你问 AI“哪种促销值得加码”，它很可能盯着最高数字，当场给出答案。Nate Rosidi 在 KDnuggets 展示了一套更谨慎的做法：把分析拆成六步——理解业务问题、提出假设、规划 SQL（用于查询数据的语言）、核验结果、撰写管理层摘要，再给建议。重点不是让模型说得更像专家，而是把“自证”放在结论之前。
例子很直观：演示数据只有 29 笔订单，覆盖 3 个月、4 种促销和 11 款产品。按每单平均销量排序，促销 4 以 8.00 居首，但它背后只有 1 笔订单；促销 1 平均为 6.42，却有 12 笔订单。前者看起来赢了，证据却薄得多。管线因此会先检查样本量，并做数据校验——确认行数、缺失、重复、时间范围和汇总关系是否异常——再决定能否下判断。
这套 Python 工具可接 Anthropic 或 OpenAI API，也能指向其他表格。它提供的是一套实用工作流，不是效果保证；材料未披露基准评测，尚不能据此判断它在真实生产环境中的可靠性。