课程

看 AI 怎么回答问题

从展示到点击

商品展示1,000 次
商品点击40 次
40 ÷ 1,000 = 4%
每 100 次展示约点开 4 次
查看大图

给 AI 一份真实数据

四款商品,哪些值得先看?

支付买家 ÷ 访客
0.0%0.2%0.4%0.6%
ABCD
02 万4 万
访客合计
优先复核 B、C访客 ≥ 2 万,买家占比 < 0.20%
查看大图

回到原表核对

款 B 的 0.16% 怎么来的?

款 B 的 7 天访客数

7/23 访客最多,共 14,731
访客合计34,169
支付买家合计54
54 ÷ 34,169 ≈ 0.16%低于 0.20%
查看大图

把原表做成类目趋势

7 条销售记录,怎样变成一张趋势表?

选日期

表内最后一天是 7 月 27 日,取 7 月 21 日至 27 日

清理并统一单位

去掉 1 条超期、1 条重复。2 条异常待确认。5,000 分换成 50 元

按日期和类目合计

3 条有效明细 → 2 条类目汇总。汇总前后都是 500 元
查看大图

看 AI 交付一个文件

从散乱文件到一份清单

六个混在一起的文件

JPGXLSXPDFPNGCSVTXT

按类型归类

图片表格文档

生成文件分类清单

6 条文件名和分类 · .txt
查看大图

选一件自己的小事

给自己的工作做张练习卡

选一件常做的事

整理下载文件夹

想好要什么成品

一张文件分类清单

拿到手,自己查一遍

核对数量,看看有没有漏项
查看大图
01 / 04交互课件

从问答到分析,从聊天到执行

阅读原讲稿选段

学完这一课

你能看懂 AI 为什么挑出一个商品,也能选一件自己的小事,让 AI 先帮你做第一轮。

1. 看 AI 怎么回答问题

看图里从展示到点击的两步。点击率回答的是「展示过的次数里,有多少次被点开」。换一个例子,展示 500 次、点开 30 次,点击率是多少?

查看回答示例

点击率是 6%。 用 30 次点击除以 500 次展示,相当于每展示 100 次,平均点开 6 次。

2. 给 AI 一份真实数据

下面是天猫商品表的四款摘录,统计时间是 2026 年 7 月 21 日至 27 日。商品名在这里用 A、B、C、D 代替。

图上每个点代表一款,越往右访客越多,越往下支付买家所占的比例越低。绿色区域内的款,访客至少 20,000,买家占比低于 0.20%。点一下筛选,再看这两款的表格数字。

四款商品的 7 天数据
款式访客合计支付买家买家 ÷ 访客
款 A28,0831040.37%
款 B34,169540.16%
款 C20,177190.09%
款 D8,120390.48%

网页按练习规则筛选。这个比值用两列的每日数字相加后计算,同一个人跨天出现会被计入多次。

3. 回到原表核对

来核对款 B。把这 7 行的访客数和支付买家数分别加起来,再用买家合计除以访客合计。

款 B 在原表里的 7 行
行号日期访客支付买家
3707-214,9419
3807-223,5784
3907-2314,73111
4007-243,5184
4107-252,2306
4207-262,43410
4307-272,73710
查看核对结果

访客 34,169,支付买家 54。 54 ÷ 34,169 约等于 0.16%,两项都符合练习规则,可以优先复核。

下一步可以先看 7 月 23 日。那天有 14,731 个访客和 11 个支付买家,值得打开商品页看看,再结合当天的流量来源判断原因。

4. 把原表做成类目趋势

前面从商品表里挑出值得看的款。换一个问题,想看每天哪个类目卖了多少钱,就让 AI 按「日期和类目」合计支付金额,再交一张新表。

这份模拟原表的最后一天是 7 月 27 日,所以最近 7 天是 7 月 21 日至 27 日。先看看哪些行可以计入。

展开 7 条模拟原始记录
商品数据摘录
记录号日期类目支付金额
A0107-20上衣90 元
A0207-21上衣150 元
A0307-21上衣5,000 分
A0307-21上衣5,000 分
A0407-27连衣裙300 元
A0507-27空白60 元
A0607-27上衣单位不明
揭晓汇总数字和检查办法

7 条原始记录里,1 条超出日期范围,1 条是重复导出的 A03,另有 2 条待确认。把 A03 的 5,000 分换成 50 元,剩下 3 条有效明细,合计 500 元。

新表有 2 条汇总,7 月 21 日上衣 200 元,7 月 27 日连衣裙 300 元。按同一口径核对有效明细和汇总金额,两边都是 500 元。

实际做表时,把空日期、空类目和单位不明的记录列到异常表,等人确认。按已确认的唯一记录号识别重复,同日同类目的不同记录都要保留。原表留着,生成的新 Excel 打开后应当可以编辑。

带自己的表做一遍
读取我指定的商品表,以表内最后一个有效日期为终点,取含当天的最近 7 天。
按日期和类目汇总支付金额,统一换算为元。按确认的唯一记录号去重,列出空日期、空类目和金额单位不明等异常。
生成一份可编辑的新 Excel,包含日期、类目和支付金额汇总,并附异常记录。保留原表。
报告实际日期范围、原始记录数、各类剔除或待确认的行数、汇总行数和金额合计。

5. 看 AI 交付一个文件

顺着图上的箭头试一遍。先打开分类方案,确认下面六个文件各放哪一类,再下载清单,按文件名对一遍。

新品主图.jpg商品明细.xlsx新品说明.pdf IMG_0711.png推广记录.csv待确认.txt
预览分类方案
准备写入清单的分类
文件建议放入
新品主图.jpg图片
商品明细.xlsx表格
新品说明.pdf文档
IMG_0711.png图片
推广记录.csv表格
待确认.txt文档

6. 选一件自己的小事

挑一项你常做、结果容易检查的工作。把下面三句话写完,生成一张可以带走的练习卡。

看一张示例练习卡
我经常做什么:整理每周下载的文件。
我希望 AI 交给我什么:一份按文件类型分类的清单,写清每个文件建议放在哪。
拿到结果后,我会怎么检查:数一数清单有没有漏文件,再抽查图片和表格各一份。

原讲稿选段

一、AI 的能力变了:从「问答」到「分析」

以前我们大多数人使用 AI,主要还是问答。

比如:

  • 这个标题怎么改?
  • 这段文案怎么写?
  • 这个数据指标是什么意思?
  • 帮我总结一下这篇内容。

这种方式当然有价值,但是本质上还是:我问一句,它答一句。

现在不一样了。现在的 AI 已经可以直接读取 Excel、CSV 等数据文件,然后参与到实际分析过程里。

它可以帮我们:

  • 汇总整体经营情况;
  • 对比不同款式的表现;
  • 找出异常波动;
  • 筛选高潜款、风险款、亏损款;
  • 总结共性问题;
  • 形成日报、周报或者复盘报告。

所以这里最重要的变化,不是 AI 突然变得什么都懂了,而是它终于可以接触到我们的真实数据,并且按照我们的规则做第一轮分析。

这里有一个很重要的原则:

AI 负责把问题冒出来,人负责判断问题到底是不是问题。

比如,AI 发现某个款点击率高,但是支付转化明显偏低。

它可以提醒我们:这个款可能存在价格、详情页、评价、尺码、货品匹配等问题。

但是最终到底是什么原因,AI 不一定判断得对。这个时候仍然需要运营去看链接、看评价、看竞品、看实际货品。

所以真实的工作方式不是:

AI 把结论告诉我,我照着做。

而是:

AI 先把几百个款快速扫一遍,把真正值得我们花时间的款挑出来,我们再重点判断。

这样做的价值,是把人的注意力从“所有款都要看”变成“优先看最值得看的款”。

二、AI 的形态变了:从「聊天」到「执行」

第二个变化,是 AI 的形态变了。

以前我们在网页聊天框里问 AI:

这个事情应该怎么做?

AI 会告诉你第一步、第二步、第三步。

然后你看完以后,会发现一个非常现实的问题:

道理我都懂了,但是活还是得我自己干。

比如 AI 告诉你怎么整理文件、怎么改图片尺寸、怎么合并表格、怎么批量改文件名。

步骤写得很清楚,甚至比教程还详细,但最后点击鼠标、复制粘贴、调整格式的人,还是你自己。

现在一些本地 Agent 工具已经可以读取文件、调用程序、执行脚本、生成文档,并且在授权范围内直接处理任务。

于是工作方式就从:

我问 AI 怎么做
→ AI 告诉我步骤
→ 我自己操作

变成了:

我把目标告诉 AI
→ AI 拆解任务
→ AI 执行
→ 我检查结果

这里大家要注意,AI 能执行,不代表我们就应该让它随便执行。

比较稳妥的方式是:

先让 AI 分析和提出方案,确认没有问题以后,再让它真正修改文件。

也就是:先看清楚,再动手。