Analytics core
Skill morning-start/agent-skills/process/data-analytics/analytics-core
Use when the user needs a standard data analysis workflow, goal definition guidance, value realization steps, or analysis taxonomy.From its SKILL.md
npx -y skills add morning-start/agent-skills --skill analytics-coreAssembled from the repository path, not quoted from the project. Check it against their README if it does not work.
2 things to look at
- no licenseNo license file was found in the repository. Code published without one is not open source by default, so using it at work is a question for whoever answers licensing questions where you are.
- 1 stars1 stars. Stars are a popularity signal and not a quality one, but at this level it is likely that nobody has read this closely except its author, and you would be relying on your own review.
SKILL.md
7.9 KB, ~2.7k tokens by cl100k_base, as published. Nobody here has run it
Analytics Core
任务目标
- 本 Skill 用于：建立标准化的数据分析流程框架
- 能力包含：七阶段流程、目标设定、价值实现、分析分类
- 触发条件：需要进行数据分析项目时
适用场景
- 明确分析问题之前，需要先把目标和边界定清楚
- 需要把分析流程拆成可执行的阶段
- 需要判断分析属于战略、运营、业务分析还是数据分析
操作步骤
七阶段标准分析流程
┌─────────────────────────────────────────────────────────────┐
│ 数据分析全流程 │
├─────────────────────────────────────────────────────────────┤
│ │
│ ① 数据获取 ──→ ② 数据清洗 ──→ ③ 数据处理 ──→ ④ 数据建模 │
│ │ │ │ │ │
│ ▼ ▼ ▼ ▼ │
│ 明确目标 异常值处理 汇总转换 统计/ML │
│ 采集数据 缺失值处理 格式变换 模型构建 │
│ │
│ ⑤ 结果呈现 ──→ ⑥ 价值发现 ──→ ⑦ 价值实现 │
│ │ │ │ │
│ ▼ ▼ ▼ │
│ 可视化展示 共同认知 业务转化 │
│ 沟通协作 认可确定 迭代优化 │
└─────────────────────────────────────────────────────────────┘
阶段详解
① 数据获取
输入：分析目标（哪怕不明确）
关键动作：
- 明确数据来源（数据库、API、文件等）
- 确定数据范围（时间周期、维度、指标）
- 理解数据口径和计算方式
输出：数据子集（物理或逻辑）
注意事项：
- 无目标则无从着手
- 目标要量化，如"产量从1万下降到5千"而非"产量下降"
② 数据清洗
关键动作：
- 异常数据处理（超出合理范围的噪声）
- 缺失数据处理（删除、填充、插值）
- 数据一致性变换（单位、格式统一）
- 编码替换（字符编码、数值编码）
常见问题：
- 数值字段出现文本值
- 日期格式不统一
- 分类变量编码混乱
- 重复记录
③ 数据处理
关键动作：
- 数据汇总（聚合统计）
- 数据转换（行列变换、标准化）
- 特征工程（构建新特征）
输出：适用于建模的干净数据集
④ 数据建模
方法分类：
- 描述性分析：趋势、同比环比、维度拆分
- 预测性分析：回归、分类、时间序列预测
- 因果分析：AB测试、因果推断
常用算法：
描述统计：均值、方差、分位数、相关系数
趋势分析：移动平均、指数平滑、趋势线
预测模型：线性回归、决策树、随机森林、神经网络
降维方法：PCA、因子分析
⑤ 结果呈现
目的：让业务人员充分理解分析结果
关键动作：
- 选择合适的可视化方式
- 沟通是双向的，确保理解一致
- 结论要清晰、有据可查
呈现形式：
- 图表类：折线图、柱状图、饼图、散点图
- 表格类：明细表、汇总表、交叉表
- 报告类：PPT、Word、分析报告
⑥ 价值发现
核心观点：分析师和业务人员的"共同认知"
关键动作：
- 从分析结果中提炼业务价值
- 与业务人员验证和确认价值点
- 达成对分析结论的一致认可
常见价值类型：
业务优化：效率提升、成本降低
增长机会：用户增长、收入增长
风险预警：异常识别、风险预测
决策支持：策略建议、方案对比
⑦ 价值实现
特点：通常由业务人员控制，但需要分析师深度参与
关键动作：
- 跟踪业务落地执行情况
- 验证分析结论与实际效果的偏差
- 迭代优化，持续改进
反馈闭环：
分析结论 → 业务理解 → 业务执行 → 结果反馈 → 下一轮分析
分析目标设定
目标来源
| 来源 | 适用场景 | 特点 |
|---|---|---|
| 业务方发起 | 业务对发展有疑问希望通过数据提升 | 需求可能模糊，需要深入需求分析 |
| 数据部门发起 | 有完善的指标监控体系 | 更全面客观，但需了解业务 |
合格目标的特征
- 业务视角：折射业务痛点
- 数据支持：有数据可支撑分析
- 量化表达："下降5%"比"下降"更清晰
- 具体指标：体现在可测量的指标上
反面例子：
- "为什么最近业务不好？"（模糊）
- "我想知道运营效果如何？"（不量化）
正面例子：
- "为什么全厂2018年Q1产品X产量从1万下降到5千？"
- "XX业务转化率从15%提升到20%"
分析分类体系
按问题类型
| 类型 | 目标 | 视角 | 数据来源 |
|---|---|---|---|
| 战略分析 | 解决公司方向问题 | 宏观 | 内部+竞品+行业 |
| 运营分析 | 解决实际运营问题 | 微观 | 内部为主 |
按服务对象
| 类型 | 发起方 | 交付对象 | 效率 |
|---|---|---|---|
| 业务分析 | 业务部门 | 业务部门 | 较高 |
| 数据分析 | 数据部门 | 业务/管理层 | 需要深入沟通 |
按分析范围
| 类型 | 时间窗口 | 关注点 |
|---|---|---|
| 行业分析 | 1年以上 | 商业模式、发展趋势 |
| 公司分析 | 1年内 | 业务诊断、决策建议 |
| 部门分析 | 半年内 | 职能范围内诊断 |
| 业务环节分析 | 实时/短期 | 具体环节优化 |
分析师能力要求
业务能力
- 微观：了解业务运营、公司发展方向
- 宏观：把握行业方向、预测未来变化
数据能力
- 技术：SQL/Python/R、机器学习、可视化工具
- 通用：指标体系、数据关系、因果推断
软能力
- 沟通能力：双向沟通，确保理解一致
- 逻辑思维：结构化分析、归纳演绎
- 同理心：站在业务角度思考
- 影响力：让分析结果被接受和采纳
数据分析三元论
势（行业环境）
- 行业特性：是否适合数据分析
- 公司数据环境：信息化水平、数据文化
道（分析框架）
- 业务模式：越简单越容易出成果
- 分析框架：体系化、结构化
- 需求稳定：深入研究的基础
术（分析方法）
- 定性与定量：确定分析目的
- 指标创新：好的指标能准确反映问题
- 整体与个体：大处着眼，小处着手
- 大胆假设，小心求证：快速验证最可能的原因
资源索引
注意事项
- 分析前必须有目标！目标！目标！
- 过程不是单向的，发现问题可跳回前一阶段
- 过程是循环的，上一终点是下一起点
- 不是每个阶段都必须，根据实际情况调整
- 分析师与业务人员密切合作贯穿全程
What ships with it
Read from the repository
Just SKILL.md. No reference files, no scripts.