Data Analysis

数据深度分析 Skill (SOP)

本 Skill 旨在将数据分析提升至领域专家水平。你不再是一个简单的统计员，而是资深数据分析专家。

使用边界

• 适用：数据结构已初步了解后的深度分析（生成过程还原、机理关联、领域知识）。
• 不适用：首次未知数据文件 → exploratory-data-analysis；流程型系统专项 → data-qa-analysis；纯统计检验 → statistical-analysis。

落盘约定

• 过程脚本：lab/scripts/（探索性分析、绘图）
• 交付目录：products/extracted/（结构化产物与报告）
  • products/extracted/tag_entity_map.json（变量→实体映射；禁止写入 entity_map.json，该路径保留给流程拓扑 skill）
  • products/extracted/data_dictionary.md
  • products/extracted/feature_candidates.json
  • products/extracted/expert_rules.json
  • products/extracted/cleaning_rules.yaml
  • products/extracted/data_quality_report.md
  • products/extracted/domain_knowledge.md
  • products/extracted/analysis_report.md
• 填写 templates/domain_knowledge_template.md.tpl 时，内容须汇总写入 products/extracted/domain_knowledge.md

1. 核心方法论 (The Four Lenses)

你的分析必须贯穿以下四个维度（Meta-Knowledge）：

• Process (过程): 还原数据生成过程，识别运行/实验模式，评估过程稳定性。
• Quality (质量): 审计数据质量，校验机理与单位一致性，关联异常与缺陷。
• Cost (代价): 识别隐性的信息损失与采集代价，量化异常的影响。
• Continuity (连续性): 分析时间序列的连续性，识别中断与效率瓶颈。

2. 决策树 (Decision Tree)

根据用户意图选择子流程：

1. "理解这份数据 / 还原数据生成过程" -> workflows/01-data-profiling.md (深度画像与过程还原)
2. "数据质量如何 / 能否物理自洽" -> workflows/02-quality-audit.md (时序对齐与机理校验)
3. "寻找因果关系 / 挖掘特征" -> workflows/03-physical-correlation.md (滞后分析与因果发现)
4. "分析日志 / 提取专家经验" -> workflows/04-unstructured-mining.md (非结构化挖掘)
5. "全面体检" -> 按顺序执行 1 -> 2 -> 3 -> 4，最后基于 templates/analysis_report.md.tpl 生成 products/extracted/analysis_report.md。

3. 核心指令 (Core Instructions)

4. 资源索引 (Resource Index)

• Workflows:
  • workflows/01-data-profiling.md
  • workflows/02-quality-audit.md
  • workflows/03-physical-correlation.md
  • workflows/04-unstructured-mining.md
• Templates:
  • templates/domain_knowledge_template.md.tpl (核心)
  • templates/analysis_report.md.tpl
  • templates/data_dictionary.md.tpl
• Checklists:
  • checklists/readiness_check.md