# Analytics Core

> Use when the user needs a standard data analysis workflow, goal definition guidance, value realization steps, or analysis taxonomy.

- Skill: `morning-start/analytics-core` (Agent Skill)
- Install (CLI): `npx skillmds@latest add morning-start/analytics-core`
- Raw SKILL.md: https://api.skillmd.com/api/skills/morning-start/analytics-core/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Data & Analytics
- Author: morning-start (https://skillmd.com/u/morning-start)
- Updated: 2026-09-17
- Page: https://skillmd.com/skills/morning-start/analytics-core

---


# Analytics Core

## 任务目标
- 本 Skill 用于：建立标准化的数据分析流程框架
- 能力包含：七阶段流程、目标设定、价值实现、分析分类
- 触发条件：需要进行数据分析项目时

## 适用场景
- 明确分析问题之前，需要先把目标和边界定清楚
- 需要把分析流程拆成可执行的阶段
- 需要判断分析属于战略、运营、业务分析还是数据分析

## 操作步骤

### 七阶段标准分析流程

```
┌─────────────────────────────────────────────────────────────┐
│                    数据分析全流程                            │
├─────────────────────────────────────────────────────────────┤
│                                                             │
│  ① 数据获取 ──→ ② 数据清洗 ──→ ③ 数据处理 ──→ ④ 数据建模  │
│       │              │              │              │       │
│       ▼              ▼              ▼              ▼       │
│  明确目标        异常值处理      汇总转换        统计/ML     │
│  采集数据        缺失值处理      格式变换        模型构建    │
│                                                             │
│  ⑤ 结果呈现 ──→ ⑥ 价值发现 ──→ ⑦ 价值实现                  │
│       │              │              │                      │
│       ▼              ▼              ▼                      │
│  可视化展示      共同认知        业务转化                    │
│  沟通协作        认可确定        迭代优化                    │
└─────────────────────────────────────────────────────────────┘
```

### 阶段详解

#### ① 数据获取
**输入**：分析目标（哪怕不明确）

**关键动作**：
- 明确数据来源（数据库、API、文件等）
- 确定数据范围（时间周期、维度、指标）
- 理解数据口径和计算方式

**输出**：数据子集（物理或逻辑）

**注意事项**：
- 无目标则无从着手
- 目标要量化，如"产量从1万下降到5千"而非"产量下降"

#### ② 数据清洗
**关键动作**：
- 异常数据处理（超出合理范围的噪声）
- 缺失数据处理（删除、填充、插值）
- 数据一致性变换（单位、格式统一）
- 编码替换（字符编码、数值编码）

**常见问题**：
```
- 数值字段出现文本值
- 日期格式不统一
- 分类变量编码混乱
- 重复记录
```

#### ③ 数据处理
**关键动作**：
- 数据汇总（聚合统计）
- 数据转换（行列变换、标准化）
- 特征工程（构建新特征）

**输出**：适用于建模的干净数据集

#### ④ 数据建模
**方法分类**：
- **描述性分析**：趋势、同比环比、维度拆分
- **预测性分析**：回归、分类、时间序列预测
- **因果分析**：AB测试、因果推断

**常用算法**：
```
描述统计：均值、方差、分位数、相关系数
趋势分析：移动平均、指数平滑、趋势线
预测模型：线性回归、决策树、随机森林、神经网络
降维方法：PCA、因子分析
```

#### ⑤ 结果呈现
**目的**：让业务人员充分理解分析结果

**关键动作**：
- 选择合适的可视化方式
- 沟通是双向的，确保理解一致
- 结论要清晰、有据可查

**呈现形式**：
- 图表类：折线图、柱状图、饼图、散点图
- 表格类：明细表、汇总表、交叉表
- 报告类：PPT、Word、分析报告

#### ⑥ 价值发现
**核心观点**：分析师和业务人员的"共同认知"

**关键动作**：
- 从分析结果中提炼业务价值
- 与业务人员验证和确认价值点
- 达成对分析结论的一致认可

**常见价值类型**：
```
业务优化：效率提升、成本降低
增长机会：用户增长、收入增长
风险预警：异常识别、风险预测
决策支持：策略建议、方案对比
```

#### ⑦ 价值实现
**特点**：通常由业务人员控制，但需要分析师深度参与

**关键动作**：
- 跟踪业务落地执行情况
- 验证分析结论与实际效果的偏差
- 迭代优化，持续改进

**反馈闭环**：
```
分析结论 → 业务理解 → 业务执行 → 结果反馈 → 下一轮分析
```

### 分析目标设定

#### 目标来源
| 来源 | 适用场景 | 特点 |
|------|----------|------|
| 业务方发起 | 业务对发展有疑问希望通过数据提升 | 需求可能模糊，需要深入需求分析 |
| 数据部门发起 | 有完善的指标监控体系 | 更全面客观，但需了解业务 |

#### 合格目标的特征
1. **业务视角**：折射业务痛点
2. **数据支持**：有数据可支撑分析
3. **量化表达**："下降5%"比"下降"更清晰
4. **具体指标**：体现在可测量的指标上

**反面例子**：
- "为什么最近业务不好？"（模糊）
- "我想知道运营效果如何？"（不量化）

**正面例子**：
- "为什么全厂2018年Q1产品X产量从1万下降到5千？"
- "XX业务转化率从15%提升到20%"

### 分析分类体系

#### 按问题类型
| 类型 | 目标 | 视角 | 数据来源 |
|------|------|------|----------|
| 战略分析 | 解决公司方向问题 | 宏观 | 内部+竞品+行业 |
| 运营分析 | 解决实际运营问题 | 微观 | 内部为主 |

#### 按服务对象
| 类型 | 发起方 | 交付对象 | 效率 |
|------|--------|----------|------|
| 业务分析 | 业务部门 | 业务部门 | 较高 |
| 数据分析 | 数据部门 | 业务/管理层 | 需要深入沟通 |

#### 按分析范围
| 类型 | 时间窗口 | 关注点 |
|------|----------|--------|
| 行业分析 | 1年以上 | 商业模式、发展趋势 |
| 公司分析 | 1年内 | 业务诊断、决策建议 |
| 部门分析 | 半年内 | 职能范围内诊断 |
| 业务环节分析 | 实时/短期 | 具体环节优化 |

### 分析师能力要求

#### 业务能力
- **微观**：了解业务运营、公司发展方向
- **宏观**：把握行业方向、预测未来变化

#### 数据能力
- **技术**：SQL/Python/R、机器学习、可视化工具
- **通用**：指标体系、数据关系、因果推断

#### 软能力
- 沟通能力：双向沟通，确保理解一致
- 逻辑思维：结构化分析、归纳演绎
- 同理心：站在业务角度思考
- 影响力：让分析结果被接受和采纳

### 数据分析三元论

#### 势（行业环境）
- 行业特性：是否适合数据分析
- 公司数据环境：信息化水平、数据文化

#### 道（分析框架）
- 业务模式：越简单越容易出成果
- 分析框架：体系化、结构化
- 需求稳定：深入研究的基础

#### 术（分析方法）
- 定性与定量：确定分析目的
- 指标创新：好的指标能准确反映问题
- 整体与个体：大处着眼，小处着手
- 大胆假设，小心求证：快速验证最可能的原因

## 资源索引
- 七阶段流程参考：[数据分析全链路](https://www.sohu.com/a/921683884_121124717)
- 数据工厂建模：[数据建模方法](https://www.woshipm.com/pd/1562144.html)

## 注意事项
- **分析前必须有目标！目标！目标！**
- 过程不是单向的，发现问题可跳回前一阶段
- 过程是循环的，上一终点是下一起点
- 不是每个阶段都必须，根据实际情况调整
- 分析师与业务人员密切合作贯穿全程