企业官网建设流程全解析

1. 项目概述：当销售数据撞上大模型，谁在真正“看懂”业务？

我们把过去18个月、覆盖5个区域、23个产品线、总计47万条原始销售记录——没有清洗、没有建模、没有预设指标口径，就是最原始的CSV文件，直接丢给了ChatGPT（具体为GPT-4 Turbo 2024-04版本）。指令只有一句：“请基于这些数据，构建一个能支撑销售周会决策的可视化仪表盘，并说明你选择每个图表和指标的理由。”结果生成了一份含12张图表、6类核心KPI、3段业务洞察建议的完整方案文档。更关键的是，这份输出交到了一位有12年快消行业数据分析经验、带过7人BI团队的资深分析师手里——他没碰任何代码，也没打开Excel，只用35分钟就完成了全盘评审。这不是一场AI能力秀，而是一次对“数据理解力”边界的实地测绘：大模型到底是在复述统计学常识，还是真能穿透字段名，嗅到销售漏斗里那股若有若无的腐味？它识别出的“华东区Q3新客转化率断崖下跌”，是源于真实数据异常，还是被“华东”“Q3”“转化率”三个词触发的模板化警报？本文不谈API调用或前端渲染，只聚焦那个最刺眼的问题：当人类分析师把鼠标悬停在AI生成的“客户生命周期价值（LTV）趋势图”上时，他第一眼盯住的，不是Y轴数值，而是图例里那个被悄悄重命名的字段——“revenue_2023_q4_adj”——而原始数据表里，它叫“total_amount_usd”。这个微小的、未经声明的字段改写，暴露了整个链条里最危险的断层：大模型不处理数据，它处理关于数据的描述；它不理解业务，它拼凑业务的语义碎片。这篇复盘，写给所有正把销售日报拖进对话框的销售总监、正犹豫要不要砍掉BI团队预算的CFO、以及每一个在深夜调试Power BI DAX公式时突然怀疑自己是否在给AI当训练数据的分析师。你不需要会写Python，但必须清楚：当AI开始“解释”你的业绩时，它解释的究竟是事实，还是你投喂给它的语言习惯。

2. 核心思路拆解：为什么不用SQL/Python直接分析，而要绕道大模型？

2.1 表面动因：效率幻觉下的真实痛点

表面看，这是个“降本增效”的典型场景。销售团队每天手动拉取5份不同系统的数据，在Excel里做VLOOKUP、去重、分列、条件格式，再复制粘贴到PPT——平均耗时2.7小时/人/天。管理层抱怨“数据太慢，追不上市场变化”。于是技术团队自然想到：让AI直接读数据、出结论、画图表。但深入一线就会发现，真正的瓶颈根本不在“速度”，而在“共识成本”。举个真实案例：上季度华东区销售目标未达成，复盘会上，销售VP说“渠道压货太猛，库存积压”，财务VP说“应收账款周期拉长至92天，现金流承压”，而运营VP指着同一份数据说“新品铺货率达标，但动销率仅31%”。三个人看的都是同一张表，却活在三个平行宇宙里。传统BI工具（如Tableau、Power BI）解决的是“怎么画”，而大模型被寄予厚望的是“怎么定义”——它能否自动识别出“压货”在财务语境下对应“期末库存/月均出库量>3.5”，在销售语境下对应“单店月均进货量环比+40%且退货率<2%”，并据此生成不同视角的预警？这才是我们绕道大模型的核心逻辑：不是用它替代ETL工程师，而是用它充当跨职能部门的“语义翻译器”，把模糊的业务诉求，实时转译成可计算的数据契约。

2.2 技术选型背后的三层博弈

选择ChatGPT而非自研模型或专用BI插件，是经过三轮内部推演的结果：

• 第一层：数据安全与合规红线
  公司ERP系统数据严禁出内网，但销售团队日常用Teams协作，大量非结构化沟通（如“王经理反馈苏州客户投诉发货延迟”）散落在聊天记录里。ChatGPT企业版支持私有化部署+本地知识库接入，意味着我们可以把脱敏后的历史会议纪要、产品FAQ、渠道政策PDF喂给它，让它理解“苏州客户”特指“KA渠道中年销售额TOP10的3家连锁药房”，而非地理意义上的苏州市辖区。这种上下文注入能力，是纯SQL查询永远无法获得的。

• 第二层：指标定义的动态性
  销售指标从来不是静态的。比如“新客”定义：Q1按首次下单时间，Q2因促销活动改为“首单金额>200元且完成实名认证”，Q3又因渠道变革调整为“通过小程序注册且7日内完成首单”。传统BI需要DBA手动修改视图逻辑，而大模型只需接收一句“按最新渠道政策重新定义新客”，就能在生成的SQL中自动替换WHERE条件。我们测试过，对同一份数据，人工重写指标逻辑平均耗时4.2小时，ChatGPT生成+人工校验仅需18分钟——差距不在编码速度，而在它能瞬间调取并应用最新的业务规则文本。

• 第三层：异常归因的推理链
  当仪表盘显示“华北区客单价骤降22%”，传统BI只能标红告警。而大模型在生成报告时，会同步输出归因路径：“客单价下降→高单价产品A销量-35%→A产品缺货率升至68%→采购系统显示该SKU供应商物流中断→关联新闻稿确认XX港口罢工”。这条链路并非来自数据库JOIN，而是它从我们提供的《供应链风险手册》《行业新闻摘要》等文本中，将“港口罢工”与“物流中断”“缺货率”建立语义关联。这本质上是一种轻量级的知识图谱推理，成本远低于构建专业领域KG。

提示：这里存在一个致命误区——认为大模型“理解”了业务。实则不然。它只是在海量文本中，找到了“港口罢工”与“缺货”共现概率最高的语境模式。当某次真实缺货源于内部质检流程变更（文档未更新），模型仍会固执地指向港口。因此，我们强制要求所有AI生成的归因结论，必须附带置信度标签（如“港口罢工归因置信度：73%，依据来源：2024-Q2供应链简报P12”），把黑箱变成半透明玻璃箱。

2.3 为什么必须由资深分析师终审？——不可外包的“语义锚点”

有人质疑：既然AI能生成SQL和图表，为何不直接上线？答案藏在一个被忽略的细节里：数据字典的“活态性”。原始销售数据表中有个字段叫“status_code”，开发文档定义为“订单状态（0=待支付，1=已支付，2=已发货…）”，但销售团队私下约定“status_code=5”代表“客户临时取消，但承诺下周补单”，这类业务暗语永远不会写入IT文档。资深分析师的价值，正在于他是唯一同时掌握“书面规范”与“口头潜规则”的人。他看到AI生成的“已发货订单占比”图表时，会立刻追问：“status_code=5的订单是否计入‘已发货’？如果计入，那‘承诺补单’的预期收入就被提前确认了。”这种对数据灵魂的触摸感，是任何训练数据都无法教会模型的。我们的流程设计中，分析师不是“审核员”，而是“语义校准师”——他用10分钟标注出3个关键字段的业务真义，AI便能据此重写全部逻辑。这印证了一个残酷事实：大模型越强大，人类专家越不可替代；它放大的不是人的懒惰，而是人独有的语境解码能力。

3. 核心细节解析：AI生成的“仪表盘”究竟长什么样？

3.1 图表体系：12张图背后的业务逻辑树

AI生成的12张图表绝非随机堆砌，而是严格遵循销售管理的PDCA循环，构成一张可交互的决策地图。我们按业务流顺序拆解其设计逻辑：

注意：AI生成的图表标题常带误导性。例如图5的“客户等级vs复购周期”，原始数据中并无“客户等级”字段，AI是根据“last_order_amount”和“order_frequency”两个字段聚类后自行打标。资深分析师必须核查其聚类算法参数（如K-means的K值=3是否合理），否则A级客户可能被错误划入低频复购组。

3.2 KPI体系：6个指标如何重构销售管理语言

AI提炼的6个核心KPI，本质是对销售管理话语体系的一次暴力压缩与重组。它们跳出了传统“销售额、毛利、回款率”的舒适区，直指业务神经末梢：

1. 渠道健康度指数（CHI）
   公式：CHI = (KA渠道销售额占比 × 0.4) + (电商渠道动销率 × 0.3) + (分销商库存周转天数倒数 × 0.3)
   为什么重要：传统考核只看KA渠道绝对额，但AI发现当KA占比>65%时，电商动销率会断崖下跌（相关系数-0.82）。CHI强制管理者平衡渠道生态，避免“一条腿走路”。

2. 销售线索沉睡率（SLR）
   公式：SLR = count(status='lead' and last_contact_days > 30) / total_leads
   为什么重要：销售团队总说“线索质量差”，但SLR揭示真相——73%的沉睡线索产生于市场部批量导入的展会名单，而非销售自主开拓。这倒逼市场部优化获客策略。

3. 产品组合熵值（PCE）
   公式：PCE = -Σ(p_i × ln(p_i))，其中p_i为第i产品线销售额占比
   为什么重要：熵值越高，产品结构越分散。当PCE>1.2时，销售培训成本激增，而AI发现此时人均单产下降18%。这为产品线精简提供量化依据。

4. 客户成功前置度（CSP）
   公式：CSP = days_to_first_value_delivery / total_implementation_days
   为什么重要：实施类项目常因交付周期长导致客户流失。CSP衡量“首次交付价值”的速度，当CSP<0.3时，客户续约率提升至89%。

5. 销售行为合规率（SBC）
   公式：SBC = count(quote_validity_days ≤ 30) / total_quotes
   为什么重要：AI从合同扫描件OCR文本中提取“有效期”字段，发现超期报价占比达41%，直接导致丢单率上升。这暴露了销售流程的灰色地带。

6. 预测偏差收敛率（PDC）
   公式：PDC = 1 - |actual_revenue - forecast_revenue| / actual_revenue（滚动3期均值）
   为什么重要：不再考核单次预测准确率，而是看预测能力是否持续改善。当PDC连续2期>0.85，系统自动释放更多市场费用权限。

实操心得：AI生成的KPI公式看似完美，但落地时必遇“数据可得性陷阱”。例如“客户成功前置度”需对接CRM的交付系统，而我司交付数据分散在5个子系统中。最终我们妥协：用“首次登录客户系统时间”替代“首次价值交付”，虽有偏差，但数据可即时获取。在数据治理未完善前，宁可用有缺陷的实时指标，也不用完美的滞后指标。

3.3 业务洞察建议：那些藏在图表背后的“幽灵逻辑”

AI生成的3段洞察建议，才是真正体现其价值的“暗物质”。它们不是对图表的简单复述，而是基于跨数据源关联的深度推演：

• 洞察一：“华东区Q3新客转化率断崖下跌”
  AI指出：转化率从28%降至12%，主因是“新客首单金额中位数从1560元降至890元”，进一步追溯发现“89%的新客来自抖音直播引流，且72%使用了‘新人专享95折’券”。但关键转折在于——AI比对了市场部投放报表，发现该优惠券ROI仅为0.3（即每花1元营销费，仅带来0.3元收入），而同期微信社群裂变ROI为2.1。建议立即暂停抖音优惠券，将预算转向社群。分析师点评：此洞察成立，但AI未提及隐藏风险——抖音用户客单价虽低，但30日复购率达41%，远高于社群用户的22%。需补充AB测试。

• 洞察二：“TOP10销售代表贡献率持续攀升至65%”
  AI警告：头部效应加剧，但深层原因是“TOP10人均使用AI销售助手频次为团队均值的3.2倍”，而助手功能中“竞品话术生成”使用率最高。建议将该功能向全员开放，并配套话术培训。分析师点评：精准击中要害。我们确实在Q2上线了AI助手，但未做权限分级。此建议直接促成Q4全员赋能计划。

• 洞察三：“客户投诉中‘发货延迟’占比达37%，但ERP显示准时发货率98.2%”
  AI破案：通过解析客服工单文本，发现“发货延迟”投诉者中，91%的订单收货地址为“乡镇快递网点”，而ERP的“准时发货”仅校验至市级分拨中心。建议在物流系统增加“末端网点签收时效”监控。分析师点评：这是最惊艳的发现。IT部门此前坚称数据无误，直到我们按此建议调取快递公司API数据，证实乡镇网点平均滞留4.7天。AI用语义分析绕过了系统盲区。

注意：所有洞察建议都附带“证据链溯源”。例如洞察三的证据链为：客服工单文本→NLP提取“发货延迟”关键词→关联订单号→匹配ERP发货时间→比对快递公司签收时间→定位乡镇地址特征。这种可追溯性，是人工分析难以持续保持的严谨度。

4. 实操过程全记录：从丢数据到拿报告的72小时

4.1 数据准备阶段：原始数据的“驯化”艺术

我们并未直接上传47万行CSV，而是进行了三步“数据驯化”，这是项目成败的关键前置：

1. 字段语义强化（耗时：2.5小时）
   在原始CSV旁，创建一个data_dictionary_enhanced.csv文件，为每个字段添加业务注释。例如：

   field_name,original_comment,business_meaning,example_value order_id,"系统生成ID","唯一订单标识，含渠道前缀（JD=京东，TB=淘宝）","JD202407150001" status_code,"订单状态码","0=待支付，1=已支付，2=已发货，5=客户暂存（承诺补单）","5"

   为什么必要：AI对“status_code=5”的解读，90%依赖此类显式提示。若仅靠原始数据，它大概率将其归为“异常状态”而非“特殊业务状态”。

2. 样本数据蒸馏（耗时：1.2小时）
   从47万行中抽取1200行“黄金样本”：覆盖所有区域、所有产品线、所有订单状态、所有渠道类型，并确保包含至少5个典型异常案例（如负金额订单、跨年订单、测试订单）。将此样本单独保存为sample_gold.csv。
   原理：大模型的上下文窗口有限（GPT-4 Turbo为128K tokens），直接喂全量数据会导致关键字段被稀释。用精心设计的样本，相当于给AI做了“数据CT扫描”，它能更精准地捕捉字段间关系。

3. 业务规则注入（耗时：3.8小时）
   编写一份business_rules.md文档，明确所有动态规则：

   ## 新客定义（2024-Q3生效） - 条件1：首次下单时间 ≥ 2024-07-01 - 条件2：首单金额 ≥ 200元 - 条件3：完成手机号实名认证（字段：is_phone_verified = 'Y'） - 排除：test开头的邮箱注册用户（email LIKE 'test%'） ## 渠道分类标准 - KA渠道：客户名称含"华润""国药""上药"且年采购额>500万 - 电商渠道：order_source IN ('JD','TB','PDD') - 分销商：客户等级字段 = 'DISTRIBUTOR'

   效果：AI生成的SQL中，WHERE条件与文档完全一致，省去人工核对逻辑的时间。

实操心得：别迷信“原始数据最真实”。在AI时代，经过业务语义强化的数据，才是真正的生产资料。我们曾跳过步骤1，直接上传原始CSV，结果AI将“status_code”全部解读为“支付状态”，导致所有发货分析全盘错误。2.5小时的字段注释，换来了后续20小时的免返工。

4.2 提示词工程：让AI听懂“人话”的17个关键技巧

与AI对话不是提问，而是导演一场精密的话剧。我们沉淀出17条实战技巧，每一条都来自踩坑：

• 技巧1：角色预设比指令更重要
  开场白固定为：“你是一位有15年快消行业销售分析经验的首席数据官，正在为CEO准备季度经营分析会材料。请用业务语言而非技术术语输出。”
  效果：避免生成“SELECT COUNT(*) FROM orders WHERE...”这类代码，直接输出“华东区新客获取效率同比下降19%，主要受抖音渠道补贴退坡影响”。

• 技巧2：强制结构化输出
  明确要求：“请严格按以下结构输出：①核心发现（1句话）；②数据证据（含具体数值与对比基准）；③业务归因（不超过3个原因，按重要性排序）；④行动建议（可执行、有时限、有责任人）。”
  效果：杜绝AI天马行空的散文式分析，确保每条输出可直接粘贴进汇报PPT。

• 技巧3：设置“防幻觉”护栏
  加入约束：“所有结论必须基于我提供的数据文件。若某字段在数据中不存在，请明确声明‘该字段未在数据中找到，无法分析’，禁止猜测或虚构。”
  效果：在测试中，AI曾试图分析“客户满意度NPS”，而原始数据中并无此字段。此约束让它主动报错，而非编造数据。

• 技巧4：数值精度控制
  指令：“所有百分比保留1位小数，金额单位统一为‘万元’，时间范围精确到‘YYYY-MM-DD’，禁止使用‘约’‘大概’等模糊表述。”
  效果：确保输出可直接用于正式汇报，避免二次加工。

• 技巧5：归因深度控制
  要求：“归因分析必须达到第三层。例如：发现A下降→需指出B变化→再指出C驱动B。禁止停留在‘A下降’层面。”
  效果：迫使AI进行链式推理，而非表面描述。

• 技巧6：图表交互提示
  指令：“为每张图表生成3个可点击的钻取路径。例如热力图可钻取：区域→城市→门店；漏斗图可钻取：环节→失败原因→责任岗位。”
  效果：生成的仪表盘天然具备下钻能力，大幅提升实用性。

• 技巧7：风险预警前置
  要求：“在每条建议后，用【风险】标签注明潜在副作用。例如：‘暂停抖音优惠券’的【风险】：短期新客量下降15%，需同步启动老客召回计划。”
  效果：培养管理者的风险意识，避免盲目执行。

• 技巧8：多版本对比指令
  当不确定最佳方案时，指令：“请基于同一数据，生成3种不同的仪表盘设计方案：方案A侧重渠道健康度，方案B侧重销售过程管控，方案C侧重客户生命周期价值。用表格对比其核心指标、图表类型、实施难度（1-5分）。”
  效果：提供决策选项，而非单一答案。

• 技巧9：术语一致性锁
  指令：“全文档中，‘新客’必须统一为‘New Customer’，‘复购’必须统一为‘Repeat Purchase’，‘KA渠道’必须统一为‘Key Account Channel’。禁止使用同义词。”
  效果：保障跨部门沟通时术语零歧义。

• 技巧10：时间颗粒度声明
  指令：“所有时间分析默认以‘自然周’为单位（周一至周日），Q3指2024-07-01至2024-09-30。禁止使用财年或滚动周期，除非我特别说明。”
  效果：消除时间维度混乱，这是销售分析中最常见的错误源。

• 技巧11：数据可信度标注
  要求：“对每个关键数据点，标注其来源表与字段。例如：‘华东区销售额1.2亿元（来源：sales_fact表，revenue字段）’。”
  效果：建立数据血缘，便于快速溯源验证。

• 技巧12：异常值处理声明
  指令：“对金额<0的订单、订单日期早于公司成立日的记录、客户ID为空的行，请先执行清洗，并在报告中说明清洗规则与影响行数。”
  效果：AI主动承担基础ETL工作，且全程透明。

• 技巧13：敏感信息脱敏
  要求：“所有客户名称、员工姓名、具体金额（>10万元）必须脱敏。客户名替换为‘客户A’‘客户B’，员工名替换为‘销售代表1’，金额替换为‘[金额]万元’。”
  效果：满足信息安全审计要求，无需人工二次脱敏。

• 技巧14：多维度交叉验证
  指令：“当分析某个现象时，必须从至少2个独立维度交叉验证。例如分析‘新客转化率下降’，需同时查看‘流量来源’与‘优惠券使用率’，而非仅看单一维度。”
  效果：避免归因片面化，提升结论稳健性。

• 技巧15：业务优先级排序
  指令：“所有发现按业务影响程度排序，影响程度=（涉及金额×0.4）+（影响客户数×0.3）+（影响销售代表数×0.3）。请给出排序依据。”
  效果：让AI学会用业务语言思考优先级，而非技术逻辑。

• 技巧16：可操作性校验
  要求：“每条行动建议必须满足：①有明确执行主体（如‘销售VP’‘市场部’）；②有明确时限（如‘Q4结束前’）；③有可验证结果（如‘抖音新客成本降低至≤80元/人’）。”
  效果：杜绝“加强管理”“优化流程”等无效建议。

• 技巧17：版本迭代标记
  指令：“在报告末尾添加‘版本信息’：本次分析基于2024-07-15 10:00的数据快照，使用GPT-4 Turbo模型，提示词版本v3.2。”
  效果：建立分析可追溯性，为后续迭代提供基线。

提示：这17条技巧不是一次性写完的。我们是在72小时实操中，每遇到一次AI“答非所问”，就新增一条约束。最终形成的提示词模板，长达2187字符，但它让AI的输出准确率从初期的43%提升至终版的92%。

4.3 分析师评审全流程：35分钟完成深度校验

资深分析师的评审不是走马观花，而是一套标准化的“五维穿透法”，每一步都有明确检查点：

• 维度一：字段真实性穿透（耗时：8分钟）
  随机抽取3个关键图表，反向追踪其数据源。例如图1热力图，他打开AI生成的SQL，逐行核查：

  • SELECT region, SUM(revenue) FROM sales_data GROUP BY region→ 正确，region字段存在于原始数据
  • WHERE order_date >= '2024-07-01'→ 正确，符合Q3时间范围
  • AND status_code IN (1,2,5)→发现问题！原始数据中status_code=5代表“客户暂存”，不应计入已实现销售额。此处AI错误地将“暂存”等同于“已成交”。
    修正动作：在提示词中增加约束：“status_code=5的订单，仅计入‘线索池’，不计入任何销售额指标。”

• 维度二：指标口径穿透（耗时：10分钟）
  聚焦KPI公式，验证其业务合理性。以“渠道健康度指数（CHI）”为例：

  • 权重分配（0.4/0.3/0.3）→ 查阅公司《2024战略规划》，确认KA渠道权重最高，合理
  • “电商渠道动销率”定义 → AI定义为“有销售记录的SKU数/总铺货SKU数”，而业务实际要求“近30日有动销的SKU数/当前在架SKU数”。
    修正动作：提供《动销率计算标准V2.1》文档，要求AI重算。

• 维度三：归因逻辑穿透（耗时：7分钟）
  对洞察一“抖音新客转化率下降”，他检验证据链：

  • “新客首单金额中位数下降” → 数据正确
  • “72%使用新人专享95折券” → 数据正确
  • “该优惠券ROI为0.3” →发现问题！ROI计算应为“带来的增量收入/营销费用”，而AI错误地用“所有使用该券的订单收入/费用”，未扣除本就会成交的客户。
    修正动作：提供《营销ROI计算指南》，要求AI使用Uplift模型逻辑重算。

• 维度四：图表有效性穿透（耗时：6分钟）
  检查图表是否有效传递信息。图5雷达图中，5个能力维度得分被AI设为相同量纲（0-100分），但“客户谈判能力”与“产品知识”本就不具可比性。
  修正动作：要求AI改为Z-score标准化，或改用独立刻度。

• 维度五：风险覆盖穿透（耗时：4分钟）
  核查所有【风险】标签是否全面。洞察二建议“全员开放AI销售助手”，但未提及“销售代表数字素养差异可能导致工具使用率两极分化”。
  修正动作：补充【风险】：“预计基层销售代表工具采纳率仅35%，需配套‘AI助手使用认证’培训。”

实操心得：分析师评审的终极目标，不是把AI变成完美机器，而是把它训练成一个极度诚实的实习生——它会犯错，但会清晰告诉你错在哪里、为什么错、以及如何修正。我们最终的报告，保留了所有AI的原始输出，但用不同颜色标注了分析师的修订痕迹，并附上修订理由。这比一份“干净”的报告更有价值。

5. 常见问题与排查技巧实录：那些没写在说明书里的坑

5.1 数据加载失败：不是网络问题，是“语义超载”

现象：上传CSV后，ChatGPT返回“文件过大，无法处理”，但文件仅12MB（远低于128MB限制）。
根因排查：

• 第一步：检查文件编码。原始CSV为GBK编码，而ChatGPT仅支持UTF-8。用Notepad++转换后重试，问题依旧。
• 第二步：检查字段分隔符。数据中存在大量逗号（如地址字段“上海市,浦东新区,张江路123号”），导致CSV解析错乱，AI误判为百万级字段。
• 第三步：检查特殊字符。订单备注字段含emoji（👍）及不可见Unicode字符（U+200B零宽空格），触发内容安全策略。
  终极解决方案：

1. 用Python脚本预处理：df.to_csv('clean.csv', encoding='utf-8', sep='|', quotechar='"', quoting=csv.QUOTE_ALL)，强制用竖线分隔，全字段加引号。
2. 删除所有emoji：df = df.applymap(lambda x: re.sub(r'[^\x00-\x7F]+', '', str(x)))。
3. 替换零宽空格：df = df.applymap(lambda x: str(x).replace('\u200b', ''))。
   避坑口诀：“上传前，三必查——编码必UTF-8，分隔必非常规符，字符必纯ASCII。”

5.2 图表失真：当AI把“增长”画成“悬崖”

现象：图10订单金额分布直方图，显示95%订单集中在0-500元区间，但业务常识是主力价格带在1000-3000元。
根因排查：

• AI自动检测到金额字段存在极端异常值（一笔-2800万元的测试订单），为“保护图表可读性”，它默认启用了IQR（四分位距）离群值剔除，将所有>Q3+1.5×IQR的值设为缺失。而Q3+1.5×IQR=680元，导致主力价格带被整体截断。
  解决方案：
• 在提示词中明确定义：“禁止自动剔除离群值。若存在异常值，请在图表下方单独标注‘检测到X笔异常订单（金额>100万元），详见附录表’，并提供原始分布图与剔除后分布图双版本。”
• 同时提供《异常订单判定标准》，明确“金额>100万元且无采购合同号的订单视为