用 ThoughtSpot Spotter 完成第一个小项目：完整演练
以自然语言搜索分析数据的 BI 平台——这是 ThoughtSpot Spotter 最主要的用途，也是本文讨论的前提。
与其看十篇介绍，不如完整做一个小项目，这篇带你走一遍。
项目：指标异动解读
目标：用 ThoughtSpot Spotter 完成一次「指标异动解读」，交付一份可以直接给同事或客户看的结果。预计用时 1 小时以内。
步骤
- 用工作邮箱注册，开启双重验证。
- 准备材料：一个突然下降的业务指标（先脱敏）
- 复制下面的提示词，替换方括号内容。
- 第一次结果出来后，只针对一个问题追问修改。
- 按验收标准检查：先排查数据本身问题。
- 保存提示词与最终结果，写三行复盘。
日活本周下降了，请列出可能原因的排查清单，按「数据问题 / 产品变化 / 外部因素」分类，每项写明需要查看的数据。
复盘模板
这次任务：
节省或多花的时间：
需要人工修改的地方：
下次会改进的提示：
是否继续使用：
做完之后
可以尝试第二个任务「写 SQL 查询」，或者把这次的流程分享给同事一起试。
补充练习
数据清洗方案
输入：一份有缺失和异常值的数据。
分析这份数据的质量问题：缺失值比例、异常值、格式不一致的字段，给出处理建议，并说明每种处理方式对结论的影响。
检查点：说明了处理对结论的影响。
自然语言问数
适用情况：手头有一张销售明细表时。
请基于这张表回答：上个季度销售额最高的 3 个地区是哪些？与前一季度相比变化多少？请同时给出你使用的计算方法或 SQL，便于我复核。
验收标准：给出了可复核的计算过程。
评测大模型应用
输入：一批真实用户问题和应用回答。
为这批回答设计评测：定义 4 个评分维度，写出评分标准，抽取 20 条进行人工打分，并统计各维度的问题类型。
检查点：评分标准清晰可复用。
常见问题：问数结果看似合理但错误
准备几道已知答案的问题做抽检。
常见问题：图表结论被过度解读
区分相关与因果，在报告中标注假设。
常见问题：AI 算出的数字和报表不一致
检查口径和过滤条件，要求它输出 SQL 或公式逐步复核。
概念补充：追踪（Tracing）
记录大模型应用每次调用的输入输出与耗时。
概念补充：评测集
用于反复检验模型或应用效果的标准问题集合。
适合人群：新媒体运营
新媒体运营可以用 ThoughtSpot 处理内容排期、数据复盘等工作。需要注意：活动规则与奖品说明要准确，避免诱导分享等违规玩法。
适合人群：电商运营
电商运营可以用 ThoughtSpot 处理商品详情与主图、活动方案与客服话术等工作。需要注意：商品参数和促销规则必须与后台一致，避免虚假宣传。
适合人群：销售
销售可以用 ThoughtSpot 处理客户背景调研、跟进邮件与话术等工作。需要注意：客户数据按公司规定处理，报价和承诺以合同为准。
写在最后
涉及个人信息、商业机密或受监管数据时，先确认 ThoughtSpot Spotter 的数据处理条款，再决定能否使用。
文中提示词和示例仅作示意，实际效果取决于你的材料和 ThoughtSpot 当前版本，重要内容请人工核对后再使用。