课前导读
HR 手里的数据不少——考勤表、绩效分、满意度问卷、人员结构，但要从一堆数字里看出结论，往往得会做透视表甚至写公式。这一节告诉你：现在可以把表格直接丢给 AI，它自己"写代码"跑分析、出图、给结论，你完全不用懂技术。这节不看外部演示，直接用站内的"HR 数据分析报告生成器"Skill（配套 hr-data-radar 工具），真实可用还绕开了访问门槛。你要盯的是——它给的结论，是不是你数据里真实存在的，别照单全收。
教学正文
大模型不会算账，别让它当计算器
这里有个反直觉的事实：大模型其实不擅长精确计算。它是"预测下一个词"的机器，不是电子表格。让它心算"37 份简历里通过 12 份，通过率多少"，它可能顺口报个数字，但那是"猜一个看起来对的百分比"，不是算出来的。阿里云百炼的文档也直说：大模型不擅长数学运算和数据可视化，精确计算要交给代码解释器。
所以 AI 跑数据分析的正确分工是一条流水线：数据表先清洗、问题先定义、计算交给工具（代码解释器或 Excel 公式）、解释交给 AI、结论由 HR 复核。AI 在这条线上负责的是"把你脑子里模糊的问题翻译成可计算的指标"和"把冷冰冰的表格讲成人话"，中间那道精确计算，别让它硬算。
还有个更要命的坑：别一上来就说"帮我分析一下招聘数据"。这话太虚，AI 只能给你一堆看着合理、其实没法行动的空话。要把问题压成可计算的指标——渠道简历量、初筛通过率、面试到场率、Offer 接受率、平均招聘周期、岗位关闭天数。问题越具体，答案越能用。
跟我做：用 Kimi 表格跑一次招聘漏斗分析
准备一张脱敏的招聘表（删掉姓名、电话、邮箱、简历链接），我们让 AI 算指标、你来验算。
- 整理脱敏招聘表，字段留：岗位、渠道、简历日期、初筛结果、面试日期、面试结果、Offer 状态、入职状态。上传前一定删掉姓名/电话/邮箱/简历链接，这些是个人信息
- 打开 Kimi（kimi.com），点"上传文件"，把 Excel 或 CSV 传上去。
- 输入：「请只基于我上传的招聘数据做分析。先检查字段和缺失值，再计算：各渠道简历量、初筛通过率、面试到场率、Offer 接受率、平均招聘周期。请输出表格，并指出需要人工核验的数据问题。」"先检查缺失值"这句能逼它先体检数据，别急着算
- 它生成表格后，能导出就导出 Excel；只给文本表格就复制到 Excel 或飞书表格里。
- 关键一步：在 Excel 里人工抽查 5 行，用公式复算日期差、比例和分母对不对。大模型报的百分比可能算错，这一步是防线不能省
- 继续追问：「请把结论改成给招聘经理看的周报，必须区分数据事实、可能原因、需要业务确认的问题。」
- 预期拿到：一份漏斗指标表 + 3~5 条异常 + 一份周报草稿。
"丢表格就有洞察"是错觉
同一张招聘表，有人丢给 AI 得到"某渠道候选人质量偏差，建议调整投放"，听着挺专业——但如果那个渠道只来了 3 份简历，这个结论就是拿噪声当信号。字段缺失、口径不统一、样本太小，都会让 AI 生成看似合理、实则不能行动的解释。
好的用法是把 AI 的输出切成三层：数据事实（这是算出来的）、可能原因（这是假设，得标清楚）、需要业务确认的问题（这得人去核）。本节配套站内的「HR 数据分析报告生成器 Skill」配了 hr-data-radar 工具，能直接上传表格跑分析、不用写代码。想再深一层，去「深入一层」看 People Analytics 的指标治理——AI 只能分析已有表格，口径得你自己先定义。
表头不规范："通过／过了／OK"混着用，AI 没法稳定分类。先把字段值统一了再上传。
分母口径不清：Offer 接受率到底是除以"发放数"还是"通过终面数"？不说清，AI 会自己假设一个。在提示词里把公式写死。
AI 解释过度：看到某渠道通过率低就断言"候选人质量差"。要求它把事实、假设、待核实问题分开写，别让它替你下结论。
不验算：大模型输出的百分比可能是错的。关键指标一定回 Excel 用公式复算一遍。
配套站内资源
站内 skillhub-04 · 覆盖 S5-2 · 配套hr-data-radar工具，直接上传表格跑分析，无需会代码
上传表格，让 AI 自己写代码分析并出图。
自测
1为什么不能让大模型直接算招聘漏斗的各项比例？
因为大模型是"预测下一个看起来对的词"，不是计算器——它报出的百分比可能是猜的，不是算的。正确分工是让它定义指标、解释数据、写周报，精确计算交给代码解释器或 Excel 公式，关键数字再人工复算。把算账这一步交出去，等于把错误也一起交出去。
2"帮我分析一下招聘数据"这个提问差在哪？
差在太虚，AI 只能回一堆看着合理、没法行动的空话。要把问题压成可计算指标——初筛通过率、到场率、Offer 接受率、平均招聘周期。问题越具体，AI 的输出越能对应到具体字段和公式，你也越能验证真假。虚问题只能换来虚答案。
3AI 说"某渠道候选人质量差，建议停投"，你该先看什么？
先看这个渠道的样本量和口径。如果只来了 3 份简历，这个"质量差"就是拿噪声当信号；如果"通过"的定义在不同渠道口径不一致，结论也站不住。要让 AI 把数据事实、可能原因（假设）、待业务确认的问题分三层写清，别把它的假设当成结论直接执行。
小结
- 大模型不擅长精确计算——分工是它定义指标+解释+写报告，算数交给代码解释器/Excel，结论由 HR 复核
- 别问"分析一下数据"，要把问题压成可计算指标（通过率/到场率/招聘周期），越具体越能用
- "丢表格就有洞察"是错觉：样本小、口径乱、字段缺，都会让 AI 生成不能行动的漂亮空话
- 把 AI 输出切成三层——数据事实/可能原因（假设）/待人工确认，关键数字永远回表验算
实操落点
- 找一份你手上真实的 HR 表格——上个季度的考勤、一次满意度问卷或者部门人员结构都行，先把姓名、工号这类敏感列删掉。带着一个具体问题打开站内"HR 数据分析报告生成器"：比如"哪几个部门的迟到最集中""满意度最低的三个维度是什么"。让它跑一版分析和图表，拿到结论后挑一两个关键数字回原表核实。你会发现，原本要摆弄半天透视表的活，现在先有了一版能改的底稿。
深入一层 · 实战演练与研究依据
一份脱敏招聘表，跑一次真实漏斗
别一上来就让 AI"分析一下招聘数据"——太空，它只能给你一堆看似合理、无法行动的话。把问题限定成可计算指标，它才干得动。
准备一张脱敏招聘表（岗位、渠道、简历日期、初筛结果、面试日期、面试结果、Offer 状态、入职状态，删掉姓名电话简历链接），上传给 Kimi，输入：「请只基于我上传的招聘数据做分析。先检查字段和缺失值，再计算：各渠道简历量、初筛通过率、面试到场率、Offer 接受率、平均招聘周期。请输出表格，并指出需要人工核验的数据问题。」
好的输出是一张漏斗指标表 + 三五条数据支持的异常 + 需核验点。坏的输出是它看到某渠道通过率低，直接下判断"这个渠道候选人质量差"。坏在哪：把相关当因果，还没区分事实和猜测。要求它"区分事实、假设、需核实问题"，这句话就把星座分析挡在门外了。
为什么算术要交给代码，不交给模型
阿里云百炼代码解释器文档说得很直白：大模型不擅长数学运算和数据可视化这类精确计算，代码解释器会让智能体在沙箱里写并运行 Python 来解决。所以最佳姿势是——数据表先清洗、问题先定义、计算交给工具、解释交给 AI、结论由 HR 复核。
SHRM 2025 Talent Trends：43% 的组织已在 HR 任务中用 AI（2024 年是 26%），招聘是最常见的应用区，51% 用 AI 支持招聘。趋势在涨，但涨的是"辅助"，不是"替你拍板"。
四个真会算错的地方
① 表头不规范——"过了/通过/OK"混用，AI 无法稳定分类。先统一字段值再上传。
② 分母口径不清——Offer 接受率到底除以发放数还是终面通过数？在提示词里把公式定义死。
③ 不验算——大模型输出的百分比可能算错。关键指标回 Excel 用公式复算，至少抽查 5 行的日期差和比例。
④ 用个人信息原表直接传——招聘表常带联系方式和简历链接，上传前删掉可识别字段（回看 S1-7 的脱敏手艺）。
可复制模板 + 再深一层
把指标定义写进 prompt，输出才稳：「你是 HR 数据分析助理，只基于我上传的脱敏数据分析，不编造。指标定义：初筛通过率=初筛通过/简历数；面试到场率=实到/已约；Offer 接受率=接受/发放；平均招聘周期=入职日-需求发布日。请输出：数据质量检查、按岗位和渠道拆分的指标表、只列数据支持的异常清单、标注『假设』的可能原因、需 HR 或业务确认的问题、300 字周报摘要。不得输出个人信息，不得据此作录用淘汰决定。」
再深一层是 People Analytics 的指标治理。AI 只能分析已有表格，替不了你定口径。学有余力先建一本指标字典：字段名、计算公式、数据来源、更新频率、责任人——口径不统一，接再强的工具也是在放大混乱。
- 阿里云《Assistant API 代码解释器》，2026
- Kimi《文档与表格功能介绍》，2026
- SHRM《The Role of AI in HR Continues to Expand》，2025