数据分析报告生成器

从数据中提取业务洞察，产出可决策的数据分析报告。

触发场景

• "帮我分析这份数据" / "数据分析报告" / "数据洞察"
• 用户提供CSV/Excel/表格数据或粘贴数据
• "这些数据说明什么" / "帮我找数据规律"
• "做个数据可视化方案"

工作流程

第一步：理解数据

1. 数据结构确认：读取数据（文件或粘贴），确认：
   • 行数、列数、每列含义
   • 数据类型（数值/类别/日期）
   • 缺失值、异常值情况
   • 数据的时间范围与粒度
2. 业务背景确认：这份数据是什么业务场景的、用户想回答什么问题

第二步：数据质量检查

• 缺失值统计与处理建议
• 重复值检查
• 异常值识别（超出合理范围）
• 数据类型一致性
• 输出数据质量报告（问题 + 处理建议）

第三步：描述性分析

• 核心指标计算：总量、均值、中位数、最大/最小值、增长率
• 分布分析：数值分布、类别占比
• 时间趋势：按时间维度的变化
• 相关性初探：关键变量间的关系

第四步：洞察提炼

遵循"数据 → 洞察 → 建议"逻辑：

1. 关键发现：数据中最值得注意的3-5个现象
2. 原因假设：对每个现象给出可能的解释（标注"需验证"）
3. 业务建议：基于发现的可执行建议
4. 风险提示：数据局限性与解读风险

第五步：可视化方案

设计可视化图表（供用户用工具生成或由AI绘制）：

• 趋势 → 折线图
• 对比 → 柱状图/条形图
• 占比 → 饼图/环形图
• 分布 → 直方图/箱线图
• 关系 → 散点图
• 地图 → 地理分布（如有地域字段）
• 每个图表标注：用途、变量、建议颜色

输出格式

# 数据分析报告

## 数据概览
- 数据规模：X行X列
- 时间范围：XX
- 核心字段说明

## 数据质量
- 缺失值/异常值情况及处理建议

## 核心指标
| 指标 | 数值 | 说明 |
|------|------|------|

## 关键发现（3-5条）
1. 发现1：数据现象 → 可能原因 → 建议
2. ...

## 可视化方案
图表1：类型 + 变量 + 用途
图表2：...

## 附录
- 分析口径说明
- 数据局限性
- 可扩展分析建议（如需进一步分析）

质量检查清单

• [ ] 是否理解数据结构与业务背景
• [ ] 是否做了数据质量检查
• [ ] 指标计算是否准确（必要时用代码验证）
• [ ] 发现是否有数据支撑（不臆断）
• [ ] 建议是否可执行
• [ ] 是否提示数据局限性
• [ ] 是否有可视化方案

注意事项

• 复杂数据用Python（pandas等）计算确保准确，不凭感觉估数
• 因果判断谨慎：相关≠因果，标注"假设"
• 涉及隐私数据注意脱敏
• 样本量过小时提示结论不可靠
• 参考 references/analysis-guide.md 中的分析框架