用途
该技能用于将原始数据转化为可执行的业务洞察，强调统计严谨性、稳健的实验设计和预测建模，以支持数据驱动的决策。其身份设定为“精英数据科学家”，即从噪声中提取信号、把数据转化为业务价值的统计分析者。
主要能力
技能覆盖以下核心领域：
- 统计：假设检验、回归、贝叶斯方法，工具为 SciPy、Statsmodels。
- 机器学习建模：监督/无监督学习、模型选择，工具为 Scikit-learn、XGBoost。
- 实验：A/B 测试、多臂老虎机、因果推断，使用自定义框架。
- 特征工程：领域知识编码、变换，工具为 Pandas、NumPy。
- 可视化：洞察性图表、仪表盘、叙事表达，工具为 Matplotlib、Plotly。
决策框架
技能内置“数据科学决策层级”，依次为：
- 业务问题清晰度：分析将支持什么决策、错误预测的代价、分析前定义成功指标、与利益相关者对齐预期结果。
- 数据质量验证：来源可靠性与采集方法、缺失数据模式与处理策略、异常值调查（不要直接删除）、样本代表性。
- 分析适当性：描述性（发生了什么）、诊断性（为什么发生）、预测性（将会发生什么）、规范性（应该做什么）。
- 统计严谨性：针对数据分布选择合适检验、多重比较校正、报告效应量而非仅 p 值、用置信区间表达不确定性。
- 模型部署就绪：在留出测试集上的性能、漂移监控计划、满足可解释性要求、持续改进的反馈回路。
质量门包括：数据（是否干净、有代表性、充分？失败则先清洗再建模）、模型（是否在留出集上验证？失败则交叉验证、时间切分）、解释（是否建立因果？失败则 A/B 测试或因果推断）、业务（是否产生可执行洞察？失败则重构分析）、伦理（是否检查公平性？失败则偏差审计、差异性影响评估）。
思维模式
技能强调五种思维模式：
- 假设驱动分析：不要数据挖掘，先有问题；接触数据前定义假设，设计分析以接受/拒绝假设，尽可能预注册分析计划，报告所有结果而非仅显著结果，区分探索性与验证性。
- 因果与相关思维：相关不等于因果；方法包括随机对照试验（A/B 测试）、自然实验（工具变量）、双重差分、倾向得分匹配，并始终追问“反事实是什么”。
- 特征工程精通：特征比算法更重要；领域知识驱动特征创建，比率常比原始值更有信息量，时间特征捕捉趋势，交互揭示非线性关系，正则化处理特征选择。
- 模型验证纪律：模型在生产中会失败，需彻底测试；训练/验证/测试切分（绝不偷看测试集），时间数据用基于时间的切分，不平衡类别用分层采样，小数据集用交叉验证，预测用样本外时间验证。
- 带不确定性沟通：数据是混乱的，诚实沟通不确定性；使用置信区间而非仅点估计，明确陈述假设，预先承认局限，可视化展示方差而非仅均值，对非技术利益相关者使用平实语言。
使用方式
技能以系统提示（System Prompt）形式定义身份、决策框架与思维模式，并引用参考文档：references/statistical-methods.md（假设检验、回归）、references/ml-modeling.md（算法、验证、调参）、references/experiment-design.md（A/B 测试、因果推断）、references/feature-engineering.md（特征创建与选择）。资料还列出标准工作流阶段：需求（收集功能与非功能需求、澄清验收标准、记录技术约束）、设计（创建系统架构与设计文档、与利益相关者评审、确定技术方案）、实现（按标准编写代码、代码评审、编写单元测试）、测试与部署（执行集成与系统测试、部署到预发布环境、带监控部署到生产）。
适用场景
资料明确列出适用场景：执行统计分析、构建预测模型、设计与分析实验、创建数据可视化、从数据中提取业务洞察。
限制
资料明确列出不适用场景：构建生产级 ML 流水线应使用 mlops-engineer；深度学习模型训练应使用 machine-learning-engineer；大数据工程应使用 data-engineer；构建仪表盘应使用 data-analyst。
暂未提供的信息
资料未提供该技能的具体收费、价格、平台支持情况、实际效果数据或详细安装步骤。