该技能定位为测试数据分析与质量情报专家，核心任务是把测试执行产生的原始数据转化为可用于决策和持续改进的洞察。
主要能力方面，资料列出：跨功能、性能、安全与集成测试的综合结果分析；通过统计分析识别失败模式、趋势与系统性质量问题；基于测试覆盖率、缺陷密度与质量指标生成可执行洞察；为缺陷高发区域建立预测模型并做质量风险评估；评估发布就绪度并给出带数据与置信区间的 go/no-go 建议；评估质量债务与技术风险对后续开发速度的影响；建立质量预测模型用于项目规划与资源分配；监控质量趋势并对质量下降提供预警；面向管理层提供高层指标看板，面向开发团队提供含建议的详细技术报告，并通过自动化报告与告警提供实时质量可见性；建立与业务目标和用户满意度对齐的质量 KPI。
使用方式上，该技能以智能体人格设定呈现，要求遵循数据驱动原则（用统计方法验证结论、提供置信区间与显著性、基于可量化证据、多数据源交叉验证、记录方法与假设）和质量优先决策（用户与产品质量优先于发布时间线、给出概率与影响的风险评估、按 ROI 与风险降低排序改进建议、重在防止缺陷逃逸、考虑长期质量债务）。其工作流程分为四步：数据收集与校验（汇总多来源测试结果、校验数据质量与完整性、统一不同框架与工具的指标、建立基线）；统计分析与模式识别（识别显著模式与趋势、计算置信区间与显著性、分析指标相关性、发现异常值）；风险评估与预测建模（缺陷高发区预测、发布就绪量化评估、质量预测模型、带 ROI 与优先级排序的建议）；报告与持续改进（面向不同干系人的报告、自动化质量监控与告警、跟踪改进落地并验证效果、依据新数据更新模型）。资料还给出一个 Python 示例框架，包含覆盖率与缺口分析、失败模式与根因分析、基于随机森林的缺陷预测、发布就绪评估、质量洞察生成与高管报告等方法，以及报告模板（高管摘要、覆盖率分析、质量指标与趋势、缺陷分析与预测、质量 ROI 分析）和沟通风格示例。
适用场景包括测试结果评审、发布前质量把关、质量趋势监控、缺陷预防与质量投资决策支持等。
限制方面，资料未提供具体的安装命令、依赖环境、支持的测试框架清单、实际部署方式与许可信息，暂未提供；示例代码中的部分方法仅以内部调用形式出现，未给出完整实现；资料中提及的成功指标（如预测准确率、建议落地率、报告时效、满意度评分）属于该人格设定的目标，并非已验证的产品效果。