LAB · DATA ANALYSIS WITH AI
图表看起来正确，数字仍然可能是错的。
你正在审查一份 AI 生成的经营分析。
原始报告包含表格、脚注、百分比和一个格式异常值。AI 摘要指出了表现最好的业务分部，但这个派生指标使用了从错误数据行提取的分母。
目标
在不手工核对每一个单元格的前提下，降低数值错误风险，并让结论可以被复现。
风险
即使文字完全流畅，一个错误的分析结论仍可能把预算和战略带到错误方向。
Data Analysis × Verification·应用 Lab·15 分钟
Data Analysis Verification Lab
模型判断 Segment B 的运营效率提升最大，图表也很有说服力，但一个分母取自了错误的数据行。先建立验证策略，再接受这个结论。
01
体验
先处理问题，再阅读解释。
一句话理解
只有当提取、计算、覆盖率、异常值和不确定性都可以独立于模型文字被验证时，AI 数据分析才值得信任。
正在加载 Mission Engine…
02
反思
把结果整理成可以复用的判断。
ANALYSIS DEBRIEF
分析如何被拆分，验证就应该如何被拆分。
不要让模型自己回答‘我的分析对不对’；要为提取、计算、覆盖和解释建立独立检查。
AI 能显著加速文档提取和探索性分析，但也可能静默修正异常格式、复用错误分母，或者用非常确定的语气表达不确定解释。更好的流程会用 Schema 检查验证提取，用确定性计算重新验证算术，对异常值做显式审查，并把不确定性绑定到产生它的证据步骤。
- —把模型解释和确定性算术分离。
- —Schema 失败应该成为可观察的数据质量事件，而不是被静默修复。
- —异常值可能是解析错误，也可能是最重要的业务信号；不要默认删除。
- —当不确定性能够定位到具体步骤和来源时，它才真正可操作。
关键要点
按层验证
提取、计算和解释可以彼此独立地失败，因此需要不同的验证方式。
关键计算要重算
派生指标应该能够在语言模型之外被独立复现。
让不确定性可操作
把不确定性绑定到具体数据行、来源或变换步骤。
03
深入理解
把这次体验连接到概念、参考与迁移。
LEARNING CONTEXT
学习连接
不要让模型自己回答‘我的分析对不对’；要为提取、计算、覆盖和解释建立独立检查。
未看过
本次练习的 CONCEPT
- concept-document-extraction从文档中抽取结构
- concept-structured-analysis先结构化分析，再综合
- concept-data-analysis-verification验证 AI 辅助的数据分析
- concept-confidence-varianceConfidence、Variance 与 Sample Size 谨慎
- concept-verification-over-introspection验证优先于自我解释
建议补充前置
进入这起事故前，没有必须完成的已发布前置内容。
迁移这个模型
Wave 1 已经把 Coding、RAG、Agent、Research 和 Data 通过可复用 Concept 与 Evidence-first 决策连接起来。
04
下一步
把这个判断带到另一个问题或构建中。
返回 Knowledge Map
Wave 1 已经把 Coding、RAG、Agent、Research 和 Data 通过可复用 Concept 与 Evidence-first 决策连接起来。
探索 Knowledge Map