如何提出一个能被数据回答的问题

使用“对象、期间、目标、输出”结构

一个清楚的问题通常包含分析对象、时间范围、业务目标和希望看到的结果。例如“查看最近两个完整周的移动端商品页，比较咨询表现，先列数值变化，再列需要验证的原因”。这样既限定数据，又限定回答形式。

避免只问“网站为什么不好”。这类问题没有明确标准，AI 容易给出通用建议。也不要把“证明我们的改版有效”当作问题；可以改成“改版前后有哪些变化，哪些因素还无法排除”。

明确选择数据对象与背景资产

如果对话支持 @ 选择页面、受众、目标或其他对象，选择本次实际分析的对象，而不是只输入一个可能重名的简称。需要业务资料时，再引用对应资产。可选择内容由当前权限和数据范围决定。

告诉 AI 资料用于什么判断。例如产品介绍用于理解卖点，活动条件用于解释时间变化。不要用品牌希望传递的价值代替真实用户行为，也不要让历史画像直接成为对当前所有访客的断言。

从可检查的基础问题开始

• “这个期间主要流量与目标数据有什么变化？请说明母数。”
• “同一页面在移动端和桌面端有什么差异？先分别列样本规模。”
• “用户在这个页面前后通常访问什么？请说明观察范围。”
• “哪些页面区域到达少、点击少？不要直接把差异当成原因。”

这些提问是结构示例，不保证任何账号都有全部数据。若某项无法回答，先确认对象、数据与权限，再选择可以用现有证据回答的问题。

一次追问只解决一个不确定性

读完概览后选一个重要变化继续。例如先确认咨询人数下降是否伴随流量减少，再比较来源组成，最后检查相关页面区域。每一步都说明为什么追问，避免把分析变成没有方向的报表浏览。

如果 AI 给出多个原因，要求区分哪些有数据支持、哪些只是可能解释，以及各自还需要什么证据。不要只回复“再深入一点”；指出你希望缩小的差异、疑问或决策，回答更容易形成连续逻辑。

把无法回答与没有发生区分开

没有返回数据可能是对象不匹配、过滤过窄、尚未采集或权限限制，不等于用户没有发生该行为。回答里缺少具体数值，也不应该自动补成零。要求 AI 明确说明使用了哪些条件，以及哪里无法确认。

涉及用户动机、商业价值或未来效果时，需要额外业务证据。行为记录可以支持假设，但不能读出用户内心，也不能保证下一次调整必然提高增长。保留这些边界，才能让分析服务真实决策。

以一份可执行的分析小结收尾

结束时要求整理：已经观察到的事实、尚未确认的原因、最值得采取的一项行动、验证需要的指标与条件。检查这些内容是否都与原问题相关，删去不能执行或缺少证据的笼统建议。

保留问题与数据条件，方便之后复查和比较。若发现值得复用，人工确认后保存至知识库；若需要进入企划或页面调整，明确负责人和范围。分析建议出现了，并不意味着对应动作已经执行。