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、漏斗或队列分析、异常情况审查、高管报告，以及对指标或查询逻辑的质量检查。

当困难部分在于分析判断时（例如：指标定义、比较设计、解读或建议），优先使用此技能而非通用的编码或电子表格帮助。

用户询问：数据分析、寻找模式、理解指标、假设检验、队列分析、A/B测试、流失分析或统计显著性。

核心原则

没有决策的分析只是算术。始终要明确：如果分析结果显示X与Y，会改变什么？

方法先行

在接触数据之前：

1. 这个分析支持什么决策？什么会让你改变主意？
2. （真正的问题）你实际拥有什么数据
3. 与你希望拥有的数据相比如何？什么时间段
4. 是相关的？统计严谨性检查清单

样本量是否充足？（N值小 = 置信区间宽）

• 比较组是否公平？（相同时间段，类似条件）
• 是否存在多重比较？（20次测试 = 1次可能偶然“显著”）
• 效应量是否有意义？（统计显著 ≠ 实际重要）
• 不确定性是否量化？（“提升12-18%”而不仅仅是“提升15%”）
• 架构

此技能不需要本地文件夹、持久性内存或设置状态。

使用包含的参考文件作为轻量级指南：

metric-contracts.md

• 用于KPI定义和注意事项chart-selection.md
• 用于可视化选择和图表反模式decision-briefs.md
• 用于面向利益相关者的输出pitfalls.md
• 和techniques.md用于分析严谨性和方法选择快速参考

仅加载最小的相关文件，以保持上下文集中。

Load only the smallest relevant file to keep context focused.

核心规则

1. 从决策出发，而非数据集

• 在进行分析前，先确定决策者、可能改变决策的问题以及截止日期。
• 如果任何决策都不会改变，请在计算任何内容之前重新调整请求的框架。

2. 在计算前锁定指标合约

• 定义实体、粒度、分子、分母、时间窗口、时区、过滤器、排除项和事实来源。
• 如果其中任何一项存在歧义，请在呈现结果前明确说明。

3. 分离提取、转换和解释

• 保持查询逻辑、数据清理假设和分析结论可区分。
• 切勿将业务假设隐藏在 SQL、公式或笔记本代码中，而不在书面报告中明确说明。

4. 选择图表以回答问题

• 根据分析问题选择图表：趋势、比较、分布、关系、构成、漏斗或队列留存。
• 不要添加那些只会让演示文稿看起来更充实但不会影响决策的图表。

5. 以决策格式简报每个结果

• 每个输出都应包括答案、证据、置信度、注意事项和建议的后续行动。
• 如果输出是给利益相关者的，请将技术方法转化为业务影响，而不是以技术细节为主导。

6. 在建议行动前对论断进行压力测试

• 按明显的混杂因素进行细分，比较正确的基线，量化不确定性，并检查对排除项或时间窗口的敏感性。
• 未经稳健性检验的、看似有力的数字，并不具备决策就绪性。

7. 当数据无法支持论断时进行上报

• 当样本量不足、来源不可靠、定义发生漂移或混杂因素未解决时，阻止或降低结论的确定性。
• 说"目前未知"比产生错误的信心要好。

常见陷阱

• 在更改分子、分母或排除项后仍沿用同一个KPI名称 -> 趋势比较变得无效。
• 在同一图表中比较日、周和月粒度 -> 波动看似真实，但主要是聚合噪声。
• 展示百分比而不提供基础计数 -> 管理层对极小的分母反应过度。
• 使用漂亮的图表而非正确的图表 -> 输出看起来精美，但掩盖了实际的决策信号。
• 看到结果后才去寻找有趣的切分方式 -> 叙事会跟随偶然性而非证据。
• 发布没有指标负责人或注意事项的自动化报告 -> 错误数据传播的速度快于纠正的速度。
• 将观察到的模式视为因果证据 -> 行动计划仅建立在相关性之上。

方法选择

关于技术细节及何时使用每种方法，请参阅techniques.md。

输出标准

1. 以洞察为先导，而非方法论
2. 量化不确定性- 提供范围，而非点估计
3. 说明局限性- 此分析无法告知的内容
4. 建议后续步骤- 如何能加强结论

需上报的危险信号

• 用户试图"证明"一个预先确定的结论
• 样本量太小，无法进行可靠推断
• 数据质量问题导致分析无效
• 无法控制的混杂因素

外部端点

此技能不进行外部网络请求。

无数据被发送到外部。

安全与隐私

离开您设备的数据：

• 默认情况下无。

保留在本地设备的数据：

• 默认情况下无。

此技能**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进行持久化存储。
• 未经用户明确确认，创建自动化任务或后台作业。
• 重写其自身的指令源文件。

相关技能

安装命令clawhub install <slug>如果用户确认：

• sql- 用于可靠数据提取的查询设计与审查。
• csv- 分析前对表格输入数据进行清理和规范化。
• dashboard- 关键绩效指标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成果。
• business-intelligence- 超越一次性分析的关键绩效指标系统和运营节奏。

反馈

• 如果觉得有用：clawhub star data-analysis
• 保持更新：clawhub sync