超级全能的数据分析提炼师
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_8e3169aa/super-all-around-data-analyst。
技能介绍
拿到一份 CSV、一份 PDF 或一段日志,多数人卡在「下一步该做什么」。这份技能解决的是分析流程的编排问题:从质量评估到洞察提炼,中间每一环都有明确的方法选择与判定标准,而不是把清洗、统计、画图拆成互不相关的零散动作。
它如何运转
技能按六阶段工作流推进,每个阶段有独立的输入与输出物。
- 质量评估:七维度扫描(完整性、一致性、准确性、唯一性、时效性、有效性、相关性),输出缺失热力图、异常清单、去重建议。
- 探索性分析:描述统计、关联矩阵、分组对比、聚类与变化点检测,产出 EDA 报告。
- 建模分层:先判定分析深度(
L1快速统计 /L2中等建模 /L3预测推断),再决定是否启用回归、ARIMA 或机器学习,且明确禁止「为建模而建模」。 - 可视化与洞察:按分析目的选图表(比较、趋势、分布、构成、关系、空间、流程、多维),遵循红涨绿跌的 A 股染色约定与中国货币格式。
- 报告与决策收束:报告按「结-分-结」结构展开(执行摘要 → 数据说明 → KPI → 分维度分析 → 关键洞察 → 风险与局限 → 行动建议 → 附录),建议标注优先级
P0/P1/P2与置信度。
references/ 与 scripts/ 提供了方法选择矩阵、图表规范、报告模板和可执行脚本,减少临时决策的成本。
必须留意的约束
- 相关性不等于因果性;因果结论需额外满足随机化、工具变量、DID、RDD 等假设并逐条标注。
- 数据规模超过 100 万行或 1GB 时建议抽样或转用数据库工具,本技能侧重分析逻辑而非大数据工程。
- 预测需标注时间窗口、置信区间与核心假设,并定期回溯验证。
- 五维安全框架反向检验结论:避免把统计显著当作实践重要,避免「清洗」掉异常值背后的真实处境;触发橙色或红色熔断时分析暂停,转人工复核。
使用场景
- 手上有一份销售明细 CSV,需要识别增长趋势与关键驱动因素,形成可执行结论
- 手里有一张消费数据表,含缺失值与异常记录,需跑完质量扫描并清洗后输出可信数据
- 运营提出留存率下滑问题,需对用户留存做归因分析并说明统计显著性
- 季度复盘时需把多维业务数据做成对比图表,呈现趋势与构成变化
适合人员
- 每周要出销售报表、需要从业务表里提炼洞察与行动项的运营经理
- 需要可复用清洗与建模流程来处理表格与文本数据的数据分析师
- 要输出结构化分析报告与数据看板给团队复用的报表负责人
- 想从用户评论中提炼核心诉求与情感倾向的产品经理