适用场景

当用户需要分析、解释或可视化来自 SQL、电子表格、Notebook、仪表板、导出文件或临时数据表的数据时，请使用该技能。

适用于 KPI 调试、实验结果解读、漏斗分析或同期群分析、异常审查、高管汇报，以及对指标或查询逻辑的质量核查。

当核心难点在于分析判断（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。

用户提问涉及以下内容时适用：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，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。务必始终明确：若该分析显示 X 与 Y 存在差异，将促使哪些具体行动发生改变？

方法论先行

在接触任何数据之前，请先完成以下步骤：

1. 本次分析所支撑的具体决策是什么？
2. 什么证据会真正改变你的判断？（这才是本质问题）
3. 你实际拥有的数据是什么？与你理想中希望拥有的数据有何差异？
4. 分析所依赖的时间范围是哪一段？

统计严谨性检查清单

• 样本量是否充足？（小样本 → 置信区间过宽）
• 对比组是否公平？（是否处于相同时间段、相似条件下）
• 是否存在多重比较问题？（执行 20 次检验，平均会有 1 次“显著”纯属随机）
• 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“提升 12–18%”，而非仅“提升 15%”）

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。

请将附带的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
• decision-briefs.md：面向利益相关方的交付物模板
• pitfalls.md 和 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参考文件，以保持上下文聚焦。

核心规则

1. 从决策出发，而非数据集

• 在开展分析前，须明确决策责任人、可能驱动决策变更的核心问题，以及截止时间。
• 若分析结果不会导致任何实际决策变化，则应在计算前重新界定需求。

2. 在计算前锁定指标契约

• 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）、过滤条件（filters）、排除项（exclusions）及事实来源（source of truth）。
• 若上述任一要素存在歧义，须在呈现结果前明确指出该歧义。

3. 分离提取、转换与解读环节

• 确保查询逻辑、数据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显式命名和说明。

4. 以回答问题为目标选择可视化方式

• 根据分析目标选择图表类型：趋势、对比、分布、关系、构成、漏斗或同期群留存。
• 禁止添加仅使报告显得更“饱满”但对决策无实质影响的图表。

5. 所有结果均须以决策简报格式呈现

• 每项输出均应包含：结论答案、支撑证据、置信程度、前提限制与推荐后续动作。
• 若交付对象为利益相关方，应将技术方法转化为业务影响说明，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

• 按明显混杂因素分层、采用恰当基线进行对比、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“亮眼数字”，尚不具备决策就绪性。

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，或混杂因素无法消除，则应阻断或降级相关结论。
• 坦承“目前未知”远优于制造虚假确定性。

常见陷阱

• 在修改了分子、分母或排除项后仍复用同一 KPI 名称 → 趋势对比失效。
• 在同一图表中混合展示日级、周级、月级粒度 → 表面波动实为聚合噪声。
• 仅展示百分比而未提供底层计数 → 管理层易对极小分母产生的微小变动过度反应。
• 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。
• 在观察到结果后再寻找“有趣”的细分维度 → 叙事追随随机性，而非证据本身。
• 未经指标负责人审核或未标注注意事项即发布自动化报表 → 错误数据传播速度远超修正速度。
• 将观测性模式等同于因果证明 → 行动方案仅基于相关性构建。

方法选型对照表

关于各技术的详细说明及适用场景，请参阅 techniques.md。

输出标准

1. 以洞察结论开篇，而非方法论描述
2. 量化不确定性 —— 提供区间估计，而非单一数值点估计
3. 明确局限性 —— 清晰说明本分析无法得出的结论
4. 推荐后续步骤 —— 提出可强化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”一个预设结论
• 样本量过小，无法支撑可靠推断
• 存在严重数据质量问题，导致分析无效
• 存在无法控制的关键混杂因素

外部端点调用

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：无。

保留在本地的数据：

• 默认情况下：无。

本技能明确不会执行以下操作：

• 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状态持久化。
• 未经用户明确确认，创建自动化流程或后台任务。
• 重写其自身的指令源文件。

关联技能

若用户确认安装，可通过 clawhub install 获取以下技能：

• sql —— 面向可靠数据抽取的查询设计与评审。
• csv —— 分析前对表格类输入数据的清洗与标准化。
• 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

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