前一篇談的是：問 AI 做數據分析之前，要先把業務問題翻成數據問題。這一步做完後，很快會遇到下一個現場問題：報表裡真的出現變動時，要怎麼判斷原因。
例如你剛寄完一封課程等待名單的電子報。隔天打開報表，開信率跟平常差不多，點擊率也沒有明顯變差，但從頁面進到表單的人少了一半。
或是你投了一組廣告，點擊率比前一週高，報名數卻沒有跟著上來。群組裡很快有人問：「是不是這次受眾不準？」「是不是頁面文案有問題？」「要不要請 AI 看一下原因？」
這時候把資料貼給 AI，請它分析原因，看起來很有效率。它通常也會很快列出一串答案：活動力道不足、受眾疲乏、競品促銷、內容吸引力下降、頁面說服力不夠。
這些原因聽起來都合理。可是在數據工作裡，合理只是起點，還不能直接當成結論。因為同一個結果，可能來自追蹤碼漏記、表單故障、流量來源改變、比較基準選錯，也可能真的來自受眾或文案問題。
這篇想處理的，就是「數字變了以後」最容易被跳過的一段：先確認資料能不能信、比較基準對不對、干擾因素有沒有排除，再把 AI 給的原因放進假設清單裡。順序對了，AI 會變成很好的分析助手；順序錯了，它只會幫你把猜測寫得更像分析。
歸因前，先確認這是不是假異常
數字變動，第一步不是找原因，而是確認數字能不能信。
很多所謂的異常，其實來自資料本身。追蹤碼少埋一頁、報表口徑改了、匯出日期抓錯、某個通路漏進來，或是自動報表延遲更新，都會讓數字看起來突然變動。
這種時候如果直接問 AI「原因是什麼」，它通常不會先懷疑資料。它會順著你的問題，開始編一個看似完整的故事。
我會先把問題改成：
「請先不要解釋原因。請幫我列一張資料品質檢查表，檢查追蹤、口徑、期間、通路、去重與缺漏。每一項請列出我應該回頭確認的資料來源。」
這個問法會把 AI 從「說故事」拉回「檢查順序」。數據分析很多時候不是比誰更快找到答案，而是比誰更早發現答案還不能成立。
第二步是問：我正在跟什麼比較？
數字掉了，聽起來很嚴重。但跟昨天比、跟上週同一天比、跟上個月平均比、跟去年同期比，可能會得到完全不同的判斷。
例如週末流量下降，可能只是正常週期。節慶前訂單上升，也不一定是這次活動造成。某篇文章的點擊率下滑，可能不是標題變差，而是前一篇剛好被電子報帶了一波外部流量。
AI 不一定知道你的產業週期、檔期節奏、通路特性。除非你把比較基準說清楚，否則它很容易用通用解釋回答。
比較好的問法是：
「請幫我列出這個指標可以使用的比較基準。每一種基準適合回答什麼問題，又可能造成什麼誤判？」
這時候 AI 的價值不是幫你選一個答案，而是把不同比較方式攤開，讓你看見自己正在問的是哪一種問題。
AI 給的原因，先當假設清單
當 AI 寫出「銷售下降可能是因為消費者需求降低」，這句話不該直接進報告。
比較好的處理方式，是追問：
「這個原因目前有哪些證據？還缺哪些證據？最低成本的驗證方式是什麼？」
這會讓 AI 產出的內容從「結論」變成「假設清單」。兩者差很多。結論會讓人以為事情已經確定，假設會提醒團隊還有查證工作。
我自己在看這類分析時，會特別小心幾個詞：導致、造成、帶動、顯示、證明。這些詞會讓文字看起來很有把握，但很多時候資料只能支持「同時變動」，還不能支持「因果成立」。
比較穩的寫法是：
「目前看到 A 與 B 同時變動，但還不能確認 A 導致 B。接下來需要檢查 C 與 D，才能提高這個假設的可信度。」
這樣寫沒有那麼刺激，但比較負責任。
什麼時候可以請 AI 幫忙找原因？
不是完全不能請 AI 做歸因。適合的時機，是你已經完成三件事：
- 資料品質初步確認過。
- 比較基準已經講清楚。
- 可能干擾因素已經列出來。
這時候 AI 很適合幫你補盲點，像是列出可能的外部因素、提醒還缺哪種資料、把假設整理成優先順序。
它也很適合幫你做「反方檢查」：
「請挑戰我目前最相信的原因，列出三個它可能不成立的情境。」
這個問題很有用，因為團隊在緊張時常常會太快愛上一個解釋。AI 可以幫你把速度放慢一點。
本篇小練習
找一個最近變動明顯的數字，不要先請 AI 解釋原因。
改問：
- 這可能是假異常嗎？
- 我應該跟哪個基準比較？
- 有哪些干擾因素需要先排除？
- 每個可能原因目前有什麼證據？
- 哪些句子還不能寫進正式報告？
數據判讀值得練的能力，不是很快講出原因，而是知道什麼時候還不能講原因。AI 可以幫你把可能性整理得更快，但責任在於你有沒有把「可能」和「已證實」分清楚。
發表迴響