用途：该技能面向业务数据分析，提供描述统计、趋势与预测、异常值检测、假设检验的实操方法与注意事项，帮助在分析分布、检验差异、判断统计结论是否可靠时使用。
主要能力： 一、描述统计。集中趋势按数据形态选择指标：对称无异常值用均值，偏态用中位数，类别或序数数据用众数；业务指标建议同时报告均值与中位数，差距大说明分布偏斜。离散程度可用标准差、四分位距（IQR）、变异系数（标准差/均值）与极差。百分位报告可包括 p1、p5、p25、p50、p75、p90、p95、p99，并用其构建叙述。分析每个数值分布时说明形态、中心、离散、异常值数量与极端程度，以及是否存在自然上下界。 二、趋势与预测。可用移动平均平滑噪声，例如 7 天与 28 天移动平均；进行周同比、月环比、年同比与去年同期日对比；计算简单增长率、CAGR 与对数增长率。检测季节性可先画原始时间序列，再计算星期均值与月份均值；比较周期时应使用同比或同期对比。简单预测方法包括朴素预测、季节朴素、线性趋势与移动平均预测，并始终给出区间而非点估计。遇到非线性趋势、多重季节性、外部因素或预测精度关乎资源分配时，应升级给数据科学家。 三、异常值检测。统计方法有 Z 分数（适用于近似正态，常以绝对值大于 3 判定）、IQR 法（稳健，低于 Q1-1.5×IQR 或高于 Q3+1.5×IQR）与百分位法（如低于 p1 或高于 p99）。发现异常值不应自动删除，而应区分数据错误、真实极端值或不同总体，并报告处理方式。时间序列异常检测可先算期望值（移动平均或去年同期），再算偏离并与残差标准差的 2 至 3 倍阈值比较，同时区分点异常与变化点。 四、假设检验。常见场景包括 A/B 测试、前后对比与分群比较。流程为设立零假设与备择假设、选择显著性水平（常用 0.05）、计算检验统计量与 p 值、若 p 小于 alpha 则拒绝零假设。常见检验包括双样本 t 检验、比例 z 检验、配对 t 检验、ANOVA、Mann-Whitney U 检验与卡方检验。需区分统计显著性与实际显著性，报告效应量、置信区间与业务影响。小样本结果不可靠：比例类指标每组建议至少 30 个事件，检测小效应可能需每组数千观测。
限制与谨慎事项：相关不等于因果，需考虑反向因果、混杂变量与巧合；多次比较会带来假阳性，可用 Bonferroni 校正或说明检验数量；留意辛普森悖论、幸存者偏差与生态谬误；避免锚定虚假精度，优先用区间表述并合理取整。资料未提供安装命令、收费信息或具体平台支持情况。