用途：该技能用于对业务数据做统计分析，包括描述性统计、趋势分析、异常检测与假设检验，并指导何时应对统计结论保持谨慎。
主要能力：
- 描述性统计：集中趋势按数据形态选用均值、中位数或众数；业务指标建议同时报告均值为中位数，若两者差距明显说明数据偏斜，仅报均值会产生误导。离散度可用标准差、四分位距（IQR）、变异系数（CV）和极差。分布描述涵盖形态（正态、右偏、左偏、双峰、均匀、重尾）、中心、离散度、异常值数量与程度、自然上下界。
- 趋势分析与预测：用移动平均平滑噪声，如 df['ma_7d'] = df['metric'].rolling(window=7, min_periods=1).mean()；比较可采同比（WoW、MoM、YoY、去年同日）；增长率可用简单增长、CAGR 及对数增长。季节性检测先画原始时间序列，再看星期与月份均值。预测方法针对业务分析师使用朴素预测、季节朴素、线性趋势、移动平均，并强调用区间而非精确点估计。非线性趋势、多重季节性、外部因素或预测精度关键时应升级给数据科学家。
- 异常值检测：Z-score 法适用于近似正态数据；IQR 法对非正态更稳健；百分位法最简单。不应自动删除异常值，需先判断是数据错误、真实极端值还是不同人群，并说明如何处理。时间序列异常可通过移动平均或去年同期计算期望值，再比较残差偏离。
- 假设检验：用于判断 A/B 测试、前后对比、分层比较中的差异是否真实。框架含零假设、备择假设、显著性水平（通常 0.05）、检验统计量与 p 值。常用检验包括独立 t 检验、比例 z 检验、配对 t 检验、ANOVA、Mann-Whitney U 检验、卡方检验。需区分统计显著与业务显著，并报告效应量、置信区间、业务影响。小样本不可靠，比例类指标每组建议至少 30 个事件。
使用方式：资料以方法说明和 Python/pandas 代码片段为主，无固定命令；按场景选用对应方法即可。
适用场景：分析分布、检验差异、A/B 测试、趋势预测、异常排查和指标解读。
限制与注意：不要自动删除异常值；警惕相关不等于因果、多重比较、辛普森悖论、幸存者偏差、生态谬误和虚假精确；对聚合结论需检查关键分层。缺失事实：未提供安装命令、平台支持、收费方式或价格信息，暂无相关说明。