前言¶
週報、經營復盤、實驗結論、漏斗或留存拆解——很多白領同事並不是缺工具，而是每次都要從零想「指標怎麼定義、對比是否公平、圖表是否答得上問題」。通用對話模型能寫 SQL 或改表格，卻未必按同一套分析紀律推進。下面介紹 SkillHub 上的 Data Analysis（座標 @clawhub_ivangdavila/data-analysis，文中稱「數據分析助手」），它用結構化方法論約束 Agent，讓查詢、報告與表格自動化更貼近「可複用的工作成果」，而不是一次性算數。
這是什麼¶
數據分析助手是一套基於通用 SKILL.md 格式的 Agent Skill，定位爲數據分析與可視化：查詢數據庫、生成報告、自動化電子表格，將原始數據轉化爲清晰、可執行的見解。
- 維護方：發佈者 ivangdavila，來源 clawhub，當前版本 1.0.2
- 分發：SkillHub 分類 data-analysis；上游倉庫見 clawhub.ai/ivangdavila/data-analysis
- 依賴：標籤 requires_api_key=false；官方說明該 Skill 不發起外部網絡請求，默認不向外部發送數據，也不依賴本地持久化目錄或隱式記憶
與「隨便讓模型寫一段 Python」相比，它強調先決策、再指標、再解釋，並附帶指標契約、圖表選擇、決策簡報等參考文檔，適合需要反覆做同類分析、又希望輸出格式穩定的場景。
核心功能¶
以下能力均來自 SkillHub / ClawHub 官方頁面說明，未單獨覈實的細節不展開。
分析場景覆蓋¶
在以下情況可啓用該 Skill（官方 When to Use）：
- 從 SQL、電子表格、Notebook、儀表盤、導出表或臨時表中分析、解釋或可視化數據
- KPI 排查、實驗讀數、漏斗或隊列（cohort）分析、異常回顧、面向管理層的報告、指標或查詢邏輯的質量檢查
- 難點在於分析判斷（指標定義、對比設計、解讀與建議），而非單純寫代碼或改公式
用戶側常見意圖包括：找規律、理解指標、檢驗假設、隊列分析、A/B 測試、流失分析、統計顯著性等。
方法論與參考文檔¶
Skill 內置輕量參考文件，按需加載以控制上下文：
| 主題 | 文件 |
|---|---|
| KPI 定義與注意點 | metric-contracts.md |
| 圖表選擇與反模式 | chart-selection.md |
| 面向干係人的輸出格式 | decision-briefs.md |
| 常見分析陷阱 | pitfalls.md |
| 按問題類型選方法 | techniques.md |
核心原則（官方 Core Principle）：沒有決策指向的分析只是算術——需先澄清「若結果是 X 與 Y，會改變什麼決策」。
典型工作流要點包括：
- 從決策出發，而非從數據集出發；無決策則先重框問題
- 計算前鎖定指標契約（實體、粒度、分子分母、時間窗、時區、過濾與口徑）
- 區分抽取、轉換與解讀，業務假設需在結論中顯式說明
- 按問題類型選圖（趨勢、對比、分佈、關係、構成、漏斗、留存等）
- 結果以決策簡報呈現：答案、證據、置信度、侷限與下一步
- 在建議行動前做穩健性檢查；數據不足以支撐結論時應降級或標明未知
官方還給出按問題類型的方法對照（如假設檢驗、迴歸、隊列分析、分羣對比、異常檢測）及輸出標準（先洞察、量化不確定性、說明侷限、建議後續步驟）。
能力與邊界¶
- 不需要本地文件夾、持久記憶或額外安裝狀態（官方 Architecture）
- 不會訪問未聲明的外部端點、在隱藏文件中存憑證或原始導出、未經確認創建自動化任務
- 適合與 SQL、Python、電子表格、BI 工具、Notebook 等協作，但 Skill 本身是分析紀律與產出規範，不替代你對數據源權限與合規的管控
安裝與啓用¶
方式一：通過 SkillHub（推薦國內環境）¶
SkillHub 頁面給出的安裝提示爲：讓當前 AI 根據安裝文檔拉取該 Skill。
請根據 https://skillhub.cn/install/skillhub.md，安裝 `@clawhub_ivangdavila/data-analysis`。
若本機已安裝 skillhub CLI，可將 Skill 安裝到當前 Agent 的 skills 目錄（須使用 --dir，否則默認 ./skills/ 可能不被識別）：
command -v skillhub && skillhub --version
skillhub install @clawhub_ivangdavila/data-analysis --dir <skills 目錄>
常用路徑（摘自 SkillHub 安裝文檔）：
- Cursor：
~/.cursor/skills/ - Claude Code：
~/.claude/skills/ - Codex：
~/.codex/skills/或項目下的.agents/skills/
CLI 未安裝時，可按 skillhub.cn/install/skillhub.md 使用官方 install.sh 安裝；沙箱或限網環境需允許聯網後再執行。
方式二：ClawHub / OpenClaw 生態¶
上游 ClawHub 頁面提供的安裝命令爲：
openclaw skills install @ivangdavila/data-analysis
座標在 SkillHub 側爲 @clawhub_ivangdavila/data-analysis，在 ClawHub 側爲 @ivangdavila/data-analysis，安裝時以你所用商店與 CLI 文檔爲準。
安裝後需在對應客戶端中啓用或刷新 Skills（各客戶端規則不同，以當前環境說明爲準）。
典型用法¶
官方未提供單獨的業務案例腳本，但給出了可復現的協作方式：在對話中明確分析任務，並引用本 Skill；Agent 應按 Skill 中的步驟與參考文件推進。下面是與官方說明一致的請求示例（你可替換爲自己的表名與決策問題）。
1. 經營指標異常
已啓用 @clawhub_ivangdavila/data-analysis。上週 DAU 環比下降 8%，請先明確支持的決策是什麼，再定義 DAU 指標契約，用 SQL 或表格說明可能原因，輸出決策簡報（含置信度與侷限）。
2. 實驗或 A/B 讀數
使用數據分析助手：對照實驗組與對照組，檢查樣本量與多重比較風險，給出效應量與區間，並說明是否足以改變上線決策。
3. 漏斗或隊列
按官方 techniques 思路：對註冊 cohort 做留存曲線，對比時間段是否可比，圖表選擇參考 chart-selection，最後給出是否建議改產品的結論。
4. 自動化表格與報告
將這份導出表整理爲可複用的週報結構：指標定義寫入 metric-contracts 口徑，附 pitfalls 中需規避的展示問題。
經過上面的步驟，產出應接近官方 Output Standards：先洞察、量化不確定性、說明侷限、給出加強結論的下一步。
適用場景與注意¶
適合誰
- 經常做 SQL / 表格 / Notebook 分析，希望 Agent 統一指標口徑與彙報結構的白領與業務分析角色
- 需要漏斗、隊列、實驗、KPI 調試等重複性分析任務，又希望結果可沉澱爲模板的同學
- 已在 Cursor、Claude Code、Codex 等支持 Skills 的客戶端中工作，並願意在安裝時指定正確
--dir的用戶
使用注意
- 官方列出的紅旗包括：樣本過小、數據質量不可用、混雜無法控制、或用戶要求「證明」預設結論——此時應拒絕過度推斷
- Skill 不代替你對生產庫權限、脫敏與導出合規的審查；敏感數據仍應在本地或授權環境內處理
- 社區數據（截至資料抓取）：SkillHub 評分 100000，下載約 131301，安裝約 9814；統計會隨時間變化，以商店頁面爲準
結尾¶
數據分析助手把「查數、做表、寫報告」收斂到決策優先、指標契約、可審計的結論格式，適合作爲辦公場景裏數據分析類重複任務的 Skill 底座。安裝與詳情見 SkillHub：https://www.skillhub.cn/skills/clawhub_ivangdavila/data-analysis，API 入口：https://api.skillhub.cn/org-02qudk26/data-analysis。
