数据分析助手
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 @org-02qudk26/data-analysis。
技能介绍
解决的问题
当业务方提出“看数据”时，常见瓶颈不是取数，而是不知道如何把指标差异转成可执行判断：样本量是否够、p 值是否被多重比较污染、留存曲线是否混淆了时间效应、百分比能否直接平均等。数据分析助手 把这些问题前置成检查清单，帮助分析者在接触数据前先明确决策目标、反证条件和数据边界，避免把统计显著当成业务显著。
工作方式
它首先要求定义分析支持的具体决策：如果结果支持 X，团队会做什么？如果不支持，又会改变什么？ 然后按问题类型选择方法：对比差异用假设检验，输出 p-value、效应量和置信区间；预测问题用回归或相关分析，检查残差与 R²；用户随时间变化用 cohort 分析；群体差异用分群画像；异常点则结合上下文标记。
在输出层，它强调先给结论再给方法，量化不确定性，例如给出 12%-18% 的提升区间，而不是单点 15%；同时列出局限和下一步验证动作。文档还列出常见陷阱，如 Simpson’s Paradox、幸存者偏差、不等长时间窗口、p-hacking、时间序列伪相关和百分比平均，帮助识别分析中容易被误读的结构问题。
适用边界
该技能适合已有明确业务问题、样本和指标定义的场景，尤其适合 A/B 测试、留存、流失、指标异动和分群比较。它不是自动预测系统，也不会替代数据质量治理：如果样本过小、数据质量不可靠、混杂变量无法控制，或者目标是“证明预设结论”，应直接升级人工判断。
使用场景
- 评估新版按钮点击率是否真实提升，并判断 A/B 测试样本量与置信区间是否足够。
- 比较上月与本月留存曲线，排除时间窗口、流失用户缺失和百分比平均造成的误读。
- 分析用户流失原因前，先定义决策目标、反证条件和关键分群，再选择假设检验或分群方法。
- 检查指标异动是否由混杂因素或时间趋势导致，并给出效应量、置信区间和下一步验证动作。
适合人员
- 需要判断 A/B 测试是否可信、样本是否足够的增长产品经理。
- 负责留存、流失和分群指标分析，并需要向业务方说明不确定性的数据分析师。
- 在上线决策前要把指标差异转成效应量、置信区间和下一步验证动作的产品经理。
- 需要检查数据结论是否落入幸存者偏差、伪相关或百分比平均陷阱的工程负责人。
相关技能
基于植物图像与环境传感器数据，输出灌溉、遮阳、通风、加热等温室调控指令及优先级。
基于红狐 API 的公众号运营数据，从内容、用户、核心指标和规范性四维度评分，并生成行业对标与优化建议。
基于五步框架搜索近期数据，快速分析公司需求、商业模式、护城河、生命周期与外部环境，并生成 HTML 可视化报告。
结合 DCF 估值、Livermore 趋势规则与市场情绪指标，生成 A 股/港股买入信号和完整分析报告。