Data Storyteller 是一个面向结构化数据的分析技能，定位为处理结构化数据的主要分析工具。它整合了同一仓库中的审计、对比、统计、透视、实验和时间序列等辅助能力。
用途
- 从 CSV 或电子表格数据生成高管摘要和叙事报告。
- 进行数据质量审计、数据集对比和异常审查。
- 执行统计分析、透视分析、实验解读、ROI 与预算分析。
- 生成调查问卷摘要和时间序列分解。
主要能力 该技能提供一组脚本，可按任务需要选用：
- scripts/data_storyteller.py：当用户需要一份连贯完整的报告时，作为起点使用。
- data_quality_auditor.py：数据质量审计。
- dataset_comparer.py：数据集对比。
- correlation_explorer.py：相关性探索。
- outlier_detective.py：异常值检测。
- statistical_analyzer.py：统计分析。
- survey_analyzer.py：调查问卷分析。
- ts_decomposer.py：时间序列分解。
- pivot_table_generator.py：透视表生成。
- ab_test_calc.py：A/B 测试计算。
- roi_calculator.py：ROI 计算。
- budget_analyzer.py：预算分析。
使用方式 建议的工作流程如下：
- 先对数据集进行画像，了解数据形状、列类型和缺失值风险。
- 选择最小可用的分析路径，而不是默认运行所有脚本。
- 当用户需要一份连贯报告时，从 scripts/data_storyteller.py 开始。
- 当任务较窄时，选用对应的专项辅助脚本（如数据质量审计、数据集对比、相关性探索、异常值检测、统计分析、调查分析、时间序列分解、透视表生成、A/B 测试计算、ROI 计算、预算分析）。
- 将输出转化为通俗易懂的发现、风险和后续行动建议。
适用场景
- 探索性数据分析。
- 高管摘要与叙事报告。
- 数据质量审查与异常审查。
- 数据集之间的对比。
- 统计分析与透视分析。
- 实验（如 A/B 测试）解读。
- ROI 与预算分析。
- 调查问卷摘要。
- 时间序列分解。
限制与注意事项
- 不要从相关性过度推断因果关系。
- 在给出强结论之前，应先指出数据质量问题。
- 高管摘要应保持简短，方法细节放在其后。
- 关于收费、价格、平台支持范围等具体信息，资料中暂未提供。