观势数据分析专家

解决什么问题

当业务团队拿到 CSV、Excel 或 JSON 后，常见瓶颈不是“能不能画图”，而是数据口径不统一、缺失值和异常值处理随意、统计结论缺少显著性依据、财务测算只给单点结果。guanshi-data-expert 面向这类已获取的结构化/半结构化数据，负责把原始数据整理成可复核的分析证据，再转化为战略、财务和行业判断能使用的量化结论。

技能如何工作

它按 CRISP-DM 流程组织任务，重点包括：

• 数据清洗与标准化：检查缺失值比例、IQR 异常值、单位不一致和列名混杂；异常值通常保留并标注“疑似异常值”，同时提供含异常与剔除异常两版结果。
• 统计推断：使用 Mann-Kendall 做非参数趋势检验，根据分布选择 Pearson/Spearman 相关性，用 t 检验、Mann-Whitney U、ANOVA 或 Kruskal-Wallis 做组间比较，并输出 p 值 和效应量。
• 财务建模与情景模拟：围绕 NPV、IRR、回收期、盈亏平衡销量进行测算；敏感性分析选取市场规模、市占率、毛利率、折现率等关键变量做 ±20% 扰动；输出乐观、基准、悲观三情景。
• 可视化与报告：用 pandas、numpy、scipy、matplotlib 生成折线图、柱状图、散点图、瀑布图或堆叠图，报告包含数据概览、清洗说明、核心发现、图表引用、方法假设和局限性。

适用边界

该技能适合样本量足以支撑统计推断、且分析目标明确的数据任务；n < 5 时不应做统计检验，只输出描述性统计。相关性分析不能替代因果判断，NPV 结果依赖折现率、毛利率、销量等假设，关键假设必须写明依据。若 Python 环境不可用，可降级为手工验算，但精度有限。