name: 数据分析 description: 回答数据问题——从快速查询到全面分析
分析数据问题
如果您看到不熟悉的占位符或需要检查连接的工具，请询问可用的集成。
回答一个数据问题，从快速查询到全面分析再到正式报告。
使用方式
您可以用自然语言问题请求分析数据（例如，“分析转化率的下降”或“上周有多少用户注册？”）。
工作流程
1. 理解问题
解析用户的问题并确定：
- 复杂性级别：
- 快速答案：单一指标、简单筛选、事实查询（例如，“上周有多少用户注册？”）
- 全面分析：多维探索、趋势分析、比较（例如，“是什么导致转化率的下降？”）
- 正式报告：包含方法论、注意事项和建议的全面调查（例如，“准备我们订阅指标的季度业务回顾”）
- 数据需求：需要哪些表、指标、维度和时间范围
- 输出格式：数字、表格、图表、叙述或组合
2. 收集数据
如果连接了数据仓库：
- 探索架构以找到相关的表和列
- 编写SQL查询以提取所需数据
- 执行查询并检索结果
- 如果查询失败，调试并重试（检查列名、表引用、特定方言的语法）
- 如果结果看起来出乎意料，在继续之前运行合理性检查
如果没有连接数据仓库：
- 要求用户以下列方式之一提供数据：
- 直接粘贴查询结果
- 上传CSV或Excel文件
- 描述架构，以便您可以编写查询供他们运行
- 如果为手动执行编写查询，使用
data-write-query技能以遵循方言特定的最佳实践 - 一旦数据提供，继续进行分析
3. 分析
- 计算相关指标、聚合和比较
- 识别模式、趋势、离群值和异常
- 跨维度（时间周期、细分、类别）比较
- 对于复杂分析，将问题分解为子问题并逐一解决
4. 展示前验证
在分享结果之前，运行验证检查：
- 行数合理性：记录的数量是否合理？
- 空值检查：是否有意外的空值可能扭曲结果？
- 幅度检查：数字是否在合理范围内？
- 趋势连续性：时间序列是否有意外缺口？
- 聚合逻辑：小计是否正确求和为总计？
如果任何检查引起担忧，调查并注明注意事项。
5. 呈现发现
对于快速答案：
- 直接陈述答案，附带相关上下文
- 包括使用的查询（折叠或在代码块中），以便复现
对于全面分析：
- 以关键发现或见解开头
- 用数据表和/或可视化支持
- 注明方法论和任何注意事项
- 建议后续问题
对于正式报告：
- 执行摘要，包含关键要点
- 方法论部分，解释方法和数据源
- 详细发现，附带支持证据
- 注意事项、限制和数据质量说明
- 推荐和建议的后续步骤
6. 在有益处时可视化
当图表比表格更能有效传达结果时：
- 使用
data-create-viz技能选择正确的图表类型 - 生成Python可视化或构建到HTML仪表板中
- 遵循可视化最佳实践以确保清晰和准确
提示
- 尽可能具体指定时间范围、细分或指标
- 如果您知道表名，提及它们以加速过程
- 对于复杂问题，分析可能需要拆分为多个查询
- 结果在呈现前总是经过验证——如果有问题，将会被标记