用途
Data Analyzer 是一个专家级数据分析智能体，用于分析结构化与非结构化数据集，从中提取有意义的洞察、识别模式、检测异常并生成数据驱动的建议。资料说明其专长包括探索性数据分析、统计检验、相关性分析与洞察叙事，适用于商业分析、研究验证、绩效分析与决策支持。
主要能力
该技能围绕五个核心工作流组织能力：
-
探索性数据分析（EDA）：进行数据画像（行列维度、字段类型与格式、缺失值与空值、唯一值与基数、数据范围与分布），生成描述性统计（均值、中位数、众数、标准差）；开展数据质量评估（缺失模式 MCAR/MAR/MNAR、重复记录、异常值、一致性问题、格式与类型不匹配），并记录问题严重程度；进行单变量分析（分布、偏度、峰度、基于 IQR 与 Z-score 的异常值检测、直方图/箱线图/密度图）、双变量分析（Pearson 与 Spearman 相关、散点图、交叉表）与多变量分析（相关矩阵、维度评估、初步特征重要性、聚类倾向）；最后给出初步洞察、假设、数据局限与注意事项。
-
模式检测与趋势分析：如为时间序列数据则进行趋势识别、季节性检测、周期性模式、异常检测与初步趋势预测，并分解为趋势、季节与残差成分；进行分群分析（识别自然分组、聚类概念方法、分群画像与对比）；分析相关与因果（识别相关变量、检验相关强度与显著性、调查潜在因果关系、控制混杂变量，谨慎记录相关性与因果性区别）；进行异常检测（统计离群值、上下文异常、点异常与集体异常、判断异常是错误还是洞察）；以及模式验证（子集稳定性测试、交叉验证、敏感性分析、置信区间与显著性检验）。
-
统计假设检验：制定零假设（H0）与备择假设（H1）、设定显著性水平（通常 α=0.05）、选择合适检验；检验选择涵盖均值比较（t 检验、ANOVA）、比例比较（卡方、Fisher 精确检验）、相关性检验（Pearson、Spearman）、分布检验（Kolmogorov-Smirnov、Shapiro-Wilk）；检查假设前提（正态性、方差齐性、观测独立性、样本量充足性），若不满足则使用非参数替代方法；执行检验（计算检验统计量、p 值、与显著性水平比较、计算效应量如 Cohen's d、eta-squared、置信区间）；解释结果（统计显著性、实践显著性、置信度、局限与注意事项，并转化为业务或研究含义）。
-
对比分析：定义比较对象（分组、A/B、多分群、时间段）、比较指标、基准与目标组、成功标准；计算各分群关键指标、识别表现最佳与落后者、计算差距与排名；进行驱动因素分析（识别解释差异的因素、量化各驱动因素贡献、控制混杂变量、构建解释性叙述）；进行基准对比（行业标准、历史表现、最佳实践示例、差距计算）；给出收窄差距的行动建议（速赢与战略举措、资源需求、预期影响量化）。
-
洞察综合与故事化表达：识别洞察并按其业务影响排序、归类主题；按“观察—洞察—含义—建议”结构组织，采用金字塔原则（先给答案再给支撑细节）；整合证据（关键统计与指标、讲故事的图表、对比基准、置信水平与注意事项）；发展叙述（清晰无术语、从问题到建议的逻辑流、预判并回应反驳）；设计可视化（选择合适图表类型、简化聚焦、格式一致、直接在图上标注关键洞察、遵循可视化最佳实践）；确保可执行性（将洞察转化为具体行动、分配责任人与时间线、量化预期影响、定义成功指标）。
使用方式
资料提供一个快速参考表，列出触发方式：完整 EDA 用“Analyze this dataset comprehensively”；快速摘要用“Summarize key statistics from this data”；模式检测用“Find patterns in this dataset”；假设检验用“Test if [variable A] affects [variable B]”；对比分析用“Compare [group A] vs [group B]”；相关性分析用“What correlates with [variable]?”；异常检测用“Find anomalies in this data”；趋势分析用“Analyze trends over time”。资料还给出分析报告模板，包含执行摘要、目标、数据概览、数据质量评估、分析与发现、方法、建议、下一步与附录等章节。
适用场景
资料指出其适用于商业分析、研究验证、绩效分析与决策支持。文档还列出与其他技能的集成方式：与 survey-analyzer 用于调查数据、与 financial-analyst 用于财务数据集与指标、与 user-research 用于量化定性研究结论、与 seo-analyst 用于网站流量与性能数据、与 market-research-analyst 用于验证市场假设、与 trend-spotter 用于检测随时间出现的新兴模式。
统计方法与可视化参考
资料列出描述性统计（集中趋势、离散程度、分布形状、百分位数）、推断性统计（t 检验、ANOVA、卡方、相关、回归）与效应量度量（Cohen's d、eta-squared、odds ratio、R-squared）。图表选择指南按数据类型与用途给出建议：单连续变量用直方图/密度图/箱线图；随时间连续用折线图/面积图；部分与整体用饼图（类别小于 6 时）或堆叠条形图；类别对比用条形图/柱状图；两个连续变量用散点图；三个及以上变量用气泡图/小多图；地理数据用地图/分级统计图；层级数据用树图/旭日图。设计原则包括清晰、准确、高效、美观与无障碍（色盲友好配色）。
限制与注意事项
资料明确列出常见陷阱：p-hacking、挑选数据、忽略假设前提、混淆相关与因果、过拟合、忽略缺失数据、误读 p 值、混淆统计显著性与实践显著性、数据窥探、超出数据范围外推。最佳实践要求先定义问题、记录假设、核实计算、尽早并频繁可视化、考虑业务背景、警惕虚假相关、传达不确定性、讲故事、迭代分析、与利益相关方验证。资料未提供免费或收费信息，未说明具体运行平台、安装命令与配置方式，这些内容暂未提供。