数据可视化分析师Skill：从脏数据到出版级图表，一套可复用的分析叙事流程
- 定位清晰：数据可视化分析师Skill（data-visualization-analyst）不是"帮你画一张图"的绘图工具，而是把"定义问题—检查数据—选图—实现视觉—讲清结论"整条分析链路固化成可复用流程的分析助手。
- 交付物标准化：每次运行都必须产出四个文件——数据质量说明、可视化方案、分析摘要、可视化报告页，让分析过程可追溯、可交付、可复用。
- 质量有底线：技能内置质量标准，明确要求避免误导性刻度与视觉杂乱、标签图例单位完整、叙事必须把图表证据与结论连起来。
- 门槛低：依赖 Python 环境、兼容 tandem 运行环境，安装后在对话中说出 dashboard、plot、data story 等意图即可触发。
- 适合谁用：需要定期出报表的数据分析同学、要做汇报的产品与运营、以及需要把分析结论讲给非技术读者听的咨询/研究岗位。
该技能叫什么？如何一键安装 AI 技能提升开发效率？
技能中文名：数据可视化分析师Skill 技能英文名：data-visualization-analyst 技能ID：13751 作者与版本：tandem / 0.1.0
它解决的问题很具体：绝大多数"用 AI 画图"的失败，不是图画不出来，而是图讲不清事。数据没清洗就直接画、图表类型和结论不匹配、坐标轴从非零起点开始造成夸大、图例和单位缺失、最后只丢给读者一张图却没有一句话说明结论。数据可视化分析师Skill 的使命就是"创建准确、可出版的视觉内容，传达清晰的分析故事"，把这些问题用固定工作流挡在前面。
一键安装的思路与步骤
这个技能的价值在于"装一次，长期复用"，因此安装环节值得花五分钟做扎实。具体命令与入口请以官方说明为准，下面是通用路径：
- 确认安装前提：技能声明
requires: python，即运行环境需要有可用的 Python；同时compatibility: tandem，需要在兼容 tandem 的技能运行环境中使用。若你的环境不满足，先补齐 Python 依赖再安装。 - 找到技能入口：在技能市场/技能库中按技能名"数据可视化分析师"或技能ID 13751 检索，进入详情页点击安装或添加到当前工作区。
- 确认安装结果：安装完成后在"已启用技能"列表中核对三项信息——英文名
data-visualization-analyst、版本0.1.0、作者tandem，三者一致即说明装的是目标技能而非同名仿制品。 - 验证是否生效：新建一个会话，输入一句带触发词的请求，例如"帮我用 plot 的方式看一下这份月度数据的趋势，并写一段 data story"。若技能被正确唤起并开始按流程追问关键问题（受众是谁、要支撑什么决策），说明安装生效。
- 确认输出目录可写：技能运行时会写出多个文件，首次使用前确保工作区内的
outputs/目录存在且可写，避免跑完流程却拿不到报告。
之所以强调"一键安装 + 一次配置"，是因为这类流程型技能的收益来自复用：第一次装好、约定好输出目录，之后每次分析都省掉"从头想该先做什么"的启动成本。
该技能的主要功能和特点
- 先定问题，再动数据：工作流第一步就是"定义关键问题和决策受众"。这意味它会先追问"这张图给谁看、要支撑什么决定"，而不是拿到表格就开画。这是它和普通绘图工具最大的分野。
- 强制数据质量检查：第二步"检查数据质量并记录假设"，并把结论落到
outputs/data_quality_notes.md。缺失值、口径不一致、异常值这些问题会被显式写出，而不是被一张漂亮的图掩盖。 - 图表类型按目标匹配：第三步明确区分"比较 / 趋势 / 分布"三类分析目标，据此选择图表类型，避免用饼图讲趋势、用折线图讲构成这类常见错配。
- 视觉规范一致：第四步要求实现"一致的标签、刻度和颜色语义"，即同一份报告里同一颜色代表同一含义、同一单位贯穿始终。
- 叙事收口：第五步"用通俗语言总结见解和注意事项"，把图表证据和结论用非技术语言连起来，输出到
outputs/analysis_summary.md。 - 四件套交付物：
data_quality_notes.md（数据质量）、visualization_plan.md（可视化方案）、analysis_summary.md（分析摘要）、visual_report.html（可视化报告页），从过程到成品一应俱全。 - 可重复性有文档：质量标准要求"可重复性步骤有文档记录"，别人拿到你的输出可以照着复现，而不是只能相信你的结论。
- 模板与依赖优先：技能优先读取
templates/目录下的模板与requirements.txt依赖清单，便于团队统一图表风格与运行环境。
和普通绘图库或 BI 拖拽工具相比，它强在"过程约束"：普通工具只保证图能出来，它保证图说得清、经得起追问、能交给别人复现。
如何使用该技能？
下面按技能内置的五步工作流给出可参考的使用步骤。
第 1 步：把问题交代清楚（对应"定义关键问题与决策受众"） 输入示例：
我要给管理层做一份季度复盘，需要回答"哪个渠道的增长在放缓"，受众是不看代码的高管，请用 plot 方式呈现并配一段 data story。
要点：说清受众和要支撑的决策，这两项缺一项，技能给出的图表方向就会跑偏。
第 2 步：提供数据并接受质量盘问（对应"检查数据质量并记录假设"）
把你的数据文件或数据摘要交给技能。它会输出 outputs/data_quality_notes.md，记录缺失、异常、口径假设。这一步不要跳过——如果它对某个字段的假设和你的业务定义不一致，越早纠正成本越低。
第 3 步：确认可视化方案（对应"选择匹配目标的图表类型"）
技能会产出 outputs/visualization_plan.md，说明每个分析目标（比较/趋势/分布）对应哪种图、为什么这么选。你在这里做一次"审稿"：图表类型是否符合你要讲的故事，是否需要拆维度或换角度。
第 4 步：生成视觉内容（对应"实现一致的标签、刻度与颜色语义"）
技能基于 Python 实现图表，统一标签、刻度与颜色含义，最终汇入 outputs/visual_report.html。打开报告页逐项核对：坐标轴是否从零起点或已明确标注截断、图例是否完整、单位是否标全、颜色语义是否前后一致。
第 5 步：取用分析摘要（对应"用通俗语言总结见解与注意事项"）
outputs/analysis_summary.md 是可以直接粘进周报或汇报文档的文字部分，包含结论和注意事项。建议保留"注意事项"段落——它往往是汇报时被追问的地方，提前写好等于提前答辩。
调用方式提示：正常对话即可，技能由 dashboard、plot、data story 等触发词唤起；当你说"做个 dashboard"或"讲个数据故事"时，它会自动切到对应的流程分支。具体支持的调用入口与参数以官方说明为准。
同类型竞品对比分析
| 方案名称 | 定位 | 核心功能 | 安装/使用门槛 | 适用场景 | 优势与不足 |
|---|---|---|---|---|---|
| 数据可视化分析师Skill | 流程型分析助手，产出可出版视觉内容 | 五步工作流 + 数据质量记录 + 图表选型 + 叙事摘要 + HTML 报告 | 需 Python 环境、兼容 tandem 环境，安装后在对话中触发 | 需要交付给别人看、要经得起追问的分析报告 | 优势：过程留痕、叙事完整、有统一质量标准；不足：偏重"讲清楚"的严肃分析，追求秒出图的轻量场景会显得流程偏重 |
| 手写 Python 绘图（Matplotlib/Seaborn 等） | 底层绘图库 | 完全自由的图表绘制能力 | 需编程能力，从环境配置到样式调整全靠自己 | 定制化极强的一次性图表 | 优势：自由度最高；不足：数据质量检查、图表选型、叙事总结全靠人，重复劳动多，风格难统一 |
| 通用 BI 工具（拖拽式报表平台） | 自助式报表与看板搭建 | 连接数据源、拖拽出图、看板共享 | 图形化上手快，复杂口径与清洗仍需人 | 固定的周期性业务看板 | 优势：交互探索快、便于团队共享；不足：叙事与结论通常要另写，图表选型的合理性缺乏约束 |
| 通用大模型直接对话画图 | 通用问答式生成 | 一句话生成代码或图片 | 几乎零门槛 | 临时看看数据长什么样 | 优势：快、门槛最低；不足：容易跳过数据质量检查，图表类型与结论常脱节，输出缺乏标准化交付物与可复现记录 |
选择建议：如果你的目标只是"先看一眼数据什么形状"，通用对话或 BI 拖拽更快；如果目标是把一份分析交给别人、被别人追问、还要能复现，那么带流程约束和质量标准的技能更合适。
该技能的典型应用场景与实际体验情况
场景一：季度经营复盘（角色：数据分析师 / 业务负责人）
痛点：手里有多个渠道的月度数据，但每次复盘都要重新想"该画什么图、怎么讲"，做出来的图风格每次都不一样。
使用方式：先把受众（管理层）和要回答的问题（哪个渠道增长放缓）说清楚，把数据交给技能，按五步流程走完，拿到 visualization_plan.md 和 visual_report.html。
实际体验：由于第一步就锁定了"决策受众"，图表方向基本不会跑偏；data_quality_notes.md 在复盘中意外好用——它能帮你提前发现"这个渠道口径上月改过"这类容易被忽略的坑。注意点是首次使用要花时间确认它对你字段含义的假设。
场景二：产品数据周报（角色：产品经理）
痛点：周报里的图是临时截的，图例、单位经常缺，读者要反复问"这个数是什么口径"。
使用方式：把本周核心指标交给技能，要求输出带 data story 的报告页，直接用 analysis_summary.md 的文字作为周报正文。
实际体验：标签、图例、单位完整是技能的质量标准之一，因此"图看不懂"的追问会明显减少。需要注意：叙事摘要仍建议自己过一遍，把业务背景补进去，它写的是"数据说了什么"，不是"业务上该怎么决策"。
场景三：对外报告与材料（角色：咨询顾问 / 研究者） 痛点：交付物要"出版质量"，误导性刻度、视觉杂乱是硬伤，一旦被指出很影响专业形象。 使用方式：明确要求"出版质量"，让技能走完整流程，并特别检查可视化方案文档中关于刻度与颜色语义的部分。 实际体验：技能把"避免误导性刻度与杂乱""可重复性步骤有文档记录"写进了质量标准，这在对外交付时是实打实的加分项。注意事项是：可出版不等于可直接印刷，分辨率与排版细节仍以你的最终媒介要求为准。
场景四：团队图表规范统一（角色：数据团队负责人）
痛点：同一个团队五个人五种配色五种图例风格，看板拼在一起像五个公司做的。
使用方式：把团队约定的样式放进 templates/ 目录，让技能优先读取，并统一 requirements.txt 依赖，保证每个人跑出来的结果一致。
实际体验：这一用法的收益是长期的——规范从"写在文档里没人看"变成"流程里默认执行"。上手难度中等，需要一次性投入整理模板。
该技能能为用户带来的价值
把隐性经验变成显性流程。 资深分析师画图前会先问"给谁看"，这个动作过去只存在于个人习惯里；技能把它固化成工作流的第一步，新人也能照着走。降低的是"入门到能用"的门槛。
把返工成本前置消化。 数据质量检查和假设记录放在流程前段，问题在动笔前暴露，而不是在汇报现场被问出来。省下的是最贵的那部分时间——临场补救和重新出图。
把交付标准统一。 四份固定输出（数据质量说明、可视化方案、分析摘要、可视化报告页）让"做完"有了明确判据，不再靠"我觉得差不多了"。团队协作时，交接成本显著下降。
让结论可追溯。 叙事把图表证据与结论连起来，可重复性步骤有文档记录，意味着别人能复核你的推理链，而不只是接受你的结论。长期看，这积累的是团队的分析可信度。
复用带来的复利。 流程、模板、依赖清单一次配置好，之后每份分析都在同一套标准上叠加，做得越多，边际成本越低。
常见问题 FAQ
Q1：这个技能怎么安装？需要什么前提？
在技能市场按技能名"数据可视化分析师"或技能ID 13751 检索并安装即可。安装前需确认两点：运行环境有可用的 Python（技能声明 requires: python），且处于兼容 tandem 的运行环境中（compatibility: tandem）。安装后在已启用列表核对英文名 data-visualization-analyst、版本 0.1.0、作者 tandem。具体入口与命令以官方说明为准。
Q2：它是收费的吗？ 技能详情中未包含价格信息，是否收费、是否有试用额度请以官方说明为准。建议在安装前先在技能详情页确认计费方式。
Q3：它和直接用 Python 画图、或者用 BI 工具拖拽有什么区别？ 区别在"过程约束"。绘图库只负责把图画出来，BI 工具负责让你快速探索；这个技能额外管三件事：先定义问题与受众、显式记录数据质量与假设、把图表证据和结论用通俗语言连起来。如果你的图表只需要给自己看，前两者更快；如果需要给别人看、被追问、被复现，技能的约束就是价值。
Q4：适合谁用？不适合谁？ 适合需要定期产出分析报告的人：数据分析师、产品经理、运营、咨询与研究岗位，以及需要统一团队图表规范的负责人。不太适合只想"秒出一张示意图"的临时场景——走完整流程需要你认真回答"受众是谁、要支撑什么决策"这两个问题。
Q5：输出在哪儿？怎么确认结果可信？
输出为 outputs/ 目录下的四个文件：data_quality_notes.md、visualization_plan.md、analysis_summary.md、visual_report.html。验证可信度建议三步：一是核对数据质量说明里的假设是否与你的业务口径一致；二是在方案文档里确认图表类型与分析目标（比较/趋势/分布）是否匹配；三是打开 HTML 报告检查标签、图例、单位是否完整、刻度是否会造成误导。