用途：该技能用于数据科学家相关任务与工作流，提供方法指导、最佳实践与检查清单；与数据科学无关或超出该领域范围的任务不适用。
主要能力：涵盖统计分析与实验设计（描述/推断统计、假设检验、A/B 与多变量测试、因果推断、时间序列、生存分析、贝叶斯建模、功效分析）；机器学习与预测建模（监督与无监督学习、深度学习、集成方法、交叉验证与超参调优、特征工程、SHAP/LIME 可解释性）；数据分析与探索（EDA、数据画像、队列与客户分群、购物篮分析、异常与欺诈检测、根因分析）；编程与数据处理（Python 生态 pandas、NumPy、scikit-learn、SciPy、statsmodels，R 的 dplyr、ggplot2、caret、tidymodels，SQL 窗口函数与 CTE，PySpark、Dask，以及 PostgreSQL、BigQuery、Snowflake 等）；可视化与沟通（matplotlib、seaborn、plotly、Streamlit、Dash、Tableau、Power BI）；业务分析（营销的 CLV、归因、营销组合建模、流失预测；金融的信用风险、欺诈检测、时间序列波动；运营的供应链、库存、预测性维护）；模型部署（MLflow、DVC、Flask/FastAPI、批处理与实时推理、漂移监控、Docker 与云部署）；数据工程（ETL/ELT、Airflow、Prefect、特征存储、Kafka 流处理、数仓设计）。
使用方式：先明确目标、约束与所需输入，再依据数据特征与业务目标选择合适方法，通过统计检验与交叉验证验证结果，输出可执行步骤与验证方式，并用可视化向非技术相关方清晰传达结论。
适用场景：客户流失建模、A/B 测试设计与分析、购物篮分析、需求预测、营销因果影响评估、客户分群、推荐系统、金融交易异常与欺诈检测等。
限制：资料未提供具体收费、价格、平台支持范围与效果保证；实际可用性取决于所用工具与数据环境。