核心用法
Data Analyzer 是一款面向电商与业务场景的轻量级数据分析 Skill，支持 Python 命令行调用。核心功能包括：
- 多格式数据处理：原生支持 CSV、Excel、JSON 三种常见业务数据格式
- 统计分析能力：提供分组聚合（group-by）、基础统计指标计算
- 可视化输出：生成 HTML 交互报告、Excel 多工作簿或 CSV 清洗数据
- 电商专用脚本：内置淘宝/抖音订单分析、库存预警、客户分群等场景化脚本
典型工作流：
1. 准备原始数据文件（订单、库存、客户表）
2. 选择对应脚本（analyze_sales.py、inventory_analysis.py 等）
3. 配置分组字段与指标，执行分析
4. 获取 HTML/Excel/JSON 多格式报告
显著优点
- 场景覆盖完整：从日销报表到月度高管看板，提供标准化模板
- 输出格式灵活：既有人类可读的 HTML 图表，也有机器可解析的 JSON/CSV
- 学习成本低：纯命令行参数驱动，无需编写分析代码
- 电商生态适配：针对淘宝、抖音等平台订单结构预置处理逻辑
潜在缺点与局限性
- 功能边界有限：仅支持基础统计（求和、计数、均值），缺乏回归、预测等高级建模
- 性能瓶颈：大数据量时需手动分块处理，无内置分布式或内存优化机制
- 可视化定制弱：图表类型、配色、布局调整空间有限
- 无实时能力：仅支持离线批处理，无法对接流式数据或实时看板
- 安全依赖外部环境：输入文件校验、敏感数据脱敏需用户自行保障
适合人群
- 电商运营/分析师：快速产出销售、库存、客户洞察报告
- 中小商家：无技术团队时自助完成数据清洗与可视化
- 业务产品经理：验证假设、制作汇报材料
常规风险
- 数据泄露风险：处理订单、客户信息时，输出文件权限管理不当可能导致敏感数据外泄
- 误读风险：自动化生成的统计结论未经验证可能误导业务决策
- 依赖风险：依赖 pandas、matplotlib 等第三方库，版本冲突或弃用可能影响稳定性
- 输入污染：未经验证的 CSV/Excel 文件可能包含恶意公式注入或异常数据导致分析失真