ThoughtSpot Spotter 高效用法 8 条
在「数据与分析」类工具里，ThoughtSpot Spotter 的定位是：以自然语言搜索分析数据的 BI 平台。
这些技巧适合已经会基本操作、想进一步提效的用户。
8 条进阶用法
- 给一个你满意的样例，让它模仿结构而不是复制内容。
- 长材料分段处理，每段完成后再要一份汇总。
- 要求输出「不确定清单」，把需要人工核实的地方单独列出。
- 敏感信息用代号替换，交付前再换回。
- 先要大纲或计划，再要全文，复杂任务分两到三步完成。
- 记录每次的输入、设置和结果，形成自己的经验库。
- 把固定的背景和规则保存为预设或模板，避免每次重复输入。
- 把「口径」等关键设置弄清楚再调参。
示例：分步完成的写法
数据清洗方案
准备材料：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。
验收标准：说明了处理对结论的影响。
延伸练习
写 SQL 查询
准备材料：数据库表结构说明。
根据以下表结构写 SQL：统计每个月新增用户数和其中完成首单的比例。请说明关联条件和可能存在的口径问题。
检查点：说明了口径问题。
图表建议
准备材料：一组需要汇报的数据。
根据这些数据推荐合适的图表类型，说明理由，并指出容易误导读者的画法（如截断坐标轴）。
交付前确认：指出了误导风险。
评测大模型应用
准备材料：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。
验收标准：评分标准清晰可复用。
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。
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。
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：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：数据分析师
数据分析师可以用 ThoughtSpot 处理取数与 SQL、清洗与可视化等工作。需要注意：确认指标口径，敏感数据脱敏后再交给 AI 处理。
适合人群：咨询顾问
咨询顾问可以用 ThoughtSpot 处理行业研究、访谈整理等工作。需要注意：客户机密遵守保密协议，研究结论注明来源。
写在最后
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。
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。