上周的产品周会。
老板问我："上周新功能的数据怎么样？"
我说："数据同学还在排期，预计明天能出…"
老板皱眉："这么简单的数据，你自己不能看吗？"
会议室一片沉默。
旁边的技术总监看了我一眼，没说话。
那一刻，我想找个地缝钻进去。
会后，我找数据同学催数据。
他说："你的需求排在第5个，最快后天。要不你自己写个SQL查一下？"
我："呃…我不太会SQL…"
他："那我尽快吧。"
转身走了。
那天晚上，我在想：
做了5年产品经理，不会SQL真的说不过去了。
但学SQL要多久？我看了一眼教程，密密麻麻的语法…
算了，还是等数据同学吧。
直到3个月前，我发现用AI可以完全不学SQL，直接取数。
现在：
• 老板开会要数据，我10分钟就能拿出来
• 不用等数据同学排期
• 数据分析报告，AI直接生成
效果：
上周做新功能数据分析：
• 传统方式：找数据同学，等2天
• AI方式：10分钟出报告
• 老板当场说："这个分析做得很到位"
我一个字的SQL都没写。
今天分享我的完整方法，以及8个高频场景的Prompt库。
* *
一、不会SQL的产品经理，到底有多被动？
先说个扎心的事实。
被动1：开会拿不出数据，显得不专业
真实场景：
产品评审会上，技术leader问："这个功能的使用率多少？"
你："我等会找数据同学取…"
技术leader："现在就需要，决定要不要继续做。"
你："那…我去催一下…"
气氛尴尬。
技术leader心里想的是：
"一个产品经理，连自己负责的功能数据都不掌握？"
虽然他没说出来，但你能感觉到。
不会取数，在大厂就是这么吃亏。
被动2：依赖数据同学，被排期卡脖子
更扎心的是：
数据同学每天要支持3-5个产品经理。
你的需求永远排在后面。
因为你不会SQL，他知道你离不开他。
我见过最夸张的：
一个简单的留存数据，数据同学说要3天。
为什么？
"前面还有4个需求，你的优先级不高。"
你只能等。
等着的时候，老板又催了：
"数据呢？我明天要汇报。"
你："数据同学说明天能出…"
老板："明天？那今天呢？"
你哑口无言。
被动3：看不懂SQL，无法判断数据准确性
更要命的是：
数据同学给你的数据，你根本看不懂取数逻辑。
他说："留存率是25%。"
你："怎么算的？"
他："我写了个SQL，统计了次日登录的用户…"
你："可以看看SQL吗？"
他发你一段代码：
SELECT COUNT(DISTINCTCASEWHEN t2.logintime ISNOT NULLTHEN t1.userid END) /COUNT(DISTINCT t1.userid) *100AS retentionrateFROM usertable t1LEFTJOIN usertable t2 ON t1.userid = t2.userid ANDDATE(t2.logintime) =DATE(t1.registertime) +INTERVAL1DAYWHEREDATE(t1.register_time) ='2024-07-01';
你盯着屏幕看了30秒。
完全看不懂。
只能说："好的，谢谢。"
心里想的是："这数据对不对？我也不知道…"
这才是最被动的地方。
* *
二、产品经理真的需要学SQL吗？
说实话，我在腾讯见过很多P8、P9的产品总监。
他们中的大部分，不会写SQL。
但数据能力都很强。
真相1：重要的不是SQL语法，是数据思维
我问过我前leader（腾讯P9）：
"你会写SQL吗？"
他说："不会，但我知道该看什么数据。"
他给我举了个例子：
场景：新功能上线，要做数据分析。
大部分产品经理会这么做：
1. 找数据同学
2. 说"帮我取一下新功能的使用数据"
3. 数据同学问："具体要什么数据？"
4. 产品经理："呃…就是使用率、活跃度这些…"
5. 数据同学："使用率怎么定义？按天还是按周？…"
6. 来回沟通3-4轮
高阶产品经理会这么做：
1. 明确业务问题："这个功能能提升用户留存吗？"
2. 拆解数据需求：
• 使用过新功能的用户，次日留存率是多少？
• 没使用过的用户，次日留存率是多少？
• 对比差异，判断功能价值
3. 找数据同学：直接说清楚要什么数据，为什么要
4. 一次就能拿到准确数据
差距在哪？
不是SQL语法。
是"知道该看什么数据来解决业务问题"的能力。
这才是数据思维。
真相2：SQL只是工具，AI可以替代
以前，数据思维和SQL技能是绑定的。
你想验证假设，必须自己写SQL。
所以大家说："产品经理要学SQL。"
但现在不一样了。
AI可以把你的业务问题，直接翻译成SQL。
你只需要：
• 想清楚业务问题
• 用自然语言告诉AI
• AI写SQL，你执行，拿结果
SQL从必需品，变成了可选项。
就像：
以前你要会五笔才能快速打字。
现在，语音输入也能很快。
工具变了，目标没变。
真相3：AI时代，产品经理的新能力模型
我整理了一张对比表：
能力 传统要求 AI时代 优先级变化
数据思维⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐不变（核心）
SQL语法⭐⭐⭐⭐⭐⭐大幅下降
会用AI取数-⭐⭐⭐⭐⭐新增（核心）
业务理解⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐不变（核心）
AI时代的产品经理，核心能力是：
1.数据思维：知道看什么数据解决什么问题
2.会用AI：把业务问题翻译成数据需求
3.业务判断：根据数据做出正确决策
SQL语法，不再是必需品。
* *
三、我的AI取数方法：3步出报告
现在分享我的完整方法。
Step 1：用5W法明确业务问题（3分钟）
很多产品经理取数失败的原因：
不是不会SQL，而是业务问题没想清楚。
数据同学问你："要什么数据？"
你说："用户活跃度。"
他问："怎么定义活跃？日活还是周活？"
你："呃…日活吧。"
他问："统计哪个时间段？"
你："最近一周？"
他问："要细分维度吗？比如按渠道、按版本？"
你："呃…好像要…"
来回沟通3-4轮，浪费时间。
正确做法：用5W法。
在取数前，先回答5个问题：
Why – 为什么要这个数据？
• 要解决什么业务问题？
• 要验证什么假设？
What – 具体要什么数据？
• 核心指标是什么？
• 需要哪些维度？
Who – 针对哪些用户？
• 全量用户还是特定人群？
• 有什么筛选条件？
When – 看什么时间段？
• 统计周期是多久？
• 要对比不同时期吗？
Where – 数据从哪来？
• 涉及哪些数据表？
• 有没有现成的数据源？
举例：
业务场景：新功能上线1周，老板要看效果
5W分析：
Why（为什么）：- 判断新功能是否提升了用户留存- 决定是否继续投入资源优化What（要什么）：- 核心指标：次日留存率- 对比维度：使用新功能 vs 未使用Who（哪些人）：- 全量新注册用户- 时间范围：上线后1周内注册的用户When（什么时间）：- 统计周期：过去7天- 对比基准：上线前1周的留存率Where（数据来源）：- userregister 表（注册时间）- userlogin 表（登录记录）- feature_usage 表（功能使用记录）
5W想清楚，取数效率提升10倍。
Step 2：让AI翻译成SQL（2分钟）
想清楚业务问题后，直接让AI翻译成SQL。
AI Prompt模板：
我需要分析一个业务问题，请帮我生成SQL查询。【业务背景】[用5W法整理的内容]【数据表结构】表1：userregister- userid: 用户ID- registertime: 注册时间- channel: 注册渠道表2：userlogin- userid: 用户ID- logintime: 登录时间表3：featureusage- userid: 用户ID- featureid: 功能ID- usetime: 使用时间【需要的数据】1. 使用过新功能（feature_id=101）的用户，次日留存率2. 未使用新功能的用户，次日留存率3. 两组用户的留存率对比【输出要求】- 生成完整的SQL查询语句- 加上注释说明每步的逻辑- 如果有多种实现方式，选性能最优的
AI会给你：
1. 完整的SQL语句
2. 每行代码的注释
3. 执行建议（比如要加索引）
你只需要：
1. 复制SQL
2. 在数据库执行
3. 拿到结果
完全不需要懂SQL语法。
Step 3：AI生成分析报告（5分钟）
拿到数据后，让AI生成分析报告。
AI Prompt模板：
基于以下数据，生成一份数据分析报告。【查询结果】[粘贴数据库返回的结果]【业务背景】[5W法整理的内容]【报告要求】1. 数据解读：这些数字说明了什么？2. 对比分析：不同组之间的差异3. 业务结论：功能效果如何？4. 行动建议：接下来该做什么？【输出格式】- 用产品经理的语言，不要太技术化- 突出核心结论，3-5条- 每条结论都要有数据支撑
AI会生成：
【数据分析报告】新功能留存效果分析一、核心结论1. 使用新功能的用户，次日留存率35%，比未使用用户高10个百分点2. 效果在iOS端更明显（提升15%），Android端提升较小（5%）3. 付费用户使用率更高（60%），但留存提升不明显二、数据明细- 使用新功能用户：12,500人，次日留存率35%- 未使用用户：25,000人，次日留存率25%- 整体留存率提升：从25%提升到28.3%三、行动建议1. 继续优化新功能，重点提升Android端体验2. 增加功能引导，提升使用率（当前只有33%）3. 关注付费用户反馈，可能存在体验问题
直接复制，就能给老板汇报。
时间对比
环节 传统方式 AI方式 节省
整理需求 30分钟 3分钟（5W法）90%
写SQL 找数据同学，等2天 2分钟（AI生成）99%
生成报告 1小时 5分钟（AI生成）92%
总计2-3天10分钟99%
关键是：你一句SQL都不用写。
* *
四、实战：8个高频场景的Prompt库
现在给你8个最常用的取数场景，直接复制Prompt就能用。
场景1：用户留存分析
业务场景：看新注册用户的留存情况
Prompt：
我需要分析用户留存率，请生成SQL。【业务需求】统计最近30天新注册用户的次日/7日/30日留存率【数据表】- usertable（userid, registertime）- logintable（userid, logintime）【计算逻辑】次日留存 = 注册次日有登录的用户数 / 注册用户总数7日留存 = 注册后7天内有登录的用户数 / 注册用户总数【输出】- 生成SQL查询- 按注册日期分组- 输出：日期、注册人数、次日留存率、7日留存率
用法：复制后，把表名改成你的数据库表名，直接执行
* *
场景2：功能使用率分析
业务场景：看新功能有多少人在用
Prompt：
分析某个功能的使用情况。【业务需求】统计功能X上线后，每天有多少用户使用，使用率是多少【数据表】- eventtable（userid, eventname, eventtime）- usertable（userid, registertime, lastlogin）【计算逻辑】使用率 = 使用功能X的用户数 / 当日活跃用户数【输出】- 按天统计- 输出：日期、活跃用户数、使用用户数、使用率、环比增长
* *
场景3：转化漏斗分析
业务场景：看用户在哪一步流失最多
Prompt：
分析用户从A到B的转化漏斗。【业务需求】统计用户从"进入页面"→"点击按钮"→"完成支付"每一步的转化率【数据表】- eventtable（userid, eventname, eventtime）【漏斗步骤】步骤1：pageview（浏览页面）步骤2：buttonclick（点击按钮）步骤3：payment_success（完成支付）【输出】- 每步的用户数- 每步的转化率- 流失最严重的环节
* *
场景4：用户分群对比
业务场景：对比不同用户群的表现
Prompt：
对比不同用户群的核心指标。【业务需求】对比付费用户 vs 免费用户的活跃度和留存率【数据表】- usertable（userid, usertype, registertime）- logintable（userid, login_time）【对比维度】- 日均登录次数- 周活跃天数- 次日留存率- 7日留存率【输出】- 分别统计两类用户的指标- 计算差异百分比- 指出显著差异的指标
* *
场景5：异常数据诊断
业务场景：数据突然异常，找原因
Prompt：
诊断数据异常的原因。【业务问题】昨天的DAU突然下降30%，需要找到原因【数据表】- logintable（userid, logintime, channel, devicetype, version）【诊断维度】- 按渠道拆分：哪个渠道下降最多？- 按设备拆分：iOS还是Android？- 按版本拆分：是否某个版本有问题？- 时间分布：是否某个时间段异常？【输出】- 生成多个诊断查询- 快速定位问题维度
* *
场景6：AB测试结果分析
业务场景：对比AB测试的效果
Prompt：
分析AB测试的效果。【实验设置】- 实验组：新版首页- 对照组：旧版首页- 核心指标：点击率、转化率、留存率【数据表】- abtesttable（userid, groupname）- eventtable（userid, eventname, eventtime）【分析要求】- 对比两组的核心指标- 计算差异和显著性- 给出是否推全量的建议【输出】- 两组的数据对比- 差异百分比- 置信度评估（如样本量是否足够）
* *
场景7：增长归因分析
业务场景：用户增长是哪些渠道贡献的
Prompt：
分析用户增长的来源。【业务需求】最近1个月，新增用户主要来自哪些渠道？各渠道质量如何？【数据表】- usertable（userid, registertime, channel）- logintable（userid, logintime）【分析维度】- 按渠道统计新增用户数- 各渠道的次日留存率- 各渠道的7日活跃率- ROI：优质用户占比【输出】- 渠道排名（按新增量和质量）- 识别高价值渠道- 给出渠道投放建议
* *
场景8：自动化数据报表
业务场景：每天/每周要看的固定报表
Prompt：
生成一份日常数据报表的SQL。【报表需求】每日运营数据报表，包含：- DAU/WAU/MAU- 新增用户数- 付费用户数和金额- 核心功能使用率- 关键转化率【数据表】[列出相关表]【输出格式】- 生成可复用的SQL模板- 只需修改日期参数就能执行- 建议设置自动化定时任务
* *
五、实战案例：我如何10分钟做了让老板叫好的分析
分享一个真实案例。
背景：
上周五下午4点，老板突然找我：
"新功能上线3天了，数据怎么样？明天早会要汇报。"
我心里一紧：完了，数据还没取…
传统做法：
• 找数据同学："能帮忙取个数据吗？"
• 数据同学："我现在有个紧急需求，最快明天下午…"
• 我："明天早会要用…"
• 数据同学："那你看能不能找别人…"
•没戏了。
我的AI做法（10分钟搞定）：
第1步：5W法明确需求（2分钟）
Why：判断新功能对留存的影响What：使用率、留存率对比Who：过去3天新增的用户When：过去3天数据Where：usertable, eventtable
第2步：让AI生成SQL（3分钟）
我把需求发给AI，它给了我3段SQL：
1. 新功能使用率
2. 使用vs未使用的留存率对比
3. 按渠道细分的数据
我复制SQL，在数据库执行，拿到结果。
第3步：AI生成分析报告（5分钟）
我把数据发给AI，让它生成报告。
AI输出：
【新功能数据分析】核心结论：1. 使用率32%，符合预期（目标30%）2. 使用用户留存率提升12个百分点（38% vs 26%）3. iOS端效果更好，提升15个百分点数据明细：- 3天新增用户：15,000人- 使用新功能：4,800人（32%）- 使用用户次日留存：38%- 未使用用户次日留存：26%行动建议：1. 功能效果显著，建议加大推广2. Android端体验需优化（提升仅8%）3. 增加引导，提升使用率到40%+
我复制到PPT，加了个图表，发给老板。
第二天早会：
老板看完说："这个分析很到位，数据维度都考虑到了。"
旁边的运营总监问："这是数据同学做的吗？"
老板："产品自己做的。"
那一刻，我知道这个方法对了。
关键点复盘
为什么10分钟就能做完？
1.5W法节省沟通时间
• 传统：和数据同学来回沟通3-4轮
• AI方式：自己想清楚，直接生成SQL
2.AI生成SQL省去学习成本
• 传统：要学SQL语法，要知道表结构
• AI方式：说清楚需求就行
3.AI生成报告省去整理时间
• 传统：拿到数据，自己分析1小时
• AI方式：5分钟生成结构化报告
最重要的是：
整个过程，我一句SQL都没写。
但数据分析的质量，不比数据同学差。
* *
六、3个关键建议
做了3个月AI取数，我总结了3条经验。
建议1：数据思维比SQL语法更重要
很多产品经理纠结要不要学SQL。
我的答案：不用学，但要懂数据思维。
什么是数据思维？
场景：新功能上线，要做数据分析。
新手产品经理（没有数据思维）：
• "帮我看下新功能的数据"
• "使用率多少？活跃度如何？"
•没有明确目标，不知道要解决什么问题
高阶产品经理（有数据思维）：
• "我要验证新功能能提升留存"
• "需要对比使用vs未使用的留存率"
• "如果提升10%+，证明功能有价值"
•目标清晰，知道用数据解决什么问题
数据思维的核心：
1. 明确业务问题
2. 拆解成可量化的指标
3. 用数据验证假设
4. 根据结果做决策
SQL只是获取数据的工具。
AI可以替代SQL，但替代不了数据思维。
建议2：建立自己的Prompt库
刚开始用AI取数，你会发现：
每次都要重新描述需求，很累。
解决方法：建立自己的Prompt库。
我的做法：
1.把常用场景整理成模板
• 留存分析模板
• 转化漏斗模板
• AB测试模板
• 用户分群模板
2.每个模板包含：
• 业务场景描述
• Prompt框架
• 使用示例
3.存在哪里？
• 我用飞书文档
• 分类整理
• 需要时直接复制
效果：
取数时间从10分钟压缩到3分钟。
建议：
先用我这篇文章的8个Prompt开始。
用多了，根据自己的业务场景，不断补充。
3个月后，你会有一套完整的Prompt库。
建议3：学会验证数据准确性
用AI取数，最大的风险是：
你不知道数据对不对。
传统方式：
• 数据同学写SQL
• 他会检查逻辑
• 数据准确性有保障
AI方式：
• AI生成SQL
• 你不懂SQL
•怎么判断数据对不对？
我的方法：3个验证技巧
技巧1：看数据是否符合常识
举例：
AI告诉你："昨天DAU是500万。"
你要想：
• 上周DAU是多少？（如果是100万，突然变500万，肯定不对）
• 总用户量是多少？（如果总用户才200万，DAU怎么可能500万？）
常识是第一道检验线。
技巧2：用简单查询验证复杂查询
举例：
AI生成了一个复杂的留存率查询。
你不确定对不对。
可以这样验证：
1. 先查"昨天新增用户数"（简单查询）
2. 再查"今天登录的昨天新增用户数"（简单查询）
3. 手动算留存率：查询2 / 查询1
4. 和AI的复杂查询结果对比
如果差距很大，说明SQL有问题。
技巧3：让AI解释SQL逻辑
如果你还是不放心。
可以让AI解释SQL：
请用产品经理能懂的语言，解释这段SQL的逻辑。每一步在做什么？为什么这么做？有没有可能遗漏的场景？
AI会给你一段人话版的解释。
你看完，就能判断逻辑对不对。
我的经验：
用这3个方法，AI生成的SQL准确率95%+。
剩下5%的问题，也能快速发现。
* *
最后说几句
做了5年产品经理，我越来越觉得：
不会SQL不丢人，依赖别人才丢人。
以前，不会SQL，你只能等数据同学。
现在，AI可以帮你。
从"不会SQL"到"会用AI取数"，只需要10分钟学习成本。
但带来的改变是：
• 开会要数据，你10分钟就能拿出来
• 不用求人，不用等排期
• 数据能力，不再是短板
更重要的是：
你有了主动权。
想看什么数据，随时能看。
想验证什么假设，马上能验证。
这才是产品经理该有的状态。
* *
想获得完整的AI取数Prompt库（含30+场景模板），关注公众号"Kris产品成长之路"，回复：
取数模板
我发你完整版，包括：
• 8大核心场景的详细Prompt
• 20+细分场景的快速模板
• 我的Prompt库管理方法
• 常见问题的解决方案
* *
你在工作中最常需要取什么数据？遇到过哪些取数的尴尬场景？评论区聊聊。
下一篇聊《不会画原型的产品经理，如何用AI 5分钟生成专业交互稿》。我会分享如何用AI让原型设计效率提升10倍，即使你不会用Axure。
觉得有帮助，分享给你身边也在为SQL发愁的产品经理朋友，一起用AI提升数据能力。
* *
彩蛋：我的AI取数工作流
很多朋友问我具体怎么操作，这里直接放出我的完整工作流：
工具准备
1.AI工具：Claude / ChatGPT / 豆包（都可以）
2.数据库工具：DBeaver / Navicat / 公司内部平台
3.文档工具：飞书文档（存Prompt库）
日常工作流
场景1：临时取数（10分钟）
明确需求（用5W法，2分钟）2. 打开Prompt库，找对应模板3. 复制模板，填入具体参数4. AI生成SQL（1分钟）5. 数据库执行（1分钟）6. AI生成分析报告（5分钟）7. 复制到工作文档
场景2：定期报表（5分钟）
已有SQL模板（上次AI生成的）2. 只需修改日期参数3. 执行查询（1分钟）4. AI生成报告（4分钟）5. 发送给相关人
场景3：复杂分析（30分钟）
拆解成3-5个子问题（10分钟）2. 每个子问题用AI生成SQL（10分钟）3. 汇总所有数据4. AI生成综合分析报告（10分钟）5. 加上自己的业务判断
效率对比
场景 传统方式 AI方式 时间节省
临时取数 2-3天 10分钟 99%
定期报表 1小时 5分钟 92%
复杂分析 1-2天 30分钟 98%
3个月累计节省：约80小时。
这80小时，我用来：
• 做需求调研
• 优化产品方案
• 学习新技能
时间省下来，用在更有价值的事情上。
这才是AI的真正价值。
