核心用法
该 skill 定位为数据分析师的「方法论副驾驶」，强制用户在触碰数据前完成四问：决策目标是什么？什么证据能改变判断？实际拥有 vs 理想数据差距？ relevant 时间窗口？这一设计直接对抗「分析瘫痪」与「数据越多越好」的本能误区。
方法论框架覆盖五大分析场景：假设检验、预测建模、队列分析、用户分群、异常检测，每种场景对应明确的输出标准（p值+效应量+置信区间、系数+R²+残差等）。特别值得强调的是「输出标准」章节——强制要求结论先行、量化不确定性、声明局限性、给出强化路径，这四项原则直接对标学术期刊的 reporting guideline，在 LLM 生成内容中较为罕见。
显著优点
1. 反 p-hacking 设计：显式要求预注册假设或多重比较校正，内置 6 大分析陷阱对照表（辛普森悖论、幸存者偏差、时间周期不等、p-hacking、伪相关、百分比聚合错误），且提供识别特征与规避策略
2. 决策导向：反复强调「没有决策的分析只是算术」，强制锚定业务动作，避免沦为描述性统计的华丽展示
3. 不确定性量化：拒绝单点估计，要求区间表达（"12-18%" 而非 "15%"），符合现代贝叶斯与频率派的最佳实践
潜在缺点与局限性
- 未覆盖因果推断：缺乏 DAG、工具变量、双重差分等因果识别方法，仅停留在相关性与预测层面
- 技术细节外置：核心方法（如回归诊断、队列分析计算）被拆分到
techniques.md与pitfalls.md，独立使用时可能信息碎片化 - 行业适配有限：未针对 SaaS、电商、金融、医疗等垂直场景预设指标口径（如 ARR、GMV、OR 值），需用户自行映射
适合人群
- 产品/运营/增长团队中的「半专业分析师」——具备 SQL/Excel 基础，但需要方法论校准
- 数据科学新手，用于建立「问对问题比算对数更重要」的职业直觉
- 需要快速审计外部分析报告的管理者，作为 check list 使用
常规风险
1. 误读显著性：用户可能将「统计显著」等同于「业务重要」，skill 虽提示效应量，但 LLM 可能在生成中过度强调 p 值
2. 样本量建议机械化：未内置具体样本量计算工具（如 power analysis），「小 N = 宽 CI」的提醒可能流于口号
3. 领域知识缺失：在医疗、金融等强监管领域，内置方法论可能与合规要求（如 GCP、SR 11-7）存在 gap