用途：把关于数据的问题（从“发生了什么”到“该怎么做”）按框定、探索、分析、验证、沟通的路径推进，覆盖描述性、诊断性、预测性、建议性四层次，并按用户诉求路由到完整项目、探索、统计推断、预测、评审、沟通等流程。
主要能力：提供方法参考文件（工作流、框定、EDA、统计、建模、评估、解释、沟通），内置 data-quality、leakage、analysis-review 三类检查清单作为放行关口；提供两个脚本——profile_data.py 用于首次数据画像（形状、类型、缺失、基数、分布、重复、相关性及告警），baseline_model.py 用于任何预测流程的强制基线（dummy 与线性模型、防泄漏交叉验证、自动识别任务类型，支持 --time-col 时间切分和 --group-col 分组切分并扫描机械泄漏）。
使用方式：每个项目建立 ds-workspace/{project-slug}/ 工作目录，依次产出项目简报、数据画像、EDA 报告、实验日志、模型卡、洞察报告；从 templates/ 复制骨架。示例命令：python {skill-dir}/scripts/profile_data.py data.csv --target churn --out ds-workspace/my-project；python {skill-dir}/scripts/baseline_model.py data.csv --target churn --time-col signup_date --out ds-workspace/my-project。脚本需 pandas/numpy，基线脚本还需 scikit-learn；超出基线的特征工程、梯度提升、调参由用户自行编写，且须击败基线才能证明其复杂度合理。
适用场景与限制：适合业务分析、A/B 检验、预测建模、分析评审与面向决策者的报告撰写。定位是顾问而非决策者，最终建议并量化取舍，由用户拍板；完整优化问题（定价引擎、资源分配求解器）超出范围。观察性数据只能表述为“相关”，只有随机实验或可辩护的因果设计才能说“导致”。资料未提供具体收费、价格、平台信息。