data-analysis

何时使用

当用户需要分析、解释或可视化来自 SQL、电子表格、笔记本、仪表板、导出数据或临时表格的数据时，使用此技能。

适用于 KPI 调试、实验结果解读、漏斗或用户分群分析、异常审查、高管报告以及指标或查询逻辑的质量检查。

当分析的核心难点在于判断力（如指标定义、对比设计、结果解读或建议）时，优先使用此技能，而非通用编程或电子表格帮助。

用户询问的内容包括：数据分析、发现模式、理解指标、验证假设、用户分群分析、A/B 测试、流失率分析或统计显著性。

核心原则

没有决策支持的分析只是算术运算。始终明确：如果分析结果显示 X 与 Y 不同，什么会因此改变？

方法论先行

在接触数据前，请先回答以下问题：

1. 这项分析支持哪个决策？
2. 什么情况会让你改变主意？（真正的问题）
3. 你实际拥有哪些数据？ 与你期望拥有的数据有何差异？
4. 相关的时间范围是什么？

统计严谨性检查清单

• [ ] 样本量是否足够？（小样本量 = 宽泛的置信区间）
• [ ] 对比组是否公平？（相同时间段、相似条件）
• [ ] 是否存在多重比较？（20 次测试中，有 1 次“显著”纯属偶然）
• [ ] 效应量是否有实际意义？（统计显著 ≠ 实际重要）
• [ ] 不确定性是否已量化？（应表述为“12–18% 提升”，而非仅“15% 提升”）

架构设计

该技能无需本地文件夹、持久化内存或状态配置。

可使用内置参考文件作为轻量级指南：

• metric-contracts.md：KPI 定义及注意事项
• chart-selection.md：图表选择与常见反模式
• decision-briefs.md：面向利益相关方的决策输出模板
• pitfalls.md 和 techniques.md：分析严谨性与方法选择建议

快速参考

仅加载最小且最相关的文件，以保持上下文聚焦。

核心规则

1. 从决策出发，而非数据集

• 在开始分析前，明确决策负责人、可能改变决策的问题以及截止时间。
• 若无任何决策会因结果而改变，应在计算前重新定义请求。

2. 计算前锁定指标契约

• 明确实体、粒度、分子、分母、时间窗口、时区、过滤条件、排除项及数据源。
• 若任一要素存在歧义，必须在呈现结果前明确指出。

3. 分离数据提取、转换与解读

• 保持查询逻辑、清洗假设与分析结论清晰区分。
• 不得将业务假设隐藏在 SQL、公式或笔记本代码中而不加说明。

4. 选择能回答问题的图表

• 根据分析问题选择图表类型：趋势、对比、分布、关系、构成、漏斗或分群留存。
• 不得添加仅让演示更丰满但不影响决策的图表。

5. 每个结果均以决策格式简报

• 所有输出应包含：答案、证据、置信度、局限性及后续建议行动。
• 若输出对象为利益相关方，应将方法转化为业务影响，而非以技术细节开头。

6. 在推荐行动前对结论进行压力测试

• 按明显混杂因素分组，对比正确基线，量化不确定性，并检验排除项或时间窗口变化的影响。
• 缺乏稳健性检验的强数值结果，不可视为决策就绪。

7. 当数据无法支撑结论时，及时上报

• 在样本量不足、数据源不可靠、指标定义漂移或混杂因素未解决时，应阻止或降级结论。
• 说“尚不确定”比制造虚假信心更负责任。

常见陷阱

• 在更改分子、分母或排除项后仍沿用同一 KPI 名称 → 趋势对比失去有效性。
• 在同一图表中混合日、周、月粒度 → 表现看似真实，实则多为聚合噪声。
• 仅展示百分比而无底层数量 → 领导层可能对极小基数过度反应。
• 使用美观但不合适的图表 → 输出看似专业，却掩盖了真正的决策信号。
• 在看到结果后再寻找有趣切片 → 叙事追随偶然性，而非证据。
• 未经指标负责人确认或标注局限性即发布自动化报告 → 错误数据传播速度远超修正速度。
• 将观察到的相关性当作因果证明 → 行动方案建立在相关性之上，而非因果关系。

方法选择

更多方法细节及适用场景，请参阅 techniques.md。

输出标准

1. 以洞察开头，而非方法论
2. 量化不确定性 —— 使用区间而非单一数值
3. 说明局限性 —— 本分析无法回答的问题
4. 提出下一步建议 —— 如何增强结论可信度

需要上报的警示信号

• 用户希望“证明”一个预设结论
• 样本量过小，无法得出可靠推断
• 数据质量问题导致分析无效
• 存在无法控制的混杂因素

外部接口

该技能不发起任何外部网络请求。

不向外部发送任何数据。

安全与隐私

离开您本地机器的数据：

• 默认情况下，无。

保留在本地的数据：

• 默认情况下，无。

此技能不执行以下操作：

• 访问未声明的外部端点。
• 在隐藏的本地内存文件中存储凭据或原始导出数据。
• 创建或依赖本地文件夹系统进行持久化存储。
• 在未经用户明确确认的情况下创建自动化任务或后台作业。
• 重写其自身指令源文件。

相关技能

若用户确认，可通过 clawhub install <slug> 安装：

• sql - 用于可靠数据提取的查询设计与审查。
• csv - 在分析前对表格输入进行清理和标准化。
• dashboard - KPI 可视化层的实现模式。
• report - 分析后生成面向利益相关者的结构化交付物。
• business-intelligence - 超越一次性分析的 KPI 系统与运营节奏。

反馈

• 若有帮助：clawhub star data-analysis
• 保持更新：clawhub sync