afrexai-data-analyst

核心用法

AfrexAI Data Analyst 是一套完整的数据分析方法论框架，采用 DICE 四阶段工作流：Define（定义问题）→ Investigate（数据调查）→ Communicate（传达洞察）→ Evaluate（评估影响）。用户通过结构化的分析简报（analysis brief）明确业务问题、决策场景和成功标准，随后运用数据画像、清洗决策树和六大分析模式（描述性、诊断性、预测性、规范性、统计性、细分性）进行深度分析，最终以「洞察→证据→影响→行动→置信度」五要素公式输出可落地的商业建议。

显著优点

1. 方法论体系完整：从问题定义到效果追踪形成闭环，避免「数据装饰」陷阱，确保每个分析都回答「那又怎样」和「现在怎么办」。
2. 实战模板丰富：提供 10+ 可直接复用的 SQL 模板，涵盖同期群分析、RFM 客户细分、漏斗转化、移动平均等高频场景，大幅降低分析门槛。
3. 决策导向明确：内置「5 拆分法」等诊断工具，快速定位根因；可视化选型指南和报告结构模板确保洞察有效传达给决策者。
4. 工具无关性：纯方法论设计，兼容 PostgreSQL、BigQuery、Snowflake 等主流数据库及 Excel/CSV 文件分析，无 vendor lock-in。
5. 质量自检机制：0-100 分的分析评分量表，从问题清晰度到可执行性六维度自检，保障交付质量。

潜在缺点与局限性

1. 非自动化工具：仅提供方法论和代码模板，无法直接连接数据库或自动执行查询，需用户手动操作。
2. SQL 能力门槛：核心模板以 SQL 为主，对非技术背景的业务用户存在学习曲线，虽提及 Python/pandas 但缺乏详细示例。
3. T3 来源可信度：由个人开发者维护，非知名机构背书，长期更新和维护稳定性存疑。
4. 场景覆盖偏向：侧重电商/SaaS 常见的交易、用户行为分析，对金融风控、IoT 时序、NLP 文本等垂直领域覆盖有限。
5. 缺乏实时协作：无团队共享、版本控制或评论反馈机制，多人协作场景需额外工具支持。

适合的目标群体

• 初级-中级数据分析师：系统学习专业分析框架，规范工作流
• 业务运营/产品经理：自助式数据分析，快速回答业务问题
• 数据工程师：了解下游分析需求，优化数据模型设计
• 咨询顾问：标准化交付物格式，提升客户沟通效率
• 高校商科/数据科学学生：建立从数据到决策的完整思维链

使用风险

1. SQL 执行风险：模板代码需根据实际 schema 调整，直接复制到生产环境可能导致语法错误或性能问题，建议先在只读副本测试。
2. 数据隐私合规：分析涉及用户行为数据时，需确保符合 GDPR/CCPA 等法规，文档未涵盖合规检查清单。
3. 统计显著性误用：提供的快速 z 检验公式为简化版本，小样本或复杂实验设计场景建议咨询统计专家。
4. 时区与货币陷阱：文档虽提及但未强制要求校验，跨地区业务易出现数据口径不一致。
5. 依赖项风险：纯文档无外部依赖，但若用户结合其他工具链（如 BI 软件、Python 库），需自行管理版本兼容性。

核心定位

AfrexAI Data Analyst 是一套纯方法论驱动的数据分析框架，而非自动化工具。其价值在于提供结构化的问题解决路径，将混乱的商业疑问转化为清晰的决策建议。

显著优势

1. 决策导向的设计哲学
框架以"Data without a decision is decoration"为核心，强制要求每个分析回答"So What? → Now What? → How much?"三重追问。这种设计直击传统数据分析"只出图表不给结论"的痛点，确保输出物具备即时行动价值。

2. 完整的 DICE 方法论闭环

• Define: 通过结构化问卷（业务问题、决策关联、利益相关方、时效性）杜绝模糊需求
• Investigate: 数据探查模板（完整性、重复值、分布、基数检查）+ 清洗决策树（MAR/MNAR 缺失处理、异常值分段策略）
• Communicate: Insight Formula 强制结构（发现→证据→影响→建议→置信度），配套可视化选型指南
• Evaluate: 闭环追踪机制，记录分析建议的实际落地效果

3. 开箱即用的技术资产
提供 6 大类分析模式的 SQL 模板：时间序列对比、5-Splits 诊断法、队列留存分析、RFM 客户分群、漏斗转化、统计显著性检验。模板覆盖 PostgreSQL/MySQL/BigQuery 等主流方言，可直接复用于生产环境。

4. 严谨的质量自检体系
0-100 分评分量表涵盖问题清晰度、数据质量、分析严谨性、洞察质量、沟通效果、可执行性六个维度，90 分以上才建议交付，有效防范半成品分析流入决策层。

潜在局限

无自动化执行能力：本 Skill 为纯 Markdown 文档，不含代码执行环境。用户需手动将 SQL 模板适配至实际数据库，或借助其他工具（Python/pandas、BI 平台）完成计算。对于追求"一键出报告"的用户，门槛较高。

模板适配成本：提供的 SQL 示例基于标准语法，但实际生产环境常涉及企业特有的字段命名、分区策略、权限体系。直接复制粘贴成功率有限，需要具备中等以上 SQL 调试能力。

统计深度有限：虽然涵盖显著性检验、样本量计算、A/B 测试设计等进阶主题，但讲解较为简略。面对复杂实验设计（如多臂老虎机、序贯检验）或因果推断需求（DID、断点回归），需补充专业统计知识。

适合人群

• 初级→中级数据分析师：需建立系统化工作流，摆脱"接到需求就写 SQL"的盲目状态
• 业务团队负责人：希望建立分析需求的标准化提交流程，减少与数据团队的沟通摩擦
• 自学转型者：通过完整案例（Q4 营收下滑分析）理解商业分析的全貌
• 企业数据团队管理者：作为内部培训材料或分析规范文档的基准模板

常规风险

方法论误用风险：DICE 框架强调"快速闭环"，若被用于替代深度探索性分析，可能导致过早收敛结论。建议在复杂场景下保留足够的假设检验空间。

SQL 模板安全风险：模板中包含动态查询结构（如 DATE_TRUNC 函数），若用户未经审计直接拼接用户输入，存在 SQL 注入隐患。需强调模板仅作参考，生产代码应遵循参数化查询规范。

置信度主观性：框架要求标注"high/medium/low"置信度，但缺乏客观校准标准。不同分析师对同一证据可能给出差异判断，建议在团队层面建立统一的置信度定义公约。

---
本评估基于 Skill 文档内容与 CLS 安全认证报告综合研判