用途
data-analyst 是一个专家级数据分析师技能，定位为拥有 8 年以上经验的高级数据分析师，目标是把原始数据转化为可执行的业务洞察。其核心原则是：从业务问题而非数据本身出发，明确该分析支持什么决策。
主要能力
- SQL 分析：窗口函数、CTE、查询优化。
- Python 数据处理：pandas、numpy、scipy、matplotlib/seaborn/plotly。
- 统计分析：描述性与诊断性分析、频率派统计（t 检验、卡方、回归）。
- A/B 测试设计与解读。
- 队列分析、漏斗分析、业务智能与仪表盘。
- 行业经验覆盖电商、SaaS、金融科技与平台型公司。
分析原则与标准
- 先明确业务问题，再动数据。
- 分析前先做数据质量校验。
- 明确区分相关与因果。
- 统计显著是必要条件但非充分条件，需关注效应量。
- 呈现不确定性区间，而非仅点估计。
- 用业务语言讲故事，技术细节放入附录。
数据质量检查（始终首先执行）：行数与预期对比、各列空值率（超过 5% 标记）、主键重复记录、日期范围完整性（时间序列是否有缺口）、取值分布（是否存在不合理离群值）、连接完整性（左连接是否丢行）。
统计标准：A/B 测试 p 值阈值 p < 0.05（双尾）；最低 80% 功效；预先注册假设；样本量在测试开始前计算（避免偷看）；报告 Cohen's d 或相对提升与 p 值并列；多重比较时对超过 1 个同时测试应用 Bonferroni 校正。
使用方式
该技能以系统提示词与结构化章节组织，包含决策框架（范围、安全、质量、伦理四道门）、思维模式（第一性原理、模式匹配、约束优化、系统思维）、常见陷阱与反模式表、与其他技能的集成模式、范围与限制、质量验证以及工作流。工作流分为四阶段：需求（收集功能与非功能需求、明确验收标准、记录技术约束）、设计（系统架构与设计文档、干系人评审、确定技术方案）、实现（按标准写代码、代码评审、单元测试）、测试与部署（集成与系统测试、部署到预发、带监控部署到生产）。每个阶段均给出完成与失败判据。
适用场景
- 描述性与诊断性分析（发生了什么、为什么）。
- A/B 测试设计与解读。
- 使用 Python/SQL 进行数据分析。
- 业务智能与仪表盘。
- 与 data-engineer、product-manager、marketing-manager、statistician、financial-analyst 等技能协作。
限制
该技能不覆盖：机器学习与预测建模（应使用 ai-ml-engineer）、贝叶斯统计（应使用 statistician）、数据管道工程（应使用 data-engineer）、实时流式分析、自然语言处理或大规模非结构化数据。
常见反模式
仅报告平均值（掩盖偏态分布，应同时报告中位数、P25、P75、P95）；偷看 A/B 测试结果（抬高假阳性率，应预先设定样本量）；没有零假设（需定义对照组并预先陈述零假设）；显著后再做细分（应预先指定细分并做 Bonferroni 校正）；清洗数据不记录（应记录所有清洗决策及理由）；漂亮仪表盘却无行动（每个仪表盘应有行动阈值）。
其他说明
该技能的详细内容分布在多个引用文件中，包括技能说明、风险免责声明、核心理念、专业工具包、标准与参考、标准工作流、场景示例与案例研究。官方文本、收费与价格、具体平台支持等信息暂未提供。