亚马逊后台每张报表都能导出 CSV，但真正卡住卖家的从来不是"导不出来"，而是"导出来一堆数字，看不出该动哪个 SKU"。用 ChatGPT 做亚马逊数据分析这件事，AI 读报表最值钱的地方不是替你算总和——后台自己就会算——而是替你做三件人肉很慢的活：跨表交叉（把广告花费、销量、退货并到同一个 SKU 上看）、揪异常（自动挑出"花钱多但不出单"“销量涨但退货也涨"的问题 SKU）、写周报（把结论压成一段人话）。至于每个数字准不准，仍以你后台导出的原始报表为唯一真值，ChatGPT 只做解读、不生产数据。

这篇给你一套可直接抄的提示流程：三张核心报表分别怎么喂、问什么、怎么交叉，最后让 AI 生成一份能直接发群里的周报。纯公开流程，不需要给你看我的后台截图，你拿自己的报表照着跑即可。

先做一件事：喂报表给 AI 之前，务必脱敏

这一步排在所有 prompt 之前，因为它关系到合规，不是可选项。亚马逊部分报表（尤其是订单报告、退货报告）会带买家个人信息（PII）：姓名、收货地址、邮箱、电话、订单号。把这些整表直接粘进 ChatGPT，等于把买家隐私交给了第三方，既违反平台的数据使用条款，也踩 GDPR/CCPA 的线。

导出后、喂给 AI 之前，先在 Excel 或表格工具里删掉这些列，只留分析真正要用的字段：

  • 广告报表：留 SKU/ASIN、广告活动名、关键词/投放对象、曝光、点击、花费、销售额、订单数、ACOS——不含任何买家信息，通常最安全。
  • 业务报告（销量）：留 SKU/ASIN、会话数、页面浏览量、购买转化率、订单量、销售额——按 SKU 聚合，本就不含 PII。
  • 退货报告：只留 ASIN/SKU、退货原因、退货数量、退货日期，删掉买家姓名、订单号、地址等所有能定位到人的列。

记一句话：喂给 AI 的表里，一行数据不应该能对应到某一个具体买家。 做到这条，剩下的分析就可以放开做了。

第一张：广告报表——让 AI 揪出"烧钱不出单"的投放

广告报表是最该交给 AI 的一张，因为它的分析逻辑高度规则化，人肉筛几百行关键词又慢又容易看漏。导出"搜索词报告"或"投放报告”，脱敏（本就无 PII）后粘进去：

你是亚马逊广告数据分析师。下面是我的广告投放报表（CSV，我粘在末尾），
字段含义：SKU、广告活动、投放关键词、曝光、点击、花费、销售额、订单数、ACOS。

请帮我做四件事，每件都用表格输出、附上支撑数字：
1. 揪出"高花费零转化"的投放：花费 > 全表花费中位数、但订单数=0 的关键词/投放对象，
   按花费从高到低列出——这些是首选的否词或降价对象。
2. 揪出"高 ACOS"的投放：ACOS 明显高于该 SKU 平均 ACOS 的投放，指出高多少。
3. 找出"低花费高转化"的潜力词：花费不高但订单数/转化率靠前的词，建议加预算。
4. 给一句话总结：这批投放里最该立刻停掉的是哪几个，最该加码的是哪几个。

不要编造字段里没有的数据；如果某个判断需要我补充信息，直接告诉我缺什么。

最后那句"不要编造"很关键——AI 只能基于你给的列算，别指望它知道表里没有的转化率或利润率。想更系统地把广告优化跑成闭环，可以接用 AI 优化亚马逊 PPC 广告那套否词与出价打法。

第二张：业务报告——让 AI 从销量里挑异常 SKU

后台"业务报告 > 按子商品详情"能导出每个 SKU 的会话数、转化率、销量。SKU 一多，人眼很难在几百行里看出"哪个 SKU 今天不对劲"。这正是 AI 的强项：

下面是我的亚马逊业务报告（按 SKU，CSV 粘在末尾），
字段：SKU、会话数、页面浏览量、购买转化率(Unit Session %)、订单量、销售额。

请你做异常检测，用表格分三类列出问题 SKU，每类说明判断依据：
A. 有流量没转化：会话数排前 30%、但转化率明显低于全店中位数——listing 或价格可能有问题。
B. 转化高但没流量：转化率排前 30%、但会话数很低——值得加广告/引流的潜力款。
C. 销售额贡献头部但转化下滑：销售额排前 5、转化率却低于自身正常水平的 SKU。

最后给一个"本期最该优先处理的 3 个 SKU"清单，每个写一句为什么。
只依据表内数据判断，别替我脑补原因，需要更多数据就指出来。

“有流量没转化"这一类通常是最快能回本的——流量已经花钱买来了，问题出在 listing 或定价，改动成本低见效快。想更深地拆卖家中心各张报表的看法，如何深度解析卖家中心销售数据那篇把字段口径讲得更细。

第三张：退货报告——让 AI 把退货原因聚成结论

退货报告脱敏后（只留 ASIN、退货原因、数量、日期），最适合让 AI 做归类和归因，因为退货原因常是买家自由填写的文本，人肉归类极累：

下面是我的退货报表（已脱敏，只含 ASIN、退货原因、退货数量、退货日期）。请你：
1. 按 ASIN 汇总退货总数，并算出每个 ASIN 的退货原因分布（各原因占比）。
2. 把五花八门的退货原因归并成几个大类（如尺寸不符、质量问题、与描述不符、
   买家改主意、物流破损等），指出全店占比最高的 2-3 个大类。
3. 针对占比最高的大类，各点出集中在哪几个 ASIN 上——这些是要重点排查的款。
4. 用一句话给结论：哪个 ASIN 的哪类退货最该先处理。

只做归类和统计，不要编造表里没有的原因。

“与描述不符"“尺寸不符"这类高频原因，往往指向 listing 图文该改，而不是产品本身有问题——这是低成本能降退货的方向。系统性降退货率可以参考旺季退货率怎么挖掉这颗毒瘤。

进阶：三表交叉，让 AI 给出跨维度结论

单张表各看各的，只能得到局部结论。真正的洞察在交叉里——比如一个 SKU 广告花费在涨、销量也在涨，但退货率同步飙升，那这波"增长"其实在亏钱。把三张脱敏后的表一起喂进去，让 AI 按 SKU 拼起来看：

我给你同一时间段的三张亚马逊报表（都按 SKU/ASIN，均已脱敏）：
【表1 广告】SKU、花费、广告销售额、ACOS
【表2 销量】SKU、会话数、转化率、总销售额、订单量
【表3 退货】ASIN、退货数量、退货原因大类

请你以 SKU/ASIN 为主键把三张表关联起来，输出一张合并分析表，列出每个 SKU 的：
花费、总销售额、ACOS、转化率、退货数量、退货率（退货数/订单量）。

然后重点标出三种危险信号的 SKU：
- "虚假繁荣"：销量涨但退货率同步走高，实际利润被退货吃掉；
- "广告依赖"：销售额几乎全靠广告，自然订单占比极低；
- "全面健康"：转化好、ACOS 低、退货低，值得加大投入的主力款。

最后给我一段 300 字以内的总结，说清本期哪些 SKU 在赚钱、哪些在假装赚钱。
只用我给的数据算，退货率等衍生指标算不出来时就标注"数据不足"。

跨表关联是人肉做起来最痛、AI 做起来最省的一步——你只要保证三张表都有可对齐的 SKU 列，AI 就能几秒钟拼出人眼要拉半天透视表才看得到的画面。

收尾：让 AI 把分析写成一份能直接发的周报

分析做完，最后把结论压成一段人话周报。别让 AI 从零编，而是把前面几步的结论喂给它，只让它做"组织成文”：

下面是我本周对广告、销量、退货三张报表的分析结论（我粘在末尾）。
请把它整理成一份亚马逊运营周报，结构如下，语气简洁、给同事看：

1. 一句话总览：本周整体表现（销售额、利润趋势、最大风险）。
2. 三个关键结论：各配一句数据支撑。
3. 本周待办：列出 3-5 个具体动作（改哪个 listing、停哪个投放、排查哪个退货），
   每条注明负责方向和优先级。
4. 需要关注但暂不处理的：留观察的 SKU 或指标。

只基于我给的结论写，不要新增我没提供的数字。

这样出来的周报是"你分析、AI 组织”，数字全部来自你自己的报表，AI 只负责把它写顺——既省时间，又不会掺进幻觉数据。

AI 读报表能做和不能做：边界表

环节ChatGPT 能做必须靠你/后台
数据来源解读、归类、交叉你给的表提供准确的原始报表（唯一真值）
异常检测按规则揪出问题 SKU、跑偏投放判断异常背后的真实业务原因
跨表交叉以 SKU 为主键拼多张表、算衍生指标保证各表 SKU 列可对齐、口径一致
退货归因把文本原因聚类、算占比核实是否要改产品/listing/供应链
周报生成把结论组织成通顺的文字提供结论、审核措辞、对外拍板
具体数值基于给定数据计算别问它表外的搜索量、利润率（会编）

一句话记牢：报表数字的真值永远在你后台，ChatGPT 是解读器不是数据源。 谁把"数据准不准"这一问交给 AI，谁就会拿幻觉数字做决策。

常见坑

  • 别把带买家 PII 的原表直接粘进去。 脱敏是第一步，不是可选项——这既是合规底线，也避免 AI 拿无关字段瞎分析。
  • 别让 AI 算表里没有的指标。 想让它算退货率，就得同时给退货数和订单量；缺列时它可能编一个，务必要求它"数据不足就标注”。
  • 别一次喂太大的表。 几千行的报表超出上下文会被截断，导致结论只覆盖前半截。按 SKU 聚合或按时间段拆分后再喂。
  • 别把 AI 结论当最终决策。 它给的是"哪里该看"，不是"该怎么做"——停投放、改价格这些动作，你要结合利润、库存、季节自己拍板。

行动清单

  1. 从后台导出广告、业务、退货三张报表，各自删掉买家 PII 列。
  2. 用第一步 prompt 让 AI 揪出烧钱不出单的投放，先止血。
  3. 用第二步 prompt 从业务报告里挑出"有流量没转化"的 SKU，优先改 listing。
  4. 用第三步 prompt 把退货原因聚类，找到最该改图文的款。
  5. 用交叉 prompt 把三表拼起来，识别"虚假繁荣"和"广告依赖"的 SKU。
  6. 用周报 prompt 把结论压成一段人话，发群里对齐，下周再跑一遍看变化。

核心逻辑就一句：后台出数据、ChatGPT 出结论、你出决策。 把这三件事分清，一个人也能做到过去要一个数据运营才做得动的报表分析。

延伸阅读