技能介绍
Data Analytics Skills 是一套专为 Claude 设计的即插即用数据分析技能库：31 个可移植的 AI 驱动技能，让 Claude 成为你亲自动手的分析伙伴，无需设置，适用于任何公司或行业。
仓库里是一个结构化的技能库（可复用的指令集），Claude 按需激活，帮助完成分析师工作流的每个阶段：从数据质量检查和深度分析，到文档和仪表盘，直至利益相关者沟通。
它和传统 AI 助手的关键差别在「按需」二字：
↔ 左右滑动查看完整表格
| 传统方式 | 这些技能 |
|---|---|
| 使用前需要准备 | 零设置要求 |
| 业务规则变化时失效 | 自然适应 |
| 公司特定，难以共享 | 可跨组织移植 |
| 对假设保持沉默 | 告诉你哪些上下文重要 |
每个技能会提出有针对性的问题来收集所需信息，然后执行完整的结构化工作流。
适用场景
- 探索一个不熟悉的数据集，需要先做系统性 EDA 与质量把关。
- 要排查某个业务指标为什么下降或飙升，需要结构化诊断而不是凭感觉归因。
- 编写或审查 SQL，关心正确性、性能和边界情况。
- 分析实验结果、做 A/B 测试的显著性检验。
- 需要产出仪表盘规格、图表选择，或把技术发现翻译成业务语言向高管汇报。
- 想把分析方法、假设与决策记录下来，避免每个项目重复解释同一件事。
核心能力
技能按 6 个分类组织，共 31 个：
01 数据质量与验证（5 个）——处理新数据时从此处开始。
↔ 左右滑动查看完整表格
| 技能 | 功能 |
|---|---|
| programmatic-eda | 系统性探索性数据分析，自动进行合理性检查 |
| data-quality-audit | 基于业务规则和模式的全面质量评估 |
| query-validation | SQL 审查，检查正确性、性能和边界情况 |
| schema-mapper | 理解数据库关系和表结构 |
| metric-reconciliation | 调查指标来源之间的差异 |
02 文档与知识（5 个）——构建可复用的上下文，避免重复解释同一件事。
↔ 左右滑动查看完整表格
| 技能 | 功能 |
|---|---|
| semantic-model-builder | 为关键指标和维度创建共享语义层 |
| analysis-documentation | 使用可复现的方法记录分析发现 |
| data-catalog-entry | 为数据资产创建标准化元数据和描述 |
| sql-to-business-logic | 将复杂 SQL 翻译为通俗的业务语言 |
| analysis-assumptions-log | 跟踪分析中的每个假设和决策 |
03 数据分析与调查（7 个）——分析重担的核心工作流。
↔ 左右滑动查看完整表格
| 技能 | 功能 |
|---|---|
| cohort-analysis | 基于时间的队列跟踪，包含留存曲线 |
| segmentation-analysis | 客户/用户细分，生成可操作的画像 |
| funnel-analysis | 转化漏斗，包含流失根因分析 |
| time-series-analysis | 趋势检测、季节性分析和预测 |
| root-cause-investigation | 对意外指标变化进行结构化诊断 |
| ab-test-analysis | 严格的实验分析，包含显著性检验 |
| business-metrics-calculator | 标准业务指标计算，附带基准 |
04 数据叙事与可视化（5 个）——将原始发现转化为推动决策的洞察。
↔ 左右滑动查看完整表格
| 技能 | 功能 |
|---|---|
| insight-synthesis | 将分析输出结构化为清晰的业务洞察 |
| visualization-builder | 图表类型选择、设计指导和规范生成 |
| executive-summary-generator | 为复杂分析生成简洁的、面向高管的摘要 |
| dashboard-specification | 完整的仪表盘需求，包含指标和布局 |
| data-narrative-builder | 从分析发现中构建引人入胜的故事线索 |
05 利益相关者沟通（5 个）——弥合技术深度与业务理解之间的鸿沟。
↔ 左右滑动查看完整表格
| 技能 | 功能 |
|---|---|
| technical-to-business-translator | 将技术发现转化为面向业务受众的表述 |
| stakeholder-requirements-gathering | 结构化需求收集，澄清利益相关者真正需要什么 |
| analysis-qa-checklist | 在分享结果之前进行交付前质量检查 |
| methodology-explainer | 向任何受众层级解释分析方法 |
| impact-quantification | 估算并框架化分析结果的业务影响 |
06 工作流优化（4 个）——在每个项目中更聪明地工作。
↔ 左右滑动查看完整表格
| 技能 | 功能 |
|---|---|
| analysis-planning | 在深入之前先结构化方法 |
| context-packager | 高效打包上下文，用于 AI 辅助分析 |
| peer-review-template | 分析工作的结构化同行评审检查清单 |
| analysis-retrospective | 分析后学习和流程改进 |
效果预览
工作方式
每个技能遵循相同的按需上下文模式：
- 请求最小可行上下文 — Claude 只询问开始所需的关键信息
- 执行工作流 — 结构化的、逐步的分析过程
- 揭示假设 — 任何不确定的内容都会被标记，而不是默默假设
- 交付一致的结果 — 模板化的结果，你可以分享或迭代改进
技能优雅降级：如果你无法提供所有信息，Claude 会说明它正在假设什么，然后继续执行。
你需要提供
- 一个 Claude 环境。
- 你的任务描述（自然语言即可）以及必要的数据与业务背景——技能会主动问你缺什么。
- 可选：想让技能公司特定化，可在任何技能内添加
references/文件夹：
skill-name/
├── SKILL.md
└── references/
├── company-schema.md ← 你的表/列定义
├── metric-definitions.md ← 标准指标公式
└── business-rules.md ← 阈值、边界情况等技能运行时，Claude 会自动拉取这些上下文。
你会获得
- 覆盖 6 个类别的 31 个技能，以及每个阶段的结构化产出：质量评估报告、SQL 审查意见、根因诊断、实验分析结论、仪表盘规格、高管摘要、方法文档与假设日志等，均为模板化、可直接分享或迭代的结果。
按需求选择起点：
↔ 左右滑动查看完整表格
| 你需要... | 从这里开始 |
|---|---|
| 探索不熟悉的数据集 | programmatic-eda → data-quality-audit |
| 编写或审查 SQL | query-validation + schema-mapper |
| 了解指标下降/飙升原因 | root-cause-investigation |
| 分析实验结果 | ab-test-analysis |
| 构建仪表盘 | dashboard-specification + visualization-builder |
| 向领导层汇报 | executive-summary-generator + insight-synthesis |
| 记录你的方法 | analysis-documentation + analysis-assumptions-log |
| 开始复杂分析 | 始终先使用 analysis-planning |
使用示例
自然地描述你的任务给 Claude，它会自动选择并激活合适的技能，无需斜杠命令：
你: "我需要了解为什么我们的激活率上周下降了12%"
Claude: [激活 root-cause-investigation，询问指标数据和上下文]
你: [提供数据和业务背景]
Claude: [运行结构化调查，进行假设检验]页面给出的三条示例指令：
我需要分析上周激活率下降 12% 的原因，请帮我进行根因调查。
请帮我针对当前的销售数据进行一次全面的探索性数据分析 (EDA)。
我需要向非技术背景的高管汇报本次分析结果，请帮我将技术细节转化为业务洞察。建议的逐步提升计划：
- 第 1 周 — 熟悉上手：在熟悉的数据集上运行
programmatic-eda；练习在 Claude 提问时提供上下文；在下一个项目开始时使用analysis-planning。 - 第 2–3 周 — 添加核心工具集：为关键指标设置
semantic-model-builder（永久节省时间）；把query-validation加入 SQL 工作流；选择 2 个与你领域匹配的分析技能。 - 第 4 周以上 — 进阶：在一个完整项目中端到端串联 4–5 个技能；为最常用的技能添加公司特定的参考文件；构建团队上下文文档，用于共享入职。
