Analytics core
Skill morning-start/agent-skills/process/data-analytics/analytics-core
AI 编程助手的专业技能库，涵盖 30+ 技能，按 6 类组织
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.
What its author says it does
Copied from the file, not written here
Use when the user needs a standard data analysis workflow, goal definition guidance, value realization steps, or analysis taxonomy.
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