Agent Skills
返回列表
数据分析小侦探

数据分析小侦探

数据分析 更新于 2026.08.29

将以下提示词粘贴到你的 AI 对话框中:

请根据 https://skillhub.cn/install/skillhub.md 安装 @user_1551a711/13datatoolbox 技能。

技能介绍

数据分析最常见的坑是把“画完图”当成“做完了分析”。图表堆叠得很华丽,报表看起来也像模像样,但业务方看完还是不知道接下来该做什么——数据里有什么事实、意味着什么问题、应该盯哪一个指标、具体采取什么行动,往往要靠人再去脑补。

工作原理

analyze.py 用纯标准库实现,不依赖 pandas、numpy 或 sklearn,环境配置几乎为零。输入端支持 CSV、TSV、JSON 三类结构化文件,也支持直接传入文章、评论、访谈文本。多个数据文件会通过共享 ID 列自动合并,比如把用户表、订单表、商品表按编号 join 成一套完整的分析上下文,不需要手写 merge 脚本。

引擎内置 14 种分析模式:分类预测谁可能流失,回归预估金额或次数,聚类把用户自然分群,异常检测揪出反常记录,时序分析看变化节奏。每种模式先给出一张专属图表,再按四层结构输出结论:数据事实(发生了什么)、信息解读(意味着什么)、可行动洞察(真正该盯什么,至少 3 条)、行动建议(直接能做的动作,至少 2 条)。整套叙述要求用业务语言,不出现算法、统计术语,业务方拿到 HTML 就能直接开会。

适用边界

生成报告依赖 ECharts CDN,离线环境需要把 echarts.min.js 下载到本地替换模板中的引用,否则图表区域会空白。小样本场景下的统计结论准确度有限,尤其是活动效果评估,最好配合正式的分组对照实验交叉验证。文本分析属于轻量级词语和情绪提取,不适合长篇专业文档,需要更深的语义理解时建议接专用 NLP 服务。分析引擎用 random.seed(42) 固定所有随机性,示例数据集的输出逐字节一致,方便回归测试;具体业务数据则不存在这种保证,结论要结合业务背景判断,不要当成绝对真理。

使用场景

  • 运营拿到月度销售数据后想判断增长是否到顶,需要一份附带异常点和行动建议的分析报告
  • 产品团队收集了大量用户评论,需要从零散反馈里提炼高频问题、情绪倾向和时间线
  • 独立开发者手头只有小样本实验数据,想用回归和分类模型看看某个功能是否真的有效
  • 市场人员手里有用户、订单、商品三张散表,想快速得到品类关联和复购洞察,不想手动合并

适合人员

  • 电商运营:每周要盯销售和用户行为数据,需要快速拿到一份可执行的业务结论
  • 产品经理:从访谈记录和评论里提炼结构化反馈,准备下次需求评审会
  • 独立开发者:手头只有小样本数据,不想装 pandas 这类重依赖,想要一个跑得动的脚本
  • 业务负责人:没有技术背景,需要一份能直接拿去开会的大白话分析报告