Data Analysis

该技能是一套系统化的数据分析方法论框架，核心定位是将原始数据转化为可执行的决策支持，而非单纯的数值计算。其最大特色是

核心功能与定位

这是一个纯文档型数据分析指导Skill，不提供自动化计算工具，而是系统性地教授如何用统计学思维将原始数据转化为可行动的商业决策。其核心价值在于"方法论优先"——在触碰数据之前，强制用户明确分析目的、决策场景与可证伪假设。

显著优点

决策导向的设计哲学：开篇即强调"没有决策的分析只是算术"，通过"What would change your mind?"等追问，避免无目的的数据挖掘。

系统性风险防控：详细列举6类高频分析陷阱（辛普森悖论、幸存者偏差、p-hacking等），并给出具体识别特征与规避方法，大幅降低错误结论风险。

可操作的输出标准：要求"先讲洞察再谈方法"、用区间估计替代点估计、主动声明局限性，培养专业分析师的输出习惯。

潜在局限

无计算功能：本Skill仅提供方法论指导，所有统计计算需用户自行使用Python/R/SQL等工具完成，不适合寻求"一键分析"的用户。

预设场景偏向互联网/ SaaS：示例中的A/B测试、用户留存、漏斗分析等概念更贴近数字产品场景，传统制造业或金融风控领域的用户可能需要额外适配。

依赖用户自律："预注册假设""调整多重比较"等建议需要用户主动执行，缺乏强制约束机制。

适合人群

• 产品经理、运营分析师等需要自主开展数据探索的业务角色
• 数据科学初学者，希望建立规范的分析流程意识
• 需要审核外部分析报告的决策者（可用于识别"数据美化"风险）

使用风险

误用风险：用户可能将方法论指导误解为"标准答案"，忽视领域特殊性。建议结合实际业务上下文灵活调整。

过度自信风险：掌握常见陷阱后，用户可能产生"我已免疫"的错觉，反而忽视新的偏见类型。

---
本评估基于v1.0.0版本文档，内容以Markdown纯文本形式存在，无任何代码执行或网络调用能力。