适用场景

当用户需要分析、解释或可视化来自 SQL、电子表格、笔记本（notebooks）、仪表板（dashboards）、导出文件或临时表格（ad hoc tables）的数据时，请使用本技能。

适用于 KPI 调试、实验结果解读、漏斗分析（funnel analysis）或同期群分析（cohort analysis）、异常审查、高管汇报，以及对指标或查询逻辑的质量检查。

当问题难点在于分析判断（例如：指标定义、对比设计、结果解读或建议生成），而非通用编程或电子表格操作时，应优先选用本技能，而非泛用的编码或表格辅助能力。

用户提问内容包括：数据分析、模式识别、指标理解、假设检验、同期群分析、A/B 测试、流失分析（churn analysis）或统计显著性评估。

核心原则

脱离决策目标的分析，只是算术运算。务必明确追问：如果该分析显示 X 与 Y 存在差异，将促使哪些实际决策发生改变？

方法论先行

在接触数据之前，请先完成以下四步：

1. 本次分析支撑哪项具体决策？
2. 什么证据能真正改变你的判断？（这才是本质问题）
3. 你实际拥有的数据是什么？与你期望拥有的数据有何差距？
4. 相关的时间范围是哪个？

统计严谨性核查清单

• 样本量是否充足？（样本量小 → 置信区间宽）
• 对比组是否公平？（时间周期一致、条件相似）
• 是否存在多重比较问题？（执行 20 次检验，平均会有 1 次“显著”纯属偶然）
• 效应量是否具有实际意义？（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”）

架构说明

本技能无需本地文件夹、持久化内存或初始化状态。

请将所附参考文件作为轻量级指南使用：

• metric-contracts.md：KPI 定义及注意事项
• chart-selection.md：图表选型原则与常见反模式（chart anti-patterns）
• decision-briefs.md：面向利益相关方（stakeholder）的交付输出模板
• pitfalls.md 与 techniques.md：分析严谨性保障与方法选择依据

快速查阅表

仅加载最小且相关的文件，以保持上下文聚焦。

核心规则

1. 从决策出发，而非从数据集出发

• 在开展分析前，须明确决策负责人、可能影响决策的关键问题，以及决策截止时间。
• 若分析结果不会导致任何决策变更，则应在执行计算前重新界定需求。

2. 在计算前锁定指标契约（metric contract）

• 明确定义实体（entity）、粒度（grain）、分子（numerator）、分母（denominator）、时间窗口（time window）、时区（timezone）、筛选条件（filters）、排除项（exclusions）及事实来源（source of truth）。
• 若上述任一要素存在歧义，须在呈现结果前显式声明该歧义。

3. 分离数据提取、转换与解读环节

• 确保查询逻辑、清洗假设与分析结论彼此可区分。
• 切勿将业务假设隐含于 SQL、公式或 notebook 代码中而不于文档中明确定义。

4. 以回答问题为目标选择可视化方式

• 根据分析问题类型选择图表：趋势（trend）、对比（comparison）、分布（distribution）、关系（relationship）、构成（composition）、漏斗（funnel）或同期群留存（cohort retention）。
• 不得添加仅使报告页数更厚、却无法推动决策的图表。

5. 所有结果均须以决策简报（decision brief）格式呈现

• 每项输出必须包含：结论答案、支撑证据、置信程度、注意事项（caveats）及推荐后续行动。
• 若交付对象为利益相关方，应将技术方法转化为业务影响，而非以技术细节开篇。

6. 在提出行动建议前对结论进行压力测试

• 按明显混杂变量（confounders）分层、选取恰当基线（baseline）进行对比、量化不确定性，并检验结论对排除项或时间窗口变化的敏感性。
• 缺乏稳健性验证的“强效”数字，尚不具备决策就绪性（decision-ready）。

7. 当数据不足以支撑主张时，必须升级处理

• 若样本量薄弱、数据源不可靠、指标定义已漂移、或混杂因素未被解决，应阻断或降级相关结论。
• 坦承“目前未知”远胜于制造虚假信心。

常见陷阱

• 在修改了分子、分母或排除规则后继续复用同一 KPI 名称 → 趋势对比失效。
• 在同一图表中混合日粒度、周粒度与月粒度 → 表面运动实为聚合噪声（aggregation noise）。
• 仅展示百分比而未提供底层计数 → 管理层易因极小分母而过度反应。
• 选用“美观”图表而非“正确”图表 → 输出看似精致，却掩盖真实决策信号。
• 在看到结果后再寻找“有趣”的细分维度（hunting for interesting cuts） → 叙事追随随机性，而非证据。
• 在无指标负责人（metric owner）或未注明注意事项（caveats）的情况下发布自动化报表 → 错误数据传播速度远超修正速度。
• 将观测到的相关模式当作因果证据 → 行动方案仅基于相关性构建。

方法选型指南

有关各技术的详细说明及适用场景，请参阅 techniques.md。

输出标准

1. 以洞察（insight）开篇，而非方法论
2. 量化不确定性 —— 提供区间估计，而非单一数值点估计
3. 申明局限性 —— 明确指出本分析无法回答的问题
4. 推荐后续步骤 —— 提出可增强结论可信度的具体行动

需升级处理的红色预警信号

• 用户意图“证实”一个预先设定的结论
• 样本量过小，无法支持可靠推断
• 存在数据质量问题，致使分析结果无效
• 存在无法控制的混杂因素

外部端点（External Endpoints）

本技能不发起任何外部网络请求。

无任何数据外发。

安全与隐私

离开您设备的数据：

• 默认情况下，不传输任何数据。

保留在本地的数据：

• 默认情况下，不保留任何数据。

本技能绝不执行以下操作：

• 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实现持久化。
• 未经用户明确确认，创建或运行自动化流程或后台任务。
• 重写自身指令源文件（instruction source files）。

关联技能

如用户确认，可通过 clawhub install 安装以下技能：

• sql —— 面向可靠数据提取的查询设计与评审。
• csv —— 分析前对表格类输入进行清洗与标准化。
• dashboard —— KPI 可视化层的实现模式。
• report —— 分析完成后面向利益相关方的结构化交付物。
• business-intelligence —— 超越单次分析的 KPI 系统建设与运营节奏管理。

反馈

• 如本技能有用：clawhub star data-analysis
• 保持更新：clawhub sync