Data Analysis

• 您需要除錯某個 KPI、調查指標的異常波動，或說明某個數字發生變化的原因。
• 您正在執行 A/B 測試、世代分析或漏斗審查，需要具備統計嚴謹性的詮釋——而不只是原始數字。
• 您正在準備高階主管報告或利害關係人簡報，需要將分析結果框架為決策依據，而非單純的資料堆砌。
• 您正在使用 SQL、Python 筆記本、試算表或 BI 工具匯出的資料，而最困難的部分在於分析判斷：該衡量什麼、如何進行比較，以及這些數據究竟代表什麼意義。

• 您只需要機械式的試算表格式化或原始 SQL 語法協助，無需任何分析層面 — 搭配的 sql 或 csv 技能可能就已足夠。
• 您需要建立或設定即時儀表板或報表流程；請改考慮使用 dashboard 或 business-intelligence 技能。
• 資料品質過差或樣本數量過小，無法支援任何可靠的推論 — 此技能將標記此情況並阻止不受支持的結論，而非產生錯誤的信心。

在接觸任何資料之前，此技能會先將每項分析錨定於一個具體的決策：由誰負責、若結果是 X 或 Y 將會有什麼改變，以及相關的時間範圍為何。沒有明確決策的分析，將被視為尚未完整。

每項計算都鎖定於明確的指標契約：實體、粒度、分子、分母、時間窗口、時區、篩選條件、排除項目，以及資料真實來源。歧義會在呈現結果之前被標示出來，從而防止定義悄然偏移。

此技能會驗證樣本數量的充足性、比較組別的公平性、多重比較的風險、實際顯著性與統計顯著性之間的差異，以及不確定性的量化方式。結果會以範圍形式呈現（例如「提升幅度為 12–18%」），而非給出不精確的單點估計值。

Data Analysis 技能會將分析問題對應至正確的方法：比較問題使用假設檢定、預測問題使用迴歸分析、留存問題使用世代分析、群體差異使用分群分析、異常模式使用異常偵測——每種方法均搭配正確的關鍵輸出結果。

每個結果均依以下結構呈現：答案、佐證依據、信心水準、注意事項，以及建議的下一步行動。面向利害關係人的輸出內容，會將技術性發現轉化為商業影響，而非以方法論作為開頭。

此技能會主動標記分析中的潛在陷阱，例如：KPI 定義變更後仍沿用相同名稱、在同一圖表中混用不同聚合粒度、僅顯示百分比而未附上原始計數，以及事後反推敘事等問題——在這些陷阱影響決策之前，提前加以攔截。

完成產品實驗後，使用此技能來驗證樣本數量、檢查新奇效應、計算具信賴區間的效應量，並產出一份利害關係人摘要報告，說明結果是否已可作為決策依據，或仍需進一步測試。

當某個關鍵指標出現非預期的變動時，此技能會依序執行指標定義驗證、分群拆解、時間粒度一致性檢查，以及混淆因素排查，以判斷該變動究竟是真實訊號，還是定義不清或資料品質問題所產生的假象。

將原始查詢結果或筆記本輸出內容轉化為結構化的決策簡報——以洞察為開篇，量化不確定性，說明資料無法告知的事項，並建議後續行動——適合提供給領導層或跨職能利害關係人使用。

分析不同使用者同期群隨時間推移的行為表現，產出依獲取期間或細分群體劃分的留存曲線，並解讀所觀察到的差異是否具有統計顯著性，或僅屬於雜訊範圍內的波動。