一、数据整理最耗时的不是分析，是收拾
拿到一份原始表格，真正花时间的往往不是算指标，而是：列名不统一、日期格式有五种、空值乱填、重复行藏在中间。
这些活交给 AI 很合适，因为规则明确、可校验。
二、四步流程
第一步：先描述表结构。
不要一上来就让模型分析。先告诉它：每列是什么、单位是什么、哪些列可能有脏数据。
第二步：让它出清洗规则。
```
请根据前五行样本，列出需要清洗的项，
每条包含：问题列、可能的表现、建议处理方式、
处理后的影响（会不会丢失信息）。
```
最后一项很重要。很多清洗动作是静默丢数据，不提前说清楚，后面算出来的数就是错的。
第三步：小样本验证。
先拿 10 行跑一遍，人工核对。对了再全量。
第四步：输出可读报告。
分析结果最好带上"口径说明"：统计了多少行、排除了哪些、时间范围是什么。写报告时这是最能体现专业度的地方。
三、WorkBuddy 在里面的角色
WorkBuddy 的强项在"把一句话变成可交付的东西"：报表、海报、界面原型。
数据整理场景里，我用法是两段：先用豆包把口径和指标算清楚，再丢给 WorkBuddy 出图表和版式。
分工清楚的好处是：算错了能查，样式丑了能改，不会揉在一起。
四、报表做得好看的三个细节
- 指标不超过五个。超过就没重点。
- 每个图配一句结论，不要只放图。
- 对比要有基准。同比、环比、目标，总得有一个。
五、一个常见坑
让 AI 直接算汇总，很容易因为看不见全表而出错。
我的做法是让它写公式或脚本，自己跑一遍。表数据量一大，这个习惯能救命。
六、图表怎么选
选图表这件事，很多人凭手感。其实先看数据关系：比大小用柱状，看趋势用折线，看构成用饼或堆叠，看分布用散点。
如果你要把图表放在网页上，除了内容本身，还得考虑容器。比如放在卡片里，囿宽有限，标签就会被挤。这时可以对照 组件实验室 的卡片与列表页示例，看看文字和图表在窄屏下怎么共存。
七、结语
数据分析这件事，AI 能省你很多时间，但省不下你定义口径的那一步。
口径就是你对业务的理解。这部分不能包出去。
