业务洞察与结论
发现-证据-建议结构输出
从数字到行动 (Actionable Insights)
分析的终点不是图表，而是决策。AI 擅长从海量数据中提炼观点，但需要框架约束。
洞察输出框架：SCR
- Situation (现状): 数据反映了什么客观事实？（例如：Q4 留存率下降了 5%）
- Complication (冲突): 这意味着什么问题？（例如：流失主要集中在 Android 新用户，可能与新版 App 闪退有关）
- Resolution (建议): 我们该怎么做？（例如：建议回滚 Android v4.5 版本，并针对受影响用户发放优惠券召回）
AI 归因分析
当指标波动时，可以用 AI 辅助归因。
归因分析 Prompt
指标：本周日活 (DAU) 同比下降 10%。 维度数据：[分地区数据], [分设备数据], [分渠道数据]。 任务： 1. 计算各维度的贡献度。 2. 找出导致下跌的“最大单一因素”。 3. 生成一段 200 字的汇报摘要。
生成周报与 PPT
💡 Tips
Markdown 表格: 让 AI 直接输出 Markdown 格式的结论，可以直接粘贴到 Notion 或飞书文档中。
PPT 大纲: 让 AI 根据分析结论，输出 PPT 的页码规划（P1: 核心结论, P2: 趋势图, P3: 归因分析, P4: 建议）。
洞察优先级排序
- 影响面: 覆盖多少用户/多少收入？
- 可行动性: 是否能明确落地步骤？
- 确定性: 证据是否充分、是否可复核？
💡 Tips
排序建议: 先输出 1 条核心结论，再给 2-3 条次要结论，避免“结论墙”。
从洞察到实验
实验设计模板
假设： 如果我们在新用户首屏增加引导提示，那么 7 日留存率将提升。 指标： - 主指标：7 日留存率 - 护栏指标：首日转化率 实验设计： - 实验组：新用户首屏显示引导 - 对照组：原始版本 - 持续时间：2 周 判断标准： - 主指标提升 ≥ 3% 且显著