Data Analysis

• 您需要调试某个 KPI、排查指标的异常波动或下降，或解释某个数字发生变化的原因。
• 您正在运行 A/B 测试、同期群分析或漏斗审查，需要的是统计上严谨的解读——而不仅仅是一个原始数字。
• 您正在准备高管报告或利益相关者简报，需要将发现结论以决策建议的形式呈现，而非简单的数据堆砌。
• 您在使用 SQL、Python notebooks、电子表格或 BI 工具导出文件，而真正的难点在于分析判断：衡量什么、如何比较，以及这些数据究竟意味着什么。

• 您只需要机械式的电子表格格式化或原始 SQL 语法帮助，无需任何分析层——sql 或 csv 等配套技能可能已经足够。
• 您需要构建或配置实时仪表板或报告流水线；请考虑改用 dashboard 或 business-intelligence 技能。
• 数据质量太差或样本量太小，无法支持任何可靠的推断——Data Analysis 会标记这一情况并阻止不受支持的结论，而不是产生虚假的置信度。

在接触任何数据之前，该技能会将每项分析锚定到一个具体的决策上：谁是决策负责人、如果结果是 X 与 Y 相比会带来哪些变化，以及相关的时间框架是什么。没有明确决策目标的分析会被视为不完整的分析。

每项计算都锁定于一份明确的指标契约，涵盖：实体、粒度、分子、分母、时间窗口、时区、筛选条件、排除项以及数据真实来源。在呈现结果之前，所有歧义都会被提前暴露，从而防止指标定义在无声无息中发生偏移。

该技能验证样本量是否充足、比较组是否公平、多重比较风险、实际显著性与统计显著性的区别，以及不确定性量化。结果以区间形式呈现（例如"提升12–18%"），而非不准确的点估计值。

该技能将分析问题映射到正确的方法：比较问题使用假设检验，预测问题使用回归分析，留存问题使用队列分析，群体差异使用分群分析，异常模式使用异常检测——每种方法均对应正确的关键输出结果。

每项结果均按以下结构呈现：答案、证据、置信度、注意事项以及建议的后续行动。面向利益相关者的输出内容会将技术发现转化为业务影响，而非以方法论作为开篇。

该技能会主动标记分析中的潜在陷阱，例如：KPI 定义变更后名称被复用、在同一图表中混合不同聚合粒度、仅展示百分比而未附带基础计数，以及事后倒推叙事等问题——在这些问题影响决策之前及时预警。

在完成产品实验后，使用此 Data Analysis 技能来验证样本量、检查新奇效应、计算带置信区间的效应量，并生成一份面向利益相关者的简报，说明结果是否已具备决策条件或需要进一步测试。

当某个关键指标出现意外波动时，该技能将依次执行指标契约验证、分段拆解、时间粒度一致性检查以及混淆因素排查，以判断该波动究竟是真实信号，还是由定义问题或数据质量问题所产生的假象。

将原始查询结果或笔记本输出转化为结构化决策简报——以核心洞察开篇，量化不确定性，说明数据无法回答的问题，并提出下一步行动建议——适用于领导层或跨职能利益相关方。

分析不同用户群组随时间的行为表现，生成按获客周期或细分群体划分的留存曲线，并判断所观察到的差异在统计意义上是否显著，还是仅属于正常波动范围内的噪声。