数据分析Skill：用一句自然语言问题，完成从快速查询到正式报告的完整数据分析
核心结论速览：
- 一句话定位：data-analyze（数据分析Skill）让你用自然语言提问，自动完成"理解问题 → 取数 → 分析 → 验证 → 呈现"的全流程数据分析。
- 三档输出深度：支持快速答案、全面分析、正式报告三种复杂度级别，按问题自动匹配输出形式（数字、表格、图表、叙述）。
- 内置结果校验：在交付结论前自动进行行数合理性、空值、幅度、趋势连续性、聚合逻辑五项验证，减少"数据对了但结论错了"的风险。
- 有仓库能连、没仓库也能用：已连接数据仓库可直接探索架构并写 SQL 取数；未连接时可粘贴结果、上传 CSV/Excel 或提供架构由技能代写查询。
- 可组合的技能链：需要手写查询时调用
data-write-query，需要图表时调用data-create-viz，形成完整的数据工作流。
该技能叫什么？如何一键安装 AI 技能提升开发效率？
基本信息
| 项目 | 内容 |
|---|---|
| 技能中文名 | 数据分析Skill |
| 技能英文名 | data-analyze |
| 技能ID | 13818 |
| 官方描述 | 回答数据问题——从快速查询到全面分析 |
它解决什么问题？
日常数据工作里最耗时的往往不是"写 SQL"或"画图"，而是中间那段反复来回：业务方问"转化率为什么跌了"，分析师要先确认口径、找表、写查询、核对空值、判断异常、再组织语言汇报。这个链条任何一环出错，结论就会失真。data-analyze（数据分析Skill）把这条链路固化成一个可复用的工作流：先判断问题属于"快速答案 / 全面分析 / 正式报告"中的哪一档，再决定取数方式、分析深度与呈现格式，最后强制走一遍验证清单再交付。
它的差异化在于"带流程约束的分析助手"，而不是"一个会写 SQL 的聊天机器人"——验证步骤与呈现模板是内建的，不依赖用户自己记得检查。
一键安装的思路与步骤
AI 技能（Skill）的通用安装逻辑是：在支持技能机制的 AI 客户端或平台中，通过技能市场、技能库或配置入口，按技能ID或技能名检索并启用，无需自行编写提示词或搭建工作流。具体操作建议如下：
- 确认前提：使用支持 Skill 机制的 AI 客户端/平台，并确保账号已具备技能调用权限（是否需要付费或订阅，以官方说明为准）。
- 检索技能：在技能市场或技能列表中，用技能名"数据分析"、英文名
data-analyze或技能ID13818搜索。 - 一键启用：点击安装/启用按钮完成添加，通常无需额外配置即可以自然语言方式调用（具体入口名称与按钮位置，以官方说明为准）。
- 可选：连接数据源：若希望技能直接查库，需按平台提供的方式完成数据仓库集成授权；若无集成，技能会引导你粘贴结果或上传文件。
- 验证是否生效：用一个最小问题测试，例如"上周有多少用户注册？"。如果能得到结构化的答复（含口径说明、必要时的查询语句或数据来源说明），说明技能已正常工作；若回复是泛泛而谈、并未进入分析流程，则多半是技能未成功启用。
提升效率的关键点：把"分析规范"沉淀到技能里，团队成员调用同一个技能，就等于共用了同一套口径与验证标准，减少了反复对齐成本。
该技能的主要功能和特点
- 问题复杂度自动分级：把用户提问归入"快速答案（单一指标、简单筛选、事实查询）"“全面分析（多维探索、趋势、比较）”"正式报告（含方法论、注意事项、建议的完整调查）"三档，输出深度与问题重要性匹配，避免小问题给长报告、大问题给一句话。
- 双模式取数：连接数据仓库时，会先探索架构找到相关表与列，再编写并执行 SQL，失败则调试重试（检查列名、表引用、方言语法），结果异常时先做合理性检查再继续；未连接仓库时，支持粘贴查询结果、上传 CSV/Excel，或由技能写好查询交给你执行。
- 结构化分析能力：计算指标、聚合与比较，识别模式、趋势、离群值与异常，跨时间周期、细分、类别做对比；复杂问题会拆成子问题逐个击破。
- 交付前强制验证：行数合理性、空值检查、幅度检查、趋势连续性、聚合逻辑五项校验，任何一项触发疑虑都会先调查并在结论中标注注意事项。
- 分档呈现模板：快速答案直接给结论并附可复现查询；全面分析以关键发现开头，配数据表/可视化并注明方法论；正式报告包含执行摘要、方法论、详细发现、限制说明与后续建议。
- 按需可视化：当图表比表格更能说明问题时，调用
data-create-viz选择合适图表类型，生成 Python 可视化或构建 HTML 仪表板。 - 技能间协同：手写查询时调用
data-write-query以遵循特定 SQL 方言的最佳实践，形成"取数—分析—可视化"的连贯链路。 - 对未知集成主动询问：遇到不熟悉的占位符或需要检查连接的工具，会主动询问可用的集成，而不是凭空猜测数据源。
和普通工具比强在哪？ 传统 BI 工具强在"看板可复用"，但探索性提问仍需人工拖拽配置；通用大模型能写 SQL，但缺少口径确认与结果校验环节。data-analyze 把"提问—取数—校验—呈现"串成一条有纪律的流水线，兼顾灵活性与可信度。
如何使用该技能？
第 1 步：用自然语言提出数据问题
不需要特定语法，直接描述业务问题即可。技能官方给出的示例包括：
- “上周有多少用户注册？”（快速答案）
- “分析转化率的下降”（全面分析）
- “是什么导致转化率的下降？”（全面分析的因果探索问法）
第 2 步：补充关键上下文（可选但强烈建议）
按技能提示，尽量具体指定：时间范围、细分维度、指标口径；如果知道表名，直接说出来可显著加速取数。例如：
“对比 2024 年 Q1 与 Q2 的新用户 7 日留存率，按获客渠道拆分，表名可能是
user_events。”
第 3 步：确认数据来源方式
- 已连接数据仓库：技能会探索架构、写 SQL、执行并取回结果。
- 未连接：技能会要求你三选一——直接粘贴查询结果 / 上传 CSV 或 Excel 文件 / 描述表结构，由技能写好查询给你自己跑。
第 4 步：等待分析与验证
技能会计算指标、找趋势与异常、做跨维度比较，并在呈现前跑完五项验证。若发现空值异常或聚合对不上，会先调查并标注，而不是直接把可疑数字端上来。
第 5 步：读取结果并按需追问
- 快速答案类：得到一个明确数字 + 上下文，并附上所用查询以便复现。
- 全面分析类：先看到关键发现，再看支撑数据表/图表、方法论与注意事项，末尾会有建议的后续问题。
- 正式报告类：按执行摘要 → 方法论 → 详细发现 → 限制说明 → 建议的结构输出。
第 6 步：需要图表时继续追问
例如"把上面的渠道留存对比画成折线图"，技能会调用 data-create-viz 选择合适的图表类型并生成可视化。
输出示例（快速答案场景示意）
问题：“上周有多少用户注册？” 期望输出形态：一个注册人数数字 + 统计口径与时间范围说明 + 所用查询（置于代码块中便于复现）+ 若有数据缺口会额外提示。
输出示例（全面分析场景示意）
问题：“是什么导致转化率的下降？” 期望输出形态：核心结论先行（如"下降主要集中在新渠道 X 的移动端"）+ 分维度数据表 + 趋势图 + 分析方法与注意事项 + 建议继续追查的方向。
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 |
|---|---|---|---|---|---|
| data-analyze（数据分析Skill） | 对话式全流程数据分析助手 | 问题分级、双模式取数、结构化分析、交付前五项验证、分档报告模板、可调用可视化技能 | 在支持 Skill 的客户端检索启用即可；连库需完成集成授权 | 临时性业务提问、归因分析、季度复盘报告初稿 | 优势：流程内建验证，输出规范统一，支持无仓库降级使用；不足：深度依赖数据源质量，复杂建模仍需人工介入 |
| 传统 BI 看板工具 | 可视化报表与自助分析平台 | 拖拽建模、固定看板、权限与定时推送 | 需部署/采购、建模与指标配置，学习曲线较陡 | 长期监控的固定指标体系、面向管理层的常规报表 | 优势：稳定、可复用、治理能力强；不足：探索性临时问题响应慢，需人工配置 |
| 通用大模型对话工具 | 通用问答与文本生成 | 写 SQL、解释概念、生成分析思路 | 零门槛，开箱即用 | 学习 SQL、快速获得分析思路 | 优势：灵活、成本低；不足：无数据连接与执行能力，缺少结果校验，易产生看似合理的错误结论 |
| 手写 SQL + 电子表格 | 最传统的数据分析方式 | 完全自主的取数与计算 | 需要 SQL 与业务口径能力 | 一次性、口径明确的小型分析 | 优势：完全可控；不足：重复劳动多、验证靠自觉、报告撰写耗时长 |
选型建议：日常监控看板交给 BI 工具；口径复杂、需要治理的核心指标也应由 BI 承载；而"临时起意的一次性追问"和"需要快速成稿的分析报告"，data-analyze 的性价比最高。
该技能的典型应用场景与实际体验情况
场景一：增长运营的归因追问
角色：增长运营。痛点：周会前一天发现转化率环比下滑，自己写 SQL 要花两小时，还不确定口径对不对。使用方式：直接问"是什么导致转化率的下降？“，并补充时间范围与渠道维度。技能会做多维拆分、跨周期比较，先给关键发现，再给支撑表格与注意事项。实际体验：上手几乎零成本，因为提问就是日常说话；效果上最省心的是"结论先行”，可以直接搬进周会材料；注意点是问题越模糊，技能越可能反问口径，建议一开始就把时间范围和指标定义说清楚。
场景二：数据分析师的正式报告起草
角色：数据分析师。痛点：季度业务回顾（QBR）需要方法论、限制说明和建议，结构写起来繁琐。使用方式：提出"准备我们订阅指标的季度业务回顾"。实际体验：技能会按执行摘要、方法论、详细发现、注意事项与建议的结构输出，相当于给出高质量初稿，分析师把精力集中在业务解读上；注意点是报告中引用的数据源与口径仍需人工最终确认。
场景三：无数据仓库团队的小数据集分析
角色：中小团队负责人。痛点：没有数据仓库，只有导出的 CSV。使用方式：上传 CSV 或 Excel 文件后直接提问，例如"这批订单里各品类的退款率是多少？"。实际体验：降级路径顺畅，不需要额外搭建环境；技能会先做行数、空值、幅度等检查，遇到脏数据会主动标注，而不是给出失真的比率；注意点是文件需具备可读的列名，字段含义最好在提问中说明。
场景四：产品经理的趋势可视化
角色：产品经理。痛点：口头结论难以说服人，需要一张图。使用方式：先做全面分析，再追问"把结果画成图"，技能调用 data-create-viz 生成图表或 HTML 仪表板。实际体验：图表类型由技能按数据特征推荐，比自己纠结用柱状还是折线更快；注意点是图表美化程度有限，对外正式材料可能仍需二次加工。
整体体验总结：上手难度低（自然语言即可），可信度较高（内建验证），最适合"提问快、要结论快"的场景；需要留意的是，深度依赖数据源可用性与字段语义，复杂建模任务应明确告知技能拆解方向。
该技能能为用户带来的价值
- 把分析流程标准化，减少来回返工：复杂度分级 + 五项验证 + 分档报告模板，把资深分析师的作业习惯固化下来，团队新人也能产出结构完整、标注清晰的分析结果。
- 显著压缩单次分析的周期：从"确认口径、找表、写查询、核对、写报告"的多轮人工操作，收敛为"提一次问 + 少量追问"，重复性劳动（尤其查询编写与报告排版）被大幅削减。
- 降低数据能力门槛：不会写 SQL 的运营、产品也能拿到经过校验的数据结论；有仓库就连仓库，没仓库就传文件，路径选择由技能引导，不需要事先搭环境。
- 降低决策风险：空值、异常幅度、趋势断点、聚合逻辑等常见"隐性坑"在交付前被拦截，减少基于错误数据做决策的概率。
- 可量化与可复现：快速答案会附上所用查询，结论可以被同事复跑验证，形成可追溯的分析记录。
- 长期价值：技能之间可组合（
data-write-query、data-create-viz），随着使用积累，团队逐步形成统一的提问规范与验证文化，数据分析从"个人手艺"转向"可协作的流程"。
常见问题 FAQ
Q1：这个技能怎么安装？需要写代码吗？
不需要写代码。在支持 Skill 机制的 AI 客户端或技能市场中，用技能名"数据分析"、英文名 data-analyze 或技能ID 13818 检索并一键启用即可。若希望技能直接查库，还需按平台方式完成数据仓库集成授权。具体入口位置与授权方式以官方说明为准。
Q2：收费吗？
技能本身的定价与可用范围取决于所在平台的计费策略，请以官方说明为准。可以确定的是：即使不连接任何数据仓库，你也能通过粘贴查询结果、上传 CSV/Excel 的方式使用它，无需额外采购数据基础设施。
Q3：适合谁用？我只是个不会 SQL 的运营。
非常适合。技能支持自然语言提问，未连接仓库时会引导你上传文件或粘贴结果。只要你能描述清楚"看哪个指标、什么时间范围、按什么维度拆分"，就能拿到结构化结论。反过来，资深分析师也能受益于报告模板与验证清单，把时间省在业务解读上。
Q4：它给出的数据结论可靠吗？
技能在呈现前会执行五项验证：行数合理性、空值检查、幅度检查、趋势连续性、聚合逻辑（小计是否等于总计）。发现问题会先调查并在结论中标注注意事项。但仍需注意：结论质量取决于数据源质量与口径定义，正式对外材料建议人工复核数据源与统计口径。
Q5：和公司现有的 BI 看板、或者直接用通用大模型相比，怎么选？
三者定位不同：BI 看板适合长期监控的固定指标；通用大模型适合写 SQL、找思路但没有数据连接与校验能力；data-analyze 适合"临时性、探索性、需要快速成稿"的分析任务。实践中常见的组合是：核心指标治理放在 BI，临时追问与报告初稿交给这个技能。