核心用法
Data Analysis技能专为将原始数据转化为可执行洞察而设计，覆盖从数据查询到决策建议的完整分析链条。核心工作流遵循"方法论优先"原则：先明确支撑什么决策、什么证据会改变判断、现有数据与理想数据的差距、以及分析的时间范围，再接触数据本身。
技能内置六大分析场景的标准化方法：假设检验（判断差异显著性）、回归分析（预测变量关系）、队列分析（追踪用户行为演变）、细分对比（群体差异画像）、异常检测（识别离群模式），并配套详细的统计严谨性检查清单（样本量充足性、比较组公平性、多重比较校正、效应量实际意义、不确定性量化）。
显著优点
1. 决策锚定设计：强制追问"如果分析显示X vs Y，什么会改变"，避免为分析而分析
2. 统计陷阱防御：系统识别辛普森悖论、幸存者偏差、时期不对等、p值操纵等常见分析谬误
3. 输出标准严格：要求结论前置、不确定性量化、局限性质疑、下一步建议，符合专业分析交付规范
4. 工具链全覆盖：支持SQL数据库查询、Python分析、电子表格自动化、BI仪表板、Notebook等主流工具
潜在缺点与局限性
- 技能本身不提供实际计算环境，依赖外部数据连接与执行引擎
- 统计方法选择需用户具备基础概念理解，完全新手可能难以自主匹配方法
- 强调"样本量不足则不做推断"的原则可能让急于得出结论的用户感到限制
- 复杂因果推断场景（如工具变量、双重差分）未在核心框架中详述
适合人群
- 产品经理、运营、增长团队：需将埋点数据、A/B测试结果转化为行动建议
- 数据分析师：需要结构化检查清单确保交付质量
- 商业决策者：希望理解分析结论的可信度边界与决策影响
常规风险
- 过度自信风险：用户可能因技能的专业框架而高估低质量数据的分析价值
- 选择性呈现：技能虽设"红旗预警"（如用户想"证明"预设结论），但实际执行中难以强制拦截
- 工具误用：方法选择表可能引导用户选择超出其数据条件的技术（如小样本回归）
- 解释鸿沟：统计显著性与业务显著性的区别需持续强调，否则易产生"显著=重要"的误读