福利使用率与满意度分析

要解决的具体问题

企业福利投入常面临数据分散、口径不一的问题：

• 各项福利的实际使用率难以快速统计，导致预算分配盲目；
• 员工偏好缺乏量化依据，优化方向依赖主观判断；
• 满意度调研结果与使用数据脱节，难以定位体验断点；
• 投入产出比（ROI）计算标准不统一，管理层决策缺乏可信依据。

技能如何工作

该技能通过自然语言交互或文件上传直接启动分析，核心能力包括：

1. 数据提取与清洗

- 从用户原话或上传文件中自动提取已确认事实（如福利项目、统计期间）；
- 仅追问完成任务所缺的最少必要信息（如指标口径、时间范围），不要求填写内部JSON或员工编号；
- 检查字段完整性、时间范围合理性和异常值（如使用率超100%）。

1. 确定性计算与结构化检查

- 将已确认信息写入内部临时JSON，调用python scripts/run.py执行脚本；
- 脚本输出结构化明细（如各福利使用率、满意度得分分布），支持可复核的指标计算；
- 涉及外部基准时明确标注来源（如行业报告）、样本时间和适用范围，无法核验时记录假设和待确认项。

1. 分层交付

- 管理层结论：用自然语言总结关键发现（如“体检福利使用率低于行业基准20%”）；
- 结构化明细：提供CSV/XLSX格式的指标明细，附图表建议（如柱状图对比使用率）；
- 行动清单：列出数据质量问题（如缺失部门字段）、异常项（如某部门使用率骤降）和下一步优化建议。

适用边界与注意点

• 数据最小化原则：只处理任务所需的最少个人信息（如部门、福利类型），不索要身份证号、账号密码等无关信息；
• 输入不足处理：若缺少关键参数（如统计期间），输出待补充清单而非虚构数据；
• 系统交互限制：不声称已发送、申报或写入业务系统，除非宿主工具实际执行并回读结果；
• 输出优先级：先在对话中给出结论和关键明细，再按需生成可下载文件（Markdown/PDF/图片）。