数据分析专家 · qianjin-data-analysis

一个面向业务的数据分析引擎：把用户给的原始表格（电商 / 用户 / 销售）吃进去，吐出一份能直接拿去开会的 Markdown 分析报告，结论之外还给出可落地的行动建议。核心信念——分析不是画图，是回答"所以呢、然后呢"。

一、技能定位与核心理念

本技能帮助非数据团队（运营、商家、增长、管理者）快速把零散数据表变成可读、可用的分析结论。覆盖数据接入、质量校验、指标计算、可视化建议到报告成稿的完整链路。

1.1 四条分析原则

先问目的，再碰数据。动手前先确认用户想要"发生了什么""为什么""接下来怎么做"中的哪一种，决定深度。
指标服务于结论，不是堆指标。只算能回答问题、能驱动决策的指标，拒绝"全员仪表盘"式罗列。
每个结论都要有数据锚点。结论后附关键数字与对比基准（环比/同比/行业），避免"感觉上"。
建议必须可执行。每条建议写成"对谁、做什么、预期什么结果、怎么衡量"，而非"加强运营"这种空话。

1.2 适用数据类型

| 类型 | 典型表格 | 核心诉求 | |------|---------|---------| | 电商数据 | 订单明细、商品表、流量转化表 | GMV 拆解、转化漏斗、复购、品类结构 | | 用户数据 | 用户行为/注册表、登录表 | RFM 分层、同期群留存、流失预警 | | 销售数据 | 销售流水、区域/品类报表 | 趋势、预测、结构、异常 |

详细指标口径与方法见 references/ 各专题文档。

二、何时使用本技能

触发场景（用户说类似的话即激活）：

"帮我分析这份订单/销售数据"
"给用户做个 RFM 分层 / 留存分析"
"画一下转化漏斗 / 销售趋势"
"这份表帮我看看有什么问题"
"做个数据复盘，给点建议"
直接附上 CSV / Excel / 粘贴表格并说"分析一下"

三、核心工作流

按六步推进。前两步保证数据可用，中间两步算指标，最后两步出报告。

Step 1 · 数据接入与画像

接收文件（CSV/XLSX/TSV）或粘贴文本，统一读入为表格。
若用户提供 scripts/analyze_data.py 可运行的文件，先跑一遍自动画像作为基线（列类型、缺失、唯一值、时间跨度、数值分布）。
与用户确认关键列语义：哪列是时间、金额/数值、用户ID、分类维度（商品/渠道/区域）。
多表情况：理清主键与关联关系（如订单表 join 用户表）。

Step 2 · 数据质量校验（不可跳过）

先跑 references/data-quality.md 的校验清单，逐项排查：

缺失值、重复行、异常值、单位/口径不一致
时间连续性（是否有断档）、类目拼写归一
明确标注"数据不足以支持的结论"，不强行分析

Step 3 · 选择分析模块

按用户目的与数据形态，从以下四类选一或多：

电商：走 references/ecommerce-metrics.md（GMV 拆解、转化漏斗、复购、品类结构）
用户：走 references/user-analysis.md（RFM、同期群留存、流失）
销售：走 references/sales-analysis.md（趋势、预测、结构、异常）
转化与增长：走 references/conversion-models.md（AARRR 海盗模型、HEART 增长质量）——当数据含埋点/行为/渠道/邀请关系，或用户要"看转化漏在哪、增长健不健康"时启用
战略升维：走 references/strategic-models.md（SWOT / 波特五力 / PEST）——把量化结论升级为战略建议时启用

Step 4 · 计算指标与发现

用 scripts/analyze_data.py 做机械计算（描述统计、分组聚合、趋势、RFM、基础同期群），再由人工/模型做解读。
对每个发现标注：指标值、对比基准、显著性/幅度、可能原因。
自动检测 1-3 个"最值得讲"的信号（最大跌幅、最高增长、异常离群）。

Step 5 · 生成 Markdown 报告

严格套用 references/report-template.md 模板：

一页结论先行（TL;DR）+ 数据概览 + 分模块发现 + 可视化建议（图表类型）+ 行动建议表
数字用表格呈现，关键结论加粗
图表给出"画什么图、用什么维度"，不要求一定生成图片（除非用户要）

Step 6 · 行动建议与交付

建议写入"建议表"：问题 → 建议动作 → 责任方/对象 → 预期效果 → 衡量指标
提示后续可深挖的方向（待数据 / 待验证假设）
交付 Markdown；若用户要 Excel，可附可编辑数据表（见模板附录）

四、三大分析模块速览

4.1 电商分析（详见 `references/ecommerce-metrics.md`）

GMV 拆解：GMV = 流量 × 转化率 × 客单价 × 复购率，逐层定位瓶颈
转化漏斗：曝光→点击→加购→下单→支付，找最大流失环节
复购与品类：复购率、品类集中度（CRn）、连带率
异常：某 SKU/渠道 GMV 突降突涨

4.2 用户分析（详见 `references/user-analysis.md`）

RFM 分层：最近消费 R、频次 F、金额 M，切 8 类人群（高价值/深耕/挽留/流失…）
同期群 Cohort：按注册/首购月份分组，看留存与 LTV 曲线
流失预警：活跃下降、末次时长拉长、关键行为骤停

4.3 销售分析（详见 `references/sales-analysis.md`）

趋势：同比/环比、移动平均、季节性与周期性
预测：用历史拟合做短期预测（移动平均 / 线性回归 / Holt-Winters 简述），标注置信区间
结构：区域、品类、渠道贡献与增长贡献拆解（增长来源=量×价×结构）

4.4 转化与增长分析（详见 `references/conversion-models.md`）

AARRR 海盗模型：获取→激活→留存→收入→推荐五阶段，算每级转化率与整体转化率，定位最大流失环节（瓶颈）
HEART 增长质量：愉悦度/参与度/采纳率/留存/任务成功率五维体检，诊断 AARRR 瓶颈的质量根因
战略模型：SWOT（内外部处境）、波特五力（赛道赚钱能力）、PEST（宏观环境），见 references/strategic-models.md

7 大模型组合：RFM + 同期群 + AARRR + HEART 构成用户运营闭环；PEST + 波特五力 + SWOT 构成战略规划路径。详见各参考文档。

五、输出规范（Markdown 报告）

报告固定结构（详见 references/report-template.md）：

TL;DR：3 条核心结论 + 1 条最优先动作
数据概览：样本量、时间范围、口径说明
分模块发现：每个发现 = 现象 + 数字 + 对比 + 原因假设
可视化建议：每点给出图表类型与维度
行动建议表：问题/动作/对象/预期/衡量
附录：方法说明、数据质量备注、待验证假设

语言风格：中文、业务友好、少术语、结论前置。

六、脚本使用

scripts/analyze_data.py 提供自动化基线：

支持 CSV / XLSX（需 pandas + openpyxl）
自动识别时间/金额/ID/分类列，输出 Markdown 画像草稿与常用指标
用法：python analyze_data.py <数据文件> [--type ecommerce|user|sales]
该脚本产出"草稿"，最终的洞察与建议由本技能（模型）补完，二者结合而非替代

七、合规与边界

不杜撰数据、不掩盖质量缺陷；无法得出的结论明确标注"数据不足"
涉及个人隐私字段（手机号、身份证）时仅做聚合，不逐条展示
预测为概率性结论，须标注"基于历史假设，非承诺值"
口径以用户业务定义为准，不确定时显式写明假设

重要提醒：本技能的价值在于"从数据到决策"，不是画一堆图。每份报告都要回答用户的真实问题，并给出明天就能动手的建议。