前言¶
数据分析最容易踩的坑不是算错，而是算完了不知道在回答什么问题。拿到一张表就直接求均值、画趋势、跑显著性，结论看起来漂亮，决策却没被推动。这个 Skill 把「先定决策、再定指标、最后才碰数据」写成一套可执行流程，适合需要做分析判断、又不想每次重新想方法论的人。
它对应的是 ClawHub 上的 @clawhub_ivangdavila/data-analysis，发布者 ivangdavila，版本 1.0.2，MIT-0 许可。下面介绍以官方仓库和 SkillHub 列表页为准。
事实核对：任务线索里的中文名「鸿爪派·数据统计分析」，以及「提交 CSV 后服务端计算描述统计 / Pearson 相关 / 缺失值审计、按次微信支付授权」的描述，在上游仓库中均未出现。上游明确写着「This skill makes no external network requests」「No data is sent externally」。因此正文不采用这些无法核实的说法。
这是什么¶
一句话定位：它是一套「方法论优先」的分析指引，不是计算引擎，也不是带图表的成品工具。它通过一组参考文件告诉模型，面对数据分析任务时先问什么、怎么定指标、选什么图、怎么把结果写成能决策的形式。
发布者 ivangdavila，托管在 ClawHub，坐标 @clawhub_ivangdavila/data-analysis，分类 data-analysis，不需要 API Key（requires_api_key=false）。SkillHub 列表页显示评分 100000、下载 151183、安装 9814；任务线索中的 98811 / 8810 与列表页不一致，正文采用列表页数据。
核心功能¶
能力可以拆成四块。
-
决策锚定。核心原则第一条是「从决策出发，而不是从数据集出发」。先确定决策 owner、能改变决策的问题、截止时间，再动手。如果没有任何决策会被改变，先重构需求。
-
指标契约。计算前先把实体、粒度、分子、分母、时间窗口、时区、过滤、排除项、数据来源定义清楚。任何一个有歧义，都要在呈现结果前明确说出歧义在哪。
-
流程分层。把取数、清洗、解释分开，不要把业务假设藏进 SQL、公式或 notebook 代码里不写出来。
-
严谨性检查。给了一套 checklist：样本量是否足够、比较组是否公平、是否做了多重比较、效应量是否有实际意义、不确定性有没有量化（给区间而不是只给点估计）。
另有「输出标准」和「红旗」两节：输出要领先结论而非方法、量化不确定性、说明局限、给出下一步；遇到要「证明预设结论」、样本量太小、数据质量差、混杂无法控制时，升级处理而不是硬出结论。
安装与启用¶
安装命令来自官方仓库：
openclaw skills install @clawhub_ivangdavila/data-analysis
走 CLI 安装时对应：
npx skills
仓库还提到相关技能可用 clawhub install <slug> 安装，可选关联技能包括 sql、csv、dashboard、report、business-intelligence。本仓库不需要本地目录、持久记忆或初始化状态，装完即可用。
需要说明的是，公开资料只给了 openclaw skills install 与 npx skills 两条路径，没有区分 Cursor / Codex CLI / Claude Code 的差异化命令，这里不展开。
典型用法¶
官方「When to Use」列的适用场景：SQL、表格、notebook、dashboard、导出文件或临时表里的数据需要分析、解释或可视化；KPI 排查、实验读数、漏斗或队列分析、异常复盘、高管汇报、指标与查询逻辑的质量检查。
按问题类型选方法的对照（来自仓库 Approach Selection）：
| 问题类型 | 方法 | 关键输出 |
|---|---|---|
| “Is X different from Y?” | 假设检验 | p 值 + 效应量 + 置信区间 |
| “What predicts Z?” | 回归 / 相关 | 系数 + R² + 残差检查 |
| “How do users behave over time?” | 队列分析 | 各队列留存曲线 |
| “Are these groups different?” | 分层 | 画像 + 统计比较 |
| “What’s unusual?” | 异常检测 | 标记点 + 上下文 |
仓库强调「Load only the smallest relevant file to keep context focused」，即按需只读一个参考文件，避免上下文被灌满。
适用场景与注意¶
适合谁：需要做分析判断的开发者和数据同学，尤其是想把 KPI、实验、漏斗、留存这类分析做成可决策输出的场景。
注意事项：
- 它是方法论指引，不是计算服务。仓库声明不发起任何外部网络请求、不发送数据、不持久化，所以不要指望它把 CSV 传到服务端算统计。
- 参考文件是轻量指南，质量取决于能否真正约束模型按流程走；把它当流程清单用，而不是当结果生成器用。
- 版本与数据以列表页为准，任务线索里的中文名与计费描述无法核实，已在上文标注。
结尾¶
这个 Skill 的价值在于把「分析要支撑决策」固化下来，避免算完一堆指标却没人据此做决定。如果你要做的是把原始数据转成能落地的结论，可以从 openclaw skills install @clawhub_ivangdavila/data-analysis 装起来试。
官方地址：https://api.skillhub.cn/org-4zi88x86/data-analysis
上游仓库：https://clawhub.ai/ivangdavila/data-analysis
