核心用法
Data Analyst Skill 是一套完整的数据分析工具集，主要包含六大核心功能模块：SQL查询执行、电子表格分析、数据可视化、报告生成、数据清洗和统计分析。用户通过配置数据源后，即可使用预设的SQL模板进行数据探索、时间序列分析、漏斗分析和队列分析，同时支持Python pandas进行CSV/Excel处理，并利用matplotlib/seaborn生成专业图表。
该技能采用"文档+脚本"的轻量架构：SKILL.md提供详尽的代码模板和最佳实践，scripts目录包含data-init.sh（工作空间初始化）和query.sh（多数据库查询执行）两个实用脚本。用户无需编写复杂代码，复制粘贴模板即可完成从数据清洗到洞察输出的全流程。
显著优点
模板丰富度极高：涵盖20+种常见分析场景的SQL模板（日/周/月聚合、MoM对比、留存队列、转化漏斗等），大幅降低SQL编写门槛。Python示例覆盖pandas核心操作、统计检验和可视化最佳实践，对非专业数据人员友好。
方法论体系完整：不仅提供工具，更内置标准化的分析工作流程（定义问题→理解数据→清洗→探索→分析→沟通）和数据质量检查清单，帮助用户建立专业分析习惯。
零网络依赖：纯本地执行设计，所有数据处理在用户环境完成，无数据外泄风险，适合处理敏感业务数据。
开源可扩展：MIT协议允许自由修改，用户可根据业务需求定制SQL模板和报告格式。
潜在缺点与局限性
依赖外部工具链：技能本身不提供执行环境，需用户自行安装sqlite3/psql/mysql客户端及Python数据科学生态（pandas/matplotlib等），环境配置成本较高。
无自动化调度：缺少定时任务机制，无法实现每日/每周报告的自动更新，需配合crontab等外部工具。
可视化能力有限：Python图表生成依赖本地渲染环境，无交互式BI功能（如下钻、筛选），复杂仪表盘需借助其他工具。
SQL注入风险需用户自担：作为查询执行工具，不对用户输入SQL做语义审查，恶意或错误的SQL可能损坏数据库。
适合的目标群体
- 业务分析师：需要快速产出数据报告，但SQL/Python基础薄弱
- 产品经理/运营：自主分析用户行为、活动效果，减少数据团队依赖
- 初创团队：缺乏专职数据工程师，需要轻量级分析方案
- 数据科学学习者：通过实战模板掌握标准分析流程和代码规范
使用风险
性能风险：大数据量（百万级以上）的pandas操作可能触发内存溢出，建议配合数据库聚合减少数据拉取量。
依赖版本冲突：matplotlib/seaborn等库版本迭代快，旧模板可能出现API不兼容，建议锁定依赖版本。
数据质量陷阱：模板虽提供清洗检查清单，但无法自动修复业务逻辑错误（如埋点缺失导致的漏斗断层），需人工校验。
数据库权限误配：query.sh依赖环境变量传递连接信息，若误用写权限账户执行，存在误删改数据风险，强烈建议配置只读账户。