附录 E　经营数据分析与项目判断

01经营里，哪些该交给 AI

一个经营决策——要不要上一门新课、要不要接这个合作、某条产品线到底赚不赚钱——本身就是一件信息密集、强结构化、又极度依赖判断的事：看不完的数据、理不清的因素、拍不了板的纠结。而整理碎片信息、拆解复杂材料、把思考过程摆到台面上，恰好是 AI 擅长的。

02先想清楚：AI 该干什么、不该干什么

很多人对"用 AI 做经营决策"的想象，是让它直接告诉你"做还是不做"。但真正有价值的用法，其实只集中在四类事上——它们都不是"替你拍板"，而是减少你低质量思考的时间：

• 材料读不完，帮我把事实梳理成结构；
• 因素太复杂，帮我把逻辑理一遍；
• 意见吵得凶，帮我把正反两方观点摆进一张表；
• 我怕自己自嗨，帮我找反证。

动手前，先用五个问题给这次判断定标。很多"AI 分析得不好"，根子不在模型不会分析，而在人没把要判断的事说清楚：

03一套可复用的"经营判断"提示词链路

这一节全是提示词，按"从查事实 → 到下判断"由浅入深排。你不必每条都用——先用前三条建立事实底座，需要深挖再往后走；最后一条是把前面全部压进一个框架的"全家桶"。用法统一是：把方括号 【】 里的占位换成你的真实对象，粘贴运行。

提示 1事实底座：这门生意 / 这个项目到底是怎么回事

先别急着判断，先搞清楚它到底靠什么成立。很多错误判断，从第一步认错了"它靠什么赚钱 / 它到底要解决谁的问题"就开始了。

请系统梳理【这门产品 / 这个项目】的基础情况，输出结构化总结：
1）它到底为谁、解决什么问题；
2）收入 / 价值从哪来，成本主要花在哪；
3）核心客户和使用场景；
4）它在我整个业务里的位置；
5）近期最重要的变化。
只用可核实的信息，每部分 3-5 条要点；不做建议，只做事实整理。

提示 2赛道视角：这是不是一件值得投入的事

常被低估的一点：你选的往往不是某个产品，而是它所在的方向。让 AI 做方向的"第一性梳理"；但拐点、见底这种，别指望它给答案。

从"值不值得投入"的角度，分析【这个方向 / 这类服务】：
1）需求处在什么阶段（刚起 / 扩张 / 见顶 / 退潮）；
2）供需和主要驱动因素；
3）竞争格局：谁在做、做得怎么样、我的差异点在哪；
4）关键外部变量（平台规则、获客成本、政策）。
明确区分：哪些是长期结构性因素，哪些是短期波动。

提示 3赚钱机制：钱到底是怎么进来的

从"看产品"到"看生意"的关键一步。很多"看起来很美"的业务，核心利润其实很脆弱。

请拆解【这门生意】真正长期靠什么赚钱：
1）一句话结论：卖什么 → 卖给谁 → 为什么能赚钱；
2）各条业务线：收入占比、毛利、增长趋势（近几期，用我给的数据）；
3）哪些"收入大但不赚钱"，是否存在"主业不赚、靠某块补"；
4）钱怎么收（一次性 / 复购 / 订阅 / 项目制）、成本花在哪、有没有规模效应、有没有定价权。
区分【事实】和【判断】，判断必须给证据或逻辑链。

提示 4质量扫雷：赚的钱"干不干净"

核心是强制做"账面 vs 现金"的交叉验证——报表好看、钱没真回来，往往是第一个预警。

用我提供的经营数据，分析【这块业务】近几期的质量：
1）收入 / 利润 和 真实现金回款 是否匹配；
2）应收、库存、预收的变化；
3）有没有靠一次性收入 / 补贴撑起来；
4）值得持续盯的风险点。
不预测未来，只判断"质量"；对异常给出解释假设和验证路径。

提示 5责权与激励：大家是不是一条船上的

好生意 + 责权乱 = 高风险。合作、分成、对赌这些"筹码面"的信息很分散，适合让 AI 一次性理成时间表和风险雷达。

梳理【这个合作 / 这个项目】的责权与激励结构：
1）谁投入什么、谁拿什么、决策权在谁；
2）分成 / 对赌 / 里程碑条款，有没有短期行为激励（冲量、压成本）；
3）关键依赖和潜在利益冲突。
输出：责权结构（文字版）+ 风险雷达（高 / 中 / 低）+ 要盯的条款清单。

提示 6分歧：支持做和反对做的，各在吵什么

正反双方的理由最有信息量。这一步不是告诉你信谁，而是帮你把分歧摊平，看清未来该盯哪些数据来验证。

整理关于【要不要做这件事】的主要分歧：
1）支持做的核心逻辑；
2）反对做的核心逻辑；
3）各自最重要的论据；
4）哪些分歧能被未来数据验证、关键验证节点是什么。
不许站队、不给结论、不用情绪化语言，所有判断都要能被未来数据或事件验证。

提示 7壁垒与预期：市场在押什么假设

壁垒和"当前预期"是判断绕不开的两块——尤其是别人（或你自己）已经默认了哪些乐观假设。

分析【这门生意】的壁垒：
1）定价权：过去有没有成功提价 / 转嫁成本的证据；
2）转换成本：客户离开的代价是什么（关系、流程、生态）；
3）规模 / 网络效应；
4）无形资产：品牌、口碑、独家资源、数据。
再反推：现在这个判断，隐含了哪些"必须成立"的乐观假设？
输出：壁垒强度（0-5）+ 证据 + 最容易被侵蚀的点 + 要监控的指标。

提示 8全家桶：一份"要不要做"的尽调级判断

把前七步压进同一个框架，强制区分事实与判断、强制交叉验证、强制推演反面和黑天鹅——用来对抗人最容易犯的"确认偏误"。

帮我出一份"要不要做【这件事】"的尽调级判断报告。严格按框架推演。
研究原则：
1）区分【事实】与【判断】，判断必须基于我提供的真实数据；
2）双重验证：账面 vs 现金、我 vs 同行；
3）必须包含"反对做的逻辑"和"黑天鹅风险"，避免确认偏误。
框架：① 生意本质与壁垒 ② 方向与竞争 ③ 数据健康度扫雷
      ④ 责权与激励 ⑤ 预期与风险
输出：
- 信号灯结论：🟢做 / 🟡再等等 / 🔴不做 + 一句话核心逻辑；
- 关键数据表（用我给的真实数据）；
- 分析正文（每个结论附证据）；
- 监控清单：只有当【A】发生才强化"做"，一旦【B】恶化就证伪、退出。

04从提示词到 Skill：组装一个"经营判断助手"

上面这些单独看都好用，但真要判断一件事，得一条条粘、把上一步结论手动喂给下一步、最后自己整理成报告。痛点很明确：要手动串、换对象重来、数据靠眼睛、决策容易自嗨、交付靠手工。

解决办法不是重写，而是编排（Orchestration）——把已经好用的部件按顺序接成一条流水线：

这里藏着做 Skill 最值得学的一点——复用而非重写：数据分析、联网检索、排版这些能力都复用现成的部件，你自己只补"经营判断"这条主线（正好接第 22 章讲的蒸馏、和第 24 章讲的多员工协作）。它还有两个"产品化"的小设计：首次使用先问你几个偏好（风险偏好、看多长期、能接受多大投入），存起来之后按你的风格调权重；两种入口同一条流水线（丢一堆数据、或只给一个判断题，差异只在取数方式）。

05走一遍：拿一个真实判断跑这条链

光讲原理不够，走一遍你就懂了。假设你是做课程与服务的经营者，在纠结"要不要上一门 8 周的高价陪跑课"。三步递进：

• 第一步 · 理事实底座：把这门课的定位、目标学员、你手上的真实往期数据（比如过往同类产品的转化、交付投入、复购）丢给它，让它先按提示 1、3、4 理成结构化底座——它不下结论，只把"你到底靠什么赚钱、成本花在哪、钱有没有真回来"摆清楚。
• 第二步 · 多维分析：接着让它按提示 2、6、7 做方向、分歧、壁垒的分析，各维度分开打分再合成——好的地方给分，估值/投入太重就在总分里扣回来，不会因为"我很想做"就无脑看多。
• 第三步 · 开一场"私董会"：判断纠结时，让它请几位风格不同的"幕僚"就这件事交叉辩论（有人只看现金安全，有人只看增长机会，有人只看你个人擅不擅长），最后各给一句"做 / 缓 / 不做"，再由它综合成一份分情形的执行方案，并挂到几个未来验证节点上——比如"先跑一场小规模公开课，转化到某个线才启动正式招生，否则搁置"。

— 这一段里所有"数据"都用你自己的真实经营数字，本白皮书不替你编造样本数字；重点是这条"看事实 → 多维分析 → 正反辩论 → 出判断"的链路怎么跑，而不是某个具体结论。

回头看，它把前面那串散装提示词，变成了一次几轮对话就跑完的完整判断。而全程它没替你做那个最关键的决定——做还是不做。它只是把该看的都看了、该吵的都吵了，最后把判断权，干干净净交回你手里。

06常见错误与边界

经营判断关系真金白银，比整理个文档更要守住边界。下面几条最容易踩：

07完成检查

• 动手前用五个问题给这次判断定了标（目标 / 对象 / 材料 / 深度 / 验收）；
• 先建了事实底座，再做多维分析，没有一上来就下结论；
• 所有数字都来自我自己的真实经营数据，没有编造样本；
• 强制做过"账面 vs 现金"的交叉验证；
• 用"私董会 / 反证"环节逼自己看了反对的逻辑；
• 最终"做不做"由我拍板，AI 只提供分析。