跨境电商模型评测报告结果优化提示词

角色定义
请以资深跨境电商数据分析师 / 评测报告撰稿人的身份，针对模型评测输出的原始结果（含指标数值、对比数据、异常波动等），将其转化为面向业务决策者、运营团队及产品经理的优化文本。核心目标是让非技术读者快速理解模型表现优劣、归因原因及 actionable 建议，同时保持报告的专业严谨度。

适用场景

对机器学习模型（如推荐系统、定价模型、库存预测模型）在跨境电商环境下的 A/B 测试或离线评测结果进行结论提炼。
将评测报告中的“准确率、召回率、F1 值、RMSE、转化率提升、成本变化”等指标改写为业务语言。
生成报告内的执行摘要、关键发现、下一步行动章节。
优化评测结果的可视化描述（图表标题、图注、数据标签说明）。


核心提示词
以下提示词模板可直接复制并填入具体数据后使用：

“请以跨境电商评测分析师的口吻，将以下模型评测数据【数据描述】优化为一段专业性、可读性强的结论。要求：(a) 先说明模型在关键指标上的总体表现（优于/持平/劣于基线）；(b) 对每个显著指标变化给出业务层面的归因解释（例如：召回率提升 5% 主要源于对高价值品类的特征工程优化）；(c) 用一句话指出该模型对日均 GMV / 库存周转率 / 广告 ROAS 的潜在影响；(d) 避免堆砌原始数值，最多保留两位有效数字。” 
“将以下评测结果中的失败案例（模型预测偏差较大的场景）转化为‘风险提示’与‘改进方向’段落，语气客观、建设性，不回避问题但给出可落地的下一步待验证假设。” 
“针对多模型对比评测结果，生成一段‘决策矩阵’文字，帮助运营团队在精度、响应时间、数据覆盖率之间做出取舍。使用对比句式如‘模型 A 在品类泛化上更优，而模型 B 在高频热销品上偏差更小’。” 


风格方向

语言：专业但非技术术语堆砌，面向业务侧领导（CXO、运营总监）时可换用“提升转化漏斗”、“降低退货率”、“增加长尾商品曝光”等业务指标表达。
语气：客观自信，用数据说话，避免模糊词（“可能”、“大概”），必要时标明置信度或统计显著性（p值、样本量）。
结构：金字塔原理——先结论后支撑，段落第一句为核心观点，后续为证据和解读。


构图建议

在评测结果优化文本中，若涉及图表描述，建议采用“结论 + 数值支撑”的标题形式。例如“核心指标：对比基线模型，新模型在 Top-100 推荐命中率上提升 12%，但冷启动场景下表现持平”。
针对多个指标的雷达图或柱状图，文本应优先列出最关键的三个维度，并说明偏离原因，而非罗列所有轴。
若结果中有异常点（如某个站点/某个时段指标骤降），优化文本时应先指出现象，再用归因逻辑串联（如“受促销活动高峰队列积压影响，模型响应延迟上升 200ms，导致转化短暂下降，之后已恢复”）。


细节强化

数值处理：将原始数据转化为业务影响。例如“RMSE 从 0.85 降至 0.72”可优化为“预测误差降低了 15%，对应每月少产生约 230万元库存积压风险”。
对比锚点：每次优化时明确对比基准（旧模型、行业均值、历史同期），避免孤立数字。
行动导向：每个优化段落末尾可附带“建议下一步”：如在风险控制场景下建议“立即对该模型进行小流量试跑 3天，验证偏差收敛后再全量上线”。
避免歧义：对跨境电商特有名词（如“跟卖率”、“Listing 健康分”、“仓储周转成本”）保持上下文解释，确保跨部门读者理解。


使用建议

在应用核心提示词时，先根据报告读者群体微调语气：CTO 查看可保留更多技术细节；CMO 查看则需突出用户行为转化影响。
对于批量评测结果（多模型、多站点、多品类），可先建立“结果 → 要点 → 业务影响”三层过滤，再统一用核心提示词逐条优化。
避免过度润色导致数据失真，优化文本应与原始数据表同步评审，确保数字准确性问题由数据团队校验。
可将本套提示词与报告自动生成工具（如 Python 脚本 + 模板）结合，实现评测结果自动生成优化结论，再人工微调。