前言¶
打开一张报表，第一反应通常是”这张图说明什么”。真正难的问题在别处：这个分析支撑的是哪个决策？如果结果是 X 而不是 Y，会有人因此改变做法吗？这个 Skill 把后一个问题放在前面，把取数、清洗、画图都当作为决策服务的工序。
这是什么¶
一个数据分析与可视化的 Agent Skill，基于通用 SKILL.md 格式。SkillHub 页面名称为「全能数据分析-秋叶职场」，上游是 ClawHub 上的 Data Analysis（坐标 @clawhub_ivangdavila/data-analysis），发布者 ivangdavila，当前版本 1.0.2，许可证 MIT-0。
它不提供自己的数据源，也不做本地持久化，而是给出一套分析纪律和若干参考文件，让 Agent 在写 SQL、Python、电子表格或 notebook 时按规矩来。
SkillHub 页面显示分类 data-analysis，评分 100000，下载 151183，安装 9814，页面标注 requires_api_key=false，即不需要配置 API Key。
核心能力¶
官方定位是把原始数据转成清晰可行的见解，覆盖查询数据库、生成报告、自动化电子表格。触发场景包括：需要分析、可视化或解释数据；要把报表、仪表盘或指标变成一项决策；工作涉及 SQL、Python、电子表格、BI 工具或 notebook；需要对比分组、同期群、漏斗或实验结果；以及用户明确点名使用本技能。
值得单独说明的是它的设计取向：核心原则第一条是”没有决策的分析只是算术”，要求先确认决策归属人、能改变结论的问题和截止时间，再开始取数。如果没有任何决策会被影响，要求先重述需求再计算。
内置的参考文件是轻量指引，按需加载：
| 主题 | 文件 |
|---|---|
| KPI 定义与口径 | metric-contracts.md |
| 图表选择与反模式 | chart-selection.md |
| 面向干系人的输出格式 | decision-briefs.md |
| 分析陷阱 | pitfalls.md |
| 按问题类型选方法 | techniques.md |
官方建议只加载与当前问题相关的最小文件，以控制上下文。
安装与启用¶
Skill 不需要 API Key，也不发起任何外部网络请求，因此没有密钥配置环节。上游 ClawHub 提供 CLI 安装：
npx skills
$ openclaw skills install @ivangdavila/data-analysis
第一条是声明 CLI 来源，第二条是安装命令，装的是上游 Data Analysis。升级与反馈用官方给出的 clawhub sync 和 clawhub star data-analysis。
SkillHub 侧的一键安装命令在本次抓取的页面中未能核实到，仅确认了官方地址：
https://api.skillhub.cn/user_c774f8e9/data-analysis
该 Skill 未声明对特定编辑器的依赖，也不需要本地目录或持久化状态。不同宿主如何发现 SKILL.md，需参考各自的文档。
典型用法¶
这个 Skill 的典型流程不是”写一段代码跑一下”，而是一套固定顺序：
1、先定决策。确认这次分析支持哪个决策、什么结果会改变它、相关的时间窗口是什么。
2、锁定指标口径。明确实体、粒度、分子、分母、时间窗口、时区、过滤条件、排除项和数据源；有歧义就在给结论前先写出来。
3、分离取数、转换和解释。查询逻辑、清洗假设和分析结论要能区分开，不要把业务假设藏在 SQL、公式或 notebook 代码里。
4、按问题选图表。趋势、对比、分布、关系、构成、漏斗、同期群留存各有对应形式，不要为了让材料看起来饱满而加图。
5、按决策格式输出结论。每条结果包含答案、证据、置信度、限制和建议的下一步。
6、先做压力测试再给建议。按明显的混杂因素切分、选对基线、量化不确定性，并检验结论对排除项和时间窗口的敏感度。
7、数据撑不住就降级结论。样本量不足、来源不可靠、口径漂移或混杂未解决时，明确写”暂不可知”，而不是给出虚假置信。
方法选择上有一张对照表，按问题类型给出路径和输出物：
| 问题类型 | 方法 | 关键输出 |
|---|---|---|
| X 和 Y 是否有差异 | 假设检验 | p 值 + 效应量 + 置信区间 |
| 什么预测 Z | 回归/相关 | 系数 + R² + 残差检查 |
| 用户随时间如何行为 | 同期群分析 | 各期留存曲线 |
| 这些群体是否不同 | 分群 | 画像 + 统计比较 |
| 什么不正常 | 异常检测 | 标记点 + 上下文 |
输出标准也写进了 SKILL.md：先给洞察而不是方法，用区间而不是点估计量化不确定性，说明本次分析无法回答什么，并给出能加强结论的下一步。
适用场景与注意¶
适合的场景比较明确：KPI 排查、实验读数、漏斗或同期群分析、异常复盘、面向管理层的汇报，以及指标和查询逻辑本身的质量检查。当难点在于分析判断——指标定义、对比设计、结果解读、是否给建议——而不是写代码本身时，它比通用的编程或表格助手更对口。
几个需要留意的限制：
- 不发起外部网络请求，不发送任何数据；官方安全声明里列出的”会离开本机的数据”为空。
- 不把凭据或原始导出存进隐藏的本地文件，不创建依赖本地目录的持久化系统，也不会在没有明确用户确认的情况下创建自动化或后台任务。
- 官方列出的常见陷阱值得先看一遍：复用改过分子的 KPI 名称会让趋势对比失效；把日、周、月不同粒度画在同一张图上，看起来有波动，实际多是聚合噪声；只给百分比不给基数，会让小分母的结论被放大；看到结果后再找有趣的切法，叙述会跟着偶然走；没有指标负责人和限制说明就把自动化报表发出去，坏数字比修正传播得更快；把观察性规律当成因果证明。
- 官方明确要求升级处理的情况：用户想”证明”一个预设结论、样本量不足以支撑推断、数据质量问题使分析失效、混杂因素无法控制。
结尾¶
这个 Skill 的价值不在多一个新工具，而在补上”分析做完了”和”有人据此做了决定”之间的缺口。如果手上是 SQL、Python、电子表格或 notebook 里取出来的一批数据，需要把它变成一份能支撑判断的结论，可以从官方地址看起：
https://api.skillhub.cn/user_c774f8e9/data-analysis
上游仓库与安装说明：
https://clawhub.ai/ivangdavila/data-analysis
