核心用法
Data Analysis Skill 是一套面向决策的数据分析方法论框架，而非单纯的工具集合。其核心在于将数据分析从"算术"提升为"决策支持"——通过前置决策定义、锁定指标契约、分离数据处理与解读、选择恰当的视觉呈现，最终输出可直接指导行动的分析简报。
使用流程遵循"方法论优先"原则：首先明确决策场景与改变判断的标准，再审视数据可用性，最后才进入实际计算。配套文件提供标准化支撑：metric-contracts.md 规范KPI定义要素（实体、粒度、分子分母、时区等）；chart-selection.md 指导按问题类型选择图表并规避反模式；decision-briefs.md 提供利益相关者导向的输出模板。
显著优点
1. 决策锚定设计：强制从"若分析结果为X或Y，决策将如何改变"切入，有效避免无目的的数据探索
2. 统计严谨清单：内置样本量检验、对照组公平性、多重比较校正、效应量评估等自查项
3. 输出标准化：要求每个结果包含答案、证据、置信度、局限性与下一步建议，降低沟通失真
4. 轻量无状态：不依赖本地持久化、外部API或凭证存储，即装即用，隐私风险可控
5. 陷阱识别完备：明确列出KPI定义漂移、粒度混用、百分比无基数、p-hacking等常见失效模式
局限性与风险
1. 框架依赖执行：方法论价值高度依赖使用者自觉遵守，无强制校验机制
2. 技术深度有限：提供方法选择指引（假设检验/回归/队列分析等），但具体实现需配合SQL、Python等技能
3. 无内置数据连接：需用户自行提供数据源，Skill本身不具备数据库直连或文件解析能力
4. 因果推断保守：明确反对将观察性模式视为因果证据，可能限制某些业务场景的解读空间
适合人群
- 需将数据转化为决策建议的数据分析师、产品经理、运营负责人
- 希望建立团队分析规范、减少指标口径争议的数据团队管理者
- 需向非技术利益相关者清晰传达分析结论的汇报者
常规风险
- 决策延迟风险：严格的前置检查可能延长分析周期，在紧急场景下需权衡
- 过度量化风险：强制量化不确定性可能导致对定性因素的忽视
- 虚假安全感：完善的框架可能让用户忽视数据本身的采集偏差与质量问题