01
步骤 1
先界定异常：写明受影响指标、在商家报表时区下首次出现的时间戳、预期区间与受影响的细分，再提取覆盖该时间戳之前时间窗的改动日志，包括活动投放、商品目录改动、价格调整、主题或应用变更以及集成上线。
返回所属主题
Spark 运营场景库 · Spark: AI Store Assistant
排查已观察到异常的合理根因
某项指标偏离了平时的区间，商家需要知道是哪一次改动造成的。本场景的具体任务是排查已观察到异常的合理根因。最终应给出最可能的原因、所依据的证据，以及能够进一步确认该原因的核查项，全部基于商家自己的改动记录。
所属主题
AI 分析与诊断
目标关键词
shopify root cause analysis
可复制 AI 提示词
直接用在 Spark 工作流里的提示词
先替换所有 [方括号] 占位内容，再补充你真实的店铺数据和限制条件，最后粘贴到你常用的 AI 助手或 Spark 智能体里。Spark 会按本页定义的流程给出结构化的输出和验证方式。
ai-prompt.txt
你是一名 Shopify 运营专家。请帮我处理「shopify root cause analysis」这一问题，所属方向为「AI 分析与诊断」。
店铺背景：[填写品类、目标市场、目标客群]
处理范围：[填写商品、页面、客户、活动或日期范围]
可提供的数据：[填写已有资料]
请按以下方式工作：
1. 先说明完成该任务需要哪些关键数据，并标记缺失项。
2. 用异常的出现时机、变化方向和细分结构逐项检验候选原因，只保留有证据支持的部分，并剔除最早影响晚于异常起点、或无法解释未受影响细分为何保持平稳的原因。
3. 输出问题判断、建议方案、优先级、所需人工确认事项和验证方法。
4. 所有商品属性、指标、客户信息和营销结论必须以我提供的数据为依据；没有证据时请明确写“待确认”，不要猜测。
5. 如涉及发布、发信、改价、修改商品或账户操作，在我明确授权且工具已连接前，仅输出草案或操作步骤；完成操作后再报告已验证的结果。解决步骤
推荐的解决流程
按输入、判断、交付三个阶段拆开执行，先保证每一步的输出，再进入下一步。
02
步骤 2
用异常的出现时机、变化方向和细分结构逐项检验候选原因，只保留有证据支持的部分，并剔除最早影响晚于异常起点、或无法解释未受影响细分为何保持平稳的原因。
03
步骤 3
输出最可能的原因及其依据的证据、被排除的备选项与各自的落选理由，并给出一项决定性核查，指明要查看的记录以及能够确认该原因的特征表现。
常见问题
执行这个场景时最常见的疑问
覆盖判断依据、常见误解和必须准备的输入，让团队在真正动手之前先把前提对齐。
为什么先锁定首次出现时间再列假设？
起始时刻能把候选范围收窄到恰好在此之前落地的改动；而在波动开始之后上线的调整不可能是原因，仅这一步就能在检验之前排除掉大量表面上讲得通的解释。
最先想到的解释通常正确吗？
很少。先从改动日志列出多个候选，再按时机、方向和细分结构逐一排除，最终留下的是唯一一个现有记录无法反驳的原因。
根因达到什么标准才算确认？
要在记录上排除其他可能，并通过后续核查复现同样的规律，最好是在受控窗口内回退可疑改动，观察该指标是否回到预期区间。
相关场景
继续浏览相近或同主题的 Spark 运营场景
先优先看同主题的相似问题，或用相似度推荐扩展到跨主题但逻辑相近的其他场景。
Next step
想把这些 AI 场景直接嵌入日常运营？
Ciwi Spark 围绕 Shopify 商家常见的研究、投放、翻译和客户支持等流程，提供可以直接接入店铺的 AI 工具与智能体，减少反复写提示词的成本。