数据基建做好了，AI 就能接手团队分析吗？

与 AI 协作分析 · 4/7

数据找得到，不代表下一位分析师或 Agent 就能接手我们做过的分析。

我们当然希望有个熟悉公司业务、有问必答，还不会喊累的 AI 分析助手。但如果管理层豪爽地批了这个预算，顶级 AI 模型摆在面前，除了数据库权限、Schema 和几份指标文件，我们还能交给它什么？

数据找得到，不代表分析接得起来

假设三个月前，团队做过一次回流用户分析。SQL、报表都还在，现在新版本上线，主管想再看一次。

AI 找到旧 SQL，换了日期，很快交出结果。但它知道上次为什么排除某个渠道吗？是数据有问题，还是当时办了特殊活动？当时的分群方式，这次还适用吗？这些不一定能从代码里看出来。有时甚至连原本的分析师都要想一下：「我当时到底在干嘛？」

数据基建帮我们处理数据的取得、品质、权限与计算。但数据准备好了，不代表分析中那些方法选择、验证过程与判断依据，也一起准备好了。前者让 Agent 有数据可以分析，后者才让它有条件接手我们做过的工作。

要准备的内容	主要回答的问题
数据取得、品质、权限与计算	有什么数据、是否可靠、能不能使用？
方法、假设、验证与限制	为何这样分析、哪些判断成立、下次要重验什么？

这两层互相补充，都需要团队投入。

聊到数据基建，我们很容易想到 DE 的工作。但如果目标是让 AI 接手团队分析，这套基建就不能只由 DE 完成，DA 与 DS 也得把分析中形成的方法与判断留下来。

除了指标怎么定义，还有：

这些不是多补几份 Schema 就能推导出来的，往往是在实际分析、与业务来回确认的过程中才逐渐形成。上一份报告写「回流用户留存提升」，跟留下「为什么这次采用这个观察窗、排除了哪些干扰、目前还不能把提升归因给新版本」，能交接出去的东西其实差很多。

我认为这些分析脉络，也应当是基建的一部分。它们不只服务当次交付，也会影响下一个人、下一个 Agent 能不能正确接着做。当然，不是说记录下来就永远成立。恰恰相反，把当时的条件一起留下来，下一次才知道哪些可以沿用、哪些得重新验证。

问题是，谁来整理？如果每次分析完，都得额外花半天补文件，「建立分析基建」大概很快就会淹没在分析师的待办事项中，无限延期。

这也是我在开发 Lantide 时把「边分析、边整理」放进工作流的原因。与 Agent 协作本来就会经过一轮轮讨论、执行和确认。既然刚刚才对齐方法、排除一个假设，或确认某个异常，就可以趁这个阶段让它整理，再由人确认，不必等全部做完才回忆。

但光是自动写文件还不够。问题、计划、执行证据、报告，以及确认后留下的知识，使用时也得接得起来。因此还要同步完成知识分类与结构化保存。这样下一次遇到相关问题，Agent 不只是找到几份结论相似的旧报告，而是能沿着报告找到当时的问题、方法、证据与适用条件，再用当前数据重新验证。

如果报告越存越多，每次接手却还是得找原本的人重新讲一遍，那我们累积的可能主要还是文件，而非真正的「分析资产」。对我来说，真正的分析资产不是「曾经做过」，而是换个人、换个 Agent、换个时间，仍然能理解、验证并继续使用。

这是我判断分析资产是否有用的标准：它能不能降低未来理解、验证与接手的成本？

可以先拿一份三个月前的报告自查：换个人，能否说明当时为何排除某个渠道，以及这次重跑前哪些条件需要重新验证？

在 Lantide Data 中试用这套分析工作方式：下载 Lantide Data。