用途
该技能面向数据科学与分析工作，提供从数据战略、统计分析到机器学习、数据治理、商业智能、预测建模、数据伦理与团队组织的综合参考框架。适用于构建机器学习模型、分析数据、创建仪表盘或设计数据架构等任务。
主要能力
数据战略
提供数据成熟度模型，分为五个层级：Ad Hoc（手动、不一致、孤岛）、Opportunistic（部分自动化、点状方案）、Systematic（流程定义、治理初现）、Differentiating（数据驱动决策、高级分析）、Transformative（AI优先、竞争优势）。同时给出分析价值链：数据→信息→洞察→行动→价值，并区分描述性、诊断性、预测性、规范性、自主性五个递进阶段。
统计分析
涵盖描述性统计，包括集中趋势（均值、中位数、众数）、离散程度（极差、方差、标准差、四分位距）和分布形态（偏度、峰度）。更详细的推断统计与假设检验内容指向统计方法参考文档。
机器学习
提供算法选择表，按任务类型列出推荐算法与适用场景：分类（逻辑回归、随机森林、XGBoost、神经网络）、回归（线性回归、Ridge/Lasso、随机森林、XGBoost）、聚类（K-Means、层次聚类、DBSCAN）、降维（PCA、t-SNE、UMAP）、异常检测（孤立森林、单类SVM、自编码器）、时间序列（ARIMA、Prophet、LSTM）、推荐（协同过滤、基于内容、矩阵分解）、NLP（Transformer、BERT、GPT）。详细ML流水线、特征工程与模型监控指向ML流水线参考文档。
数据治理
给出治理框架的四大支柱：政策（数据所有权、分类、保留、访问、质量标准）、角色（数据所有者、数据管理员、数据保管人、数据消费者）、流程（数据编目、元数据管理、数据血缘、问题解决、变更管理）、指标（数据质量评分、政策合规、数据访问请求、问题解决时间）。并列出数据质量维度：准确性、完整性、一致性、及时性、有效性、唯一性及其定义与衡量方式。
商业智能
描述BI架构分层：数据源、数据集成（ETL/ELT、数据湖、数据仓库）、语义层（业务定义、计算指标、层级、关系）、展示层（仪表盘、报表、即席分析、嵌入式分析）。提供仪表盘设计原则（目的、布局、可视化、交互性）和指标定义模板（名称、定义、公式、负责人、数据源、粒度、频率、维度、目标、关联指标）。
预测建模
给出用例框架表，将业务应用与建模方法对应：流失预测（分类）、需求预测（时间序列）、线索评分（分类）、价格优化（回归/强化学习）、欺诈检测（异常检测）、推荐（协同过滤）、客户分群（聚类）、生命周期价值（回归）。
数据伦理与隐私
提供伦理AI框架，包含公平性、问责制、透明度、隐私四项原则。列出偏差类型（历史偏差、代表性偏差、测量偏差、聚合偏差、评估偏差）和公平性指标（人口统计均等、机会均等、个体公平、校准）。
分析团队结构
列出团队角色（数据工程师、数据分析师、数据科学家、ML工程师、分析工程师）及其关注点与技能，并对比运营模式（集中式、分散式、中心辐射式、联邦式）及其最佳适用场景。
使用方式
该技能以参考文档形式组织，主文档提供框架、表格和清单，详细内容通过引用文件展开：ML流水线参考（references/ml-pipelines.md）涵盖ML流水线、特征工程、模型开发；统计方法参考（references/statistical-methods.md）涵盖推断统计、假设检验、评估指标。另可参见产品管理、商业战略、财务等相关技能。
适用场景
适用于需要数据科学框架指导的任务，如构建机器学习模型、进行数据分析、创建仪表盘、设计数据架构、制定数据治理策略、开展预测建模、评估AI伦理与偏差、规划分析团队结构等。
限制
资料未提供具体安装命令、代码示例、收费信息或平台要求。部分主题（如推断统计、ML流水线细节）仅指向参考文档，主文档未展开具体内容。