Data Analyst — AfrexAI 综合评估
核心用法
该技能是一套面向商业决策的数据分析方法论，而非特定工具的操作指南。其核心架构为DICE框架：Define（定义问题）、Investigate（数据探查）、Communicate（洞察沟通）、Evaluate（效果评估）。使用者需在分析前明确"这项分析支撑什么决策"，并在交付后追踪建议是否被采纳及实际效果。
数据探查阶段提供完整的数据画像模板（行数、粒度、质量缺陷、关联关系）和清洗决策树（处理缺失值、异常值、重复值的标准流程）。分析环节涵盖描述性、诊断性、预测性、规范性四类需求，配备可直接运行的SQL模板：时间序列对比、5-split根因分析法、留存队列分析、RFM客户分层、漏斗转化分析等。
显著优点
1. 决策导向而非报表导向：强制要求每个洞察包含"So What（业务影响）"和"Now What（具体行动）"，避免分析沦为数据装饰
2. 工具无关性：适用于PostgreSQL、MySQL、BigQuery、Snowflake、CSV/Excel等任意数据源，零环境依赖
3. 工程化输出标准：提供从YAML分析简报、SQL查询、洞察公式到Markdown报告的全套结构化模板，确保交付物的一致性和可复现性
4. 统计严谨性：内置显著性检验速查、A/B测试设计模板、样本量计算，降低"伪洞察"风险
5. 闭环机制：要求记录分析后续跟踪（建议是否被采纳、实际效果、经验教训），促进分析师成长
潜在缺点与局限性
1. 学习曲线陡峭：框架涉及商业问题拆解、统计概念、SQL编写、可视化原则等多维能力，新手难以快速上手
2. 对数据基础设施有隐含要求：部分高级分析（如队列留存）需要稳定的事件埋点和用户标识体系，数据质量差时框架效果受限
3. 缺乏代码执行环境：仅提供方法论和模板，不直接连接数据库或生成图表，使用者需自备工具链
4. 业务理解门槛："Define the Question"阶段要求使用者具备足够的领域知识来识别"可决策的问题"，否则易陷入"分析 paralysis"
适合人群
- 初级→中级数据分析师：需要建立系统化分析框架，摆脱"取数工具人"困境
- 产品经理/运营：希望自主进行数据探索、向技术团队提出明确的数据需求
- 小型创业团队：缺乏专职数据团队，需一套可快速落地的分析SOP
- 数据团队管理者：作为团队交付物质量标准或新人培训材料
常规风险
1. 幸存者偏差陷阱：分析中特别提醒"分析当前客户时忽略了已流失客户"，但未强制校验数据完整性
2. 辛普森悖论：建议同时查看总体和细分数据，但依赖使用者主动执行
3. 时区与单位混乱：文档中多次强调标注时区、货币、指标口径，但实际操作中仍易出错
4. 小样本过度推断：提供<30样本不声称规律的准则，但无强制拦截机制
整体而言，这是一套高成熟度、高可复现性的分析方法论，适合作为团队级分析规范或分析师个人能力提升的系统性课程。