全栈数据分析项目工作流

解决的问题

数据分析项目常卡在流程碎片化：目标没有拆成可执行问题，依赖和目录没有约束，章节产物散落在根目录，脚本路径、报告格式与验收标准不一致，最后难以复现和交付。

技能如何工作

该技能按 7 个阶段推进：初始化参数、明确分析目标、生成项目规范、设计研究流程、分发执行任务、执行代码脚手架、质量检查。

• 先用 project_params.json 锁定项目名、原始数据文件、实体配置、章节列表、章节依赖、Python 版本和环境名。
• 再用 docs/analysis_goals.md 明确描述性、诊断性、预测性或规范性目标，并用 SMART 原则约束范围和指标。
• 随后生成 requirements.txt、docs/flow_design.md 和 docs/execution_prompts.md，把每个章节 Prompt 拆成步骤、输入、产物、检查标准与异常反馈。
• 执行阶段提供 src/utils/ 工具模块，覆盖数据加载、可视化、指标计算、产物归档、任务依赖图与全局配置，减少路径硬编码。
• 阶段内按批次验证产物，最后用 outputs/quality_report.md 检查目录、依赖、脚本、报告、归档和结论一致性。

注意点

它适合多章节、多依赖、需要可复现交付的分析项目；对一次性快问快答、缺少明确数据源或只需要单张图标的场景偏重。