技能介绍

要解决的问题

大模型在数据分析任务里最常见的问题，不是不会算，而是不清楚该分析什么。用户丢一句“上周转化怎么样”，模型往往直接开始编数字，或者把字段名猜错，最后给出的结论既无法复现，也没法和真实数据对齐。神策 Wave 数据分析（@sensorsdata/waveanalytics）要解决的就是这种“目标模糊 + 上下文断裂”的数据分析场景。它把分析目标、事件口径、维度组合和结论输出拉回到同一条链路上，避免模型在不同步骤里各说各话。

技能如何工作

这个技能的核心能力可以拆成两部分：

分析目标定位：先从用户问题里抽取时间范围、事件或指标、维度以及对比意图，而不是立刻进入计算。
数据口径约束：在没有真实表结构时，技能会显式标记指标口径和字段依赖，而不是把 event_name、user_id、order_id 等名字当成已经验证过的事实。

关键步骤包括：

明确这次分析到底要回答什么问题，比如“新用户 7 日留存下降”还是“某渠道支付转化率异常”。
拆解指标定义，区分 event、user、order 三类实体，避免把不同粒度的数据混在同一个数字里。
选择合适的维度切片，例如 channel、platform、date，并说明每个切片可能带来的偏差。
输出分析结论时，优先给出可验证的查询逻辑，而不是直接给一个无法追溯的最终数字。

这样做的好处是，模型不需要假装知道神策后台里的全部事件表。它只需要给出一套稳定的分析框架，后续再由真实数据或人工口径进行校正。

适用边界与注意点

这个技能不负责接入数据库，也不负责自动生成 SQL。它更适合作为分析前段：把模糊的业务问题转成结构化的分析计划。如果你已经拿到了准确的事件表和用户表，还需要配合具体的查询工具或人工检查才能得到最终结果。另外，模型对业务口径的理解仍然依赖上下文。输入里缺少事件定义、统计窗口或去重规则时，技能会倾向于保守描述，而不是直接下结论。这一点在工程落地时要特别注意。