销售少了 6000 元，问题出在哪？用 ChatGPT Data agent 查一遍

用一份 596 行模拟订单，完整拆解销售下降的排查过程：数据去重、退款扣除、渠道贡献拆分、转化率定位，再到交互报表验收，附可复制的分步提示词。

一、先把「少了 6000 元」算明白

店铺这个月少卖了 6000 元，你会先做什么？加广告预算，做一轮促销，还是把卖不动的产品换掉？

先别急着选。因为同一个「少了 6000 元」，往下拆可能是完全不同的问题：有人连流量都没进来；有人流量没变，付款的人少了；也有人卖得更多，只是退款增加了。如果报表只告诉你销售下降 10.53%，你还是不知道明天该先找谁、查什么。

OpenAI 在 9 月 10 日发布了 ChatGPT Work 的 Data agent 插件：连接授权的数据和业务资料，分析指标变化，再把结果做成可分享的报表或交互看板。它最值得关注的地方，是让业务人员能沿着一个问题连续追问，直到找到下一步值得检查的位置。

下面用一份 596 行的模拟订单把这个流程讲完整。数字是本地计算核对的，用来演示提问步骤，不是实测数据，也不是任何站点的经营数据。

这家模拟店铺有三个获客渠道：自然搜索、短视频广告、老客回购。我们比较 8 月 1 日至 14 日和 9 月 1 日至 14 日，都是 14 天。订单表里有金额、付款状态、退款和渠道，另外一张流量表记录各渠道的访问次数。

拿到文件后，最容易犯的错误就是把金额那一列直接相加。这份文件偏偏有几个常见的小问题：同一订单重复导出了，没付款的订单混在里面，还有几笔是 20 日的，不在本次比较范围内。

正确的清洗顺序是：原始导出 596 行；去掉重复行 8 行（一笔订单不能算两次收入）；去掉区间外记录 6 行（只比较两个月的 1 日至 14 日）；去掉未付款和取消记录 12 行（下单不等于已经收款）；最后保留已付款订单 570 笔，其中 8 月 300 笔、9 月 270 笔。

另外，已付款订单中的退款还要扣除。这里把「净销售额」定义为付款订单原金额减去已退款金额，全额退款的订单仍保留在已付款订单数中，避免把成交数和留存收入混为一谈。

按这个口径算，8 月净销售额 57000 元，9 月 51000 元，差 6000 元，下降约 10.53%。

第一轮可以这样问：先检查订单数据，暂时不要判断经营好坏；以订单号去重，只比较 2026 年 8 月 1 日至 14 日与 9 月 1 日至 14 日；只统计已付款订单，收入扣除退款；告诉各步骤排除了多少记录，再列两期成交单数、净销售额、差额与变化率。

这一步做完，你得到的应该是一组能拿原表复核的数字。后面再漂亮的图，也要建立在这组数字上。

二、总额下降可能掩盖一个更大的问题

接下来问：6000 元到底少在哪个渠道？

按渠道拆分后的结果是：自然搜索从 19000 元涨到 21000 元，增加 2000 元；短视频广告从 18000 元掉到 10000 元，减少 8000 元；老客回购 20000 元持平。合计从 57000 元降到 51000 元。

这张表出来，处理问题的顺序就完全不同了。自然搜索在增长，老客回购没有下滑，需要先追查的是短视频广告：它一项就少了 8000 元，只是其他渠道增加的 2000 元让总额看起来没那么难看。

如果只盯着总销售下降，就给全店商品一起打折，可能连原本表现正常的渠道也让出了利润。现在有了更明确的调查对象，至少可以先把问题带给负责广告与落地页的人。

第二轮提示词可以接着上一轮发：把净销售额的差额拆到各渠道，分别列出增加和减少了多少钱，并核对各渠道差额之和是否等于总差额；指出最需要继续调查的渠道，先不要把「广告效果差」当成已经确认的原因。

这里最好让它展示增加和减少的绝对金额。只列「某渠道下降 44.44%」，读者还得自己找基数；写成「从 18000 元到 10000 元，少 8000 元」，事情就直观得多。

三、访问量没少，为什么少了 40 笔付款

知道哪个渠道出了变化还不够，还得知道怎么改。

把短视频广告的访问和订单放在一起看：访问次数两期都是 5000；已付款订单从 100 笔变成 60 笔；访问到付款的转化率从 2.00% 降到 1.20%；每笔订单原金额都是 200 元；退款合计两期都是 2000 元。

访问次数一样，订单少了 40 笔，每单原金额和退款合计也没变。这次减少的收入可以直接对应到少掉的 40 笔付款：40 乘 200 等于 8000 元。

所以目前最有用的结论是：优先检查广告访客进站后到付款前的环节。单凭这份表，还没有理由认定「需要买更多流量」。

这里有个容易看错的数字。转化率从 2% 变成 1.2%，下降的是 0.8 个百分点；相对原来的 2%，下降了 40%。前者说绝对差额，后者说下降比例，不能互换。

再往下，真正的原因可能是商品缺货、手机页面故障、支付失败，也可能是广告带来了购买意愿更低的访客。这份表里没有这些记录，所以还不能选定某一个解释。

第三轮可以这样问：针对短视频广告，比较访问量、已付款订单数、转化率、每单原金额和退款；说明哪一项变化能够解释收入差额；列出继续判断原因所需的记录，每项写清要看什么现象；没有相应数据的原因标为待验证。

这样得到的后续工作，应该具体到「检查 9 月手机端支付失败率」「看主要广告商品是否断货」，而不只是「优化用户体验、提升转化效率」。

四、一张能继续看的报表应该长什么样

官方介绍提到，Data agent 可以制作和调整交互看板，也能在已有的 Power BI、Tableau 等工具里处理报表。

对于这家店，看板至少应该能完成四件事。页面上方先放两期净销售额和差额，让打开的人知道发生了什么。中间展示三个渠道的增减贡献，让 8000 元的缺口和 2000 元的增长同时看得见。下方保留明细，方便确认某个数字到底来自哪些订单。旁边放渠道筛选，切到短视频广告后，卡片、图表和导出的订单都要跟着切换。

「可以点」只是第一步。选择了短视频广告，页面却仍然显示全店总数，或者导出里混进自然搜索订单，都不算完成。

这一轮可以给出具体要求：把刚才的分析制作成交互报表，显示两期净销售额、差额和变化率，并画出各渠道对总差额的贡献；提供渠道筛选和订单导出；选中一个渠道时，所有卡片、图表、明细与导出使用同一范围；保留比较日期、收入定义、数据更新时间与来源。

验收也不用复杂：切一次渠道，挑两笔订单对照原表，导出后再核一次总额。如果这些都对得上，才有继续给同事看的基础。

五、官方客户案例里的参考顺序

OpenAI 公告里，micro1 的团队反馈称他们用半小时重建了绩效追踪报表，并发现原报表中的错误。另一个例子是 CookUnity，其增长团队用自然语言建立并调整旺季转化看板，再与内部报表核对，帮助安排获客支出。

后一个例子里的「与内部报表核对」更值得参考。它给出了一个适合照着做的顺序：先让 AI 把想看的分析做出来，再和已有可靠记录对账，然后把结果用于下一轮工作。

这也比一上来就要求它「替公司制定增长战略」更容易判断有没有用。销售为什么少 6000 元，是一个能追、能核、能继续行动的问题；公司以后怎么增长，背后还有产品、市场和资源等一大堆信息。

六、怎么开始，先准备哪几样东西

官方入口是 ChatGPT Work 的插件目录，搜索 Data。安装并完成需要的数据连接后，在对话里用 @Data 开始。企业管理员可以管理插件与数据源是否开放，查询仍遵守账号原有的访问权限。

如果你只有表格，也可以先准备一份围绕单个问题的材料。官方插件介绍列出的输入来源包含表格、上传文件、粘贴的结果和明确标注的样例数据，并不要求每次都从一套大型数据库开始。

最有用的准备，是把这三件事写在同一份说明里：要比较哪个时间段，怎样定义收入，以及你最终想根据结果做什么决定。

比如「比较两个活动周期的净收入，扣除退款，想知道下周先检查哪个渠道」。有了这句话，AI 才知道该围绕什么组织数据，你也知道什么样的回答算有用。

建议先用 Data agent 完成一次小范围、可核对的经营分析，先把这 6000 元的变化查清，再考虑固定成周报、接更多数据源或交给团队使用。

七、常见问题

Q：这个分析需要连接公司数据库吗？

A：不一定。官方列出的输入来源包括表格、上传文件、粘贴的结果和标注清楚的样例数据。先从一份导出表开始也能跑通整套流程。

Q：为什么强调先做数据清洗，而不是直接看总额？

A：因为导出行数不等于实际成交数。重复导出、未付款订单、区间外记录都会让总额失真，而这些恰恰是最容易被忽略的部分。

Q：Data agent 能直接给出「问题原因」吗？

A：它能定位到值得检查的环节，比如「广告访客进站到付款之间」。但具体是缺货、页面故障还是支付失败，取决于你手头有没有对应记录，没有数据的原因应该标为待验证。