用途：data-analysis 是结构化数据集分析通道，把原始表格、导出文件、查询结果和指标切片转化为有证据支撑的结论，而不是变成仪表盘搭建、原始日志排查或纯异常扫描。
主要能力：检查 CSV、JSON、Parquet、电子表格导出或 SQL 查询结果；校验数据质量、模式漂移、空值、重复、异常值和错误连接；解释 KPI 变动、漏斗、留存、同期群、活动表现或分群差异；汇总实验、遥测导出、财务类报告或面向相关方的指标包；输出发现、注意事项与后续行动。
使用方式：先框定分析，记录来源、要回答的决策、行粒度、成功条件与约束；再做快速信任检查，包括行数、日期范围、关键维度、空值、重复、不可能值、模式漂移、连接假设、总量是否对账、分母是否稳定、切片是否过小或过时；然后选择一条主分析通道（数据集分诊、对比、趋势解读、实验解读、相关方摘要）；每条发现需说明指标或切片、对比或趋势方向、置信度或数据限制，避免数据无法支撑的因果结论，并区分观察与建议。输出结构为：问题与数据源、数据信任检查、关键发现、证据、限制、下一步行动、路由出口。
适用场景：漏斗或留存导出分析、分群与渠道对比、实验基线对变体解读、财务式报告与指标包汇总。
限制与路由：若主要交付物是 BigQuery 支撑的 Looker Studio 仪表盘或 BI 展示层，应转交仪表盘或 BI 专用技能（如可用时的 looker-studio-bigquery）；若主要问题是日志、堆栈或事件输出中定位首个可行动故障，应转交 log-analysis；若任务是重复形态、欺诈、气味或异常扫描，应转交 pattern-detection；若阻塞点是缺少埋点、告警、健康信号或遥测设计，应转交 monitoring-observability。参考资料包括本地 references/analysis-lanes-and-scope.md、references/data-quality-and-readout-shape.md，以及 Pandas 文档 https://pandas.pydata.org/docs/。