 优先检查移动端支付页加载时间，并对支付失败用户做分群
AI 很喜欢写宽泛建议，比如“提升用户体验”“加强运营投放”“优化产品流程”。这些话没有错，但不能指导行动。报告建议要包含对象、动作、优先级和验证方式。
如果数据证据不足，也可以建议下一步分析，而不是强行给业务动作。比如“补充分渠道留存分析后再决定是否调整投放”。能承认信息不足，是分析报告的专业表现。
四、最后检查读者视角
reader:
role: operations
needs:
– what_changed
– why_possible
– what_to_do_next
不同读者需要不同报告。给运营看，要突出活动、渠道和动作；给管理层看，要突出结论、影响和风险；给数据团队看，要保留口径和方法。AI 生成后，人要检查报告是否对准读者。
如果读者看完不知道下一步做什么，报告就还没完成。数据报告不是把分析过程完整写出来，而是让正确的人做正确的决定。
校对流程最好模板化。报告发布前逐项勾选：数字已核对、口径已注明、图表来源可追溯、结论有证据、建议有负责人或下一步。模板不是束缚，而是防止忙的时候漏掉关键检查。
如果报告面向重要会议，还应保留“可追溯附件”。把核心查询、图表数据、口径说明和异常样本放在附录里。正文给决策者看，附件给追问时使用。这样报告既简洁，又经得起追问。
报告发出后也要接收反馈。业务如果反复问同一个口径，说明报告没有讲清；如果建议没人执行，说明行动设计不够具体。校对不只发生在发布前，也发生在下一次复盘里。
五、总结
AI 数据分析报告生成后，人要检查数字和口径、解释证据链、行动建议和读者视角。
模型可以加快成文，但不能替代分析责任。报告发出去之前，数据分析师仍然是最后一道质量门。
