Insight：从数据问题到可验证的发现

先理解现象，再寻找解释

Insight 用于围绕数据提问，理解网站与用户行为，并整理后续值得验证的方向。它适合回答“发生了什么”“差异在哪里”“还需要看什么”，而不是在没有证据时直接替企业决定策略。分析结果的价值取决于问题、数据与业务背景是否一致。

第一次使用时选择一个明确对象，例如一个关键页面、一个目标或一类流量。先看整体表现，再逐步追问。把整站所有问题同时交给 AI，往往会得到范围过大、难以检查的建议。

按问题选择观察方式

选择当前账号与数据支持的分析对象。一个视角通常只回答问题的一部分，需要与其他证据交叉理解。

将分析范围与业务背景对齐

准备当前站点、时间范围、页面或目标，并确认采集可用。需要产品、活动或品牌背景时，用 @ 明确引用相关资产。数据告诉你观察到的行为，资产帮助理解当时用户面对的内容与条件，两者都不能替代另一方。

例如分析一场活动，不仅提供活动名称，还应说明开始日期、目标用户和关键变更。如果背景尚未确定，注明哪些是假设。不要让 AI 把过去活动资料自动当作本次事实。

从概览追问到具体问题

1. 问清期间内主要指标和显著变化。
2. 确认使用了正确范围与口径。
3. 选一个与业务目标相关的差异。
4. 按设备、来源、页面区域或流程继续观察。
5. 整理已确认事实、候选解释与验证方法。

每次追问都应缩小一个不确定性。如果答案只是增加更多图表却没有回答原问题，回到最初目标，明确希望判断的事情，避免在分析中无限扩散。

判断结果是否足以支持行动

检查数据是否足够、比较条件是否一致，以及结论是否能追溯到具体观察。点击少可能是吸引力不足，也可能是用户没看到；停留长可能是认真阅读，也可能是理解困难。AI 的解释应当是可验证的候选原因，而不是自动成立的事实。

当证据不足时，结论可以是“下一步需要检查哪个区域或条件”。不要为了获得行动建议而跳过采集异常、样本过少或业务背景缺失。可靠地知道还缺什么，也是有用的分析结果。

把发现连接到后续工作

从分析中选出一项有价值的发现，写成具体假设、建议调整、负责人和验证方式，再进入企划、页面或当前可用的改善工作。数据分析与执行不是同一件事，提出建议不代表已经修改或发布任何内容。

重要发现经过人工核实后可以保存至知识库，附上时间、对象与限制。执行结果再补回记录，逐渐形成可复用经验。不要只保存最终一句结论，也不要把分析中的所有聊天都当作已经自动进入长期记忆。