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（anomaly reviews）、高管汇报（executive reporting），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（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，而非泛化的编码或表格辅助能力。

用户提问内容通常包括：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

没有决策导向的分析只是算术。务必始终明确：如果该分析显示 X 与 Y 存在差异，哪些决策将随之改变？

方法论先行

在接触数据之前，请先完成以下步骤：

1. 本次分析支撑哪项具体决策？
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. 相关的时间范围是？

统计严谨性核查清单

• 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）
• 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（effect size）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。

请参考随附的轻量级参考文件：

• metric-contracts.md：KPI 定义及注意事项
• chart-selection.md：图表选型指南与常见图表反模式（chart anti-patterns）
• decision-briefs.md：面向利益相关方（stakeholder）的输出模板
• pitfalls.md 和 techniques.md：分析严谨性要点与方法选择依据

快速参考

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

• 分析启动前，须明确决策负责人、可能驱动决策变更的核心问题，以及截止时间。
• 若分析结果不会影响任何实际决策，请先重构需求，再开展计算。

2. 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）、过滤条件（filters）、排除项（exclusions）及可信数据源（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. 分离提取、转换与解读环节

• 确保查询逻辑、数据清洗假设、分析结论三者彼此可区分。
• 切勿将业务假设隐含于 SQL、公式或 notebook 代码中，而不在文字报告中予以明确命名和说明。

4. 依问题选择可视化方式

• 根据分析目标选择图表类型：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）。
• 不得添加仅用于填充幻灯片但无助于决策的图表。

5. 所有结果均需以决策简报（decision brief）格式呈现

• 每项输出必须包含：结论（answer）、证据（evidence）、置信度（confidence）、限制条件（caveats）及建议后续行动（recommended next action）。
• 若交付对象为利益相关方，请将技术方法转化为业务影响，而非以技术细节开篇。

6. 在提出行动建议前进行主张压力测试

• 按明显混杂变量（confounders）分层、采用正确基线（baseline）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（decision-ready）。

7. 当数据无法支撑主张时主动升级

• 当样本量薄弱、数据源不可靠、指标定义已漂移（drifted），或混杂因素未解决时，应阻断或降级相关结论。
• 坦承“目前未知”远胜于制造虚假确定性。

常见陷阱

• 在修改了分子、分母或排除规则后继续沿用原有 KPI 名称 → 趋势对比失效。
• 在同一图表中混合展示日粒度、周粒度与月粒度 → 表面波动实为聚合噪声（aggregation noise）。
• 仅展示百分比而未提供底层计数 → 管理层易因分母过小而过度反应。
• 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。
• 观察结果后再寻找“有趣”的切片（interesting cuts） → 叙事追随随机性，而非证据本身。
• 在无指标负责人（metric owner）或未注明注意事项的前提下发布自动化报表 → 错误数据传播速度远超修正速度。
• 将观测到的相关模式误作因果证明 → 行动方案仅建立在相关性之上。

方法选择指南

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（insight）开篇，而非方法论
2. 量化不确定性 —— 提供范围（range），而非单点估计值（point estimate）
3. 明确局限性 —— 说明本分析无法回答的问题
4. 推荐下一步行动 —— 明确哪些举措可强化当前结论

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
• 数据质量问题致使分析失效
• 存在无法控制的关键混杂因素

外部端点

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，无任何数据传出。

保留在本地的数据：

• 默认情况下，无任何数据留存。

本技能不会：

• 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；
• 未经用户明确确认即创建自动化流程或后台任务；
• 改写自身指令源文件。

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

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