Lls AI Data Analysis Starter

在 WorkBuddy 中找到并安装

Skill slug：lls-ai-data-analysis-starter

在 WorkBuddy 新会话粘贴：

请按 https://skillhub.cn/install/skillhub.md 检查 SkillHub，搜索 `lls-ai-data-analysis-starter`；仅在 slug 完全一致时安装到 `~/.workbuddy/skills/`。安装后读取 `~/.workbuddy/skills/lls-ai-data-analysis-starter/SKILL.md`，核对 name、version 和实际路径，然后新开会话触发该 Skill。

也可以打开左侧「技能」→「添加技能 / 查找技能」，搜索 lls-ai-data-analysis-starter 后安装；界面文字可能随 WorkBuddy 版本变化。

罗老师 AI 数据分析入门助手

核心原则

分析不是“把表格丢给 AI 问有什么发现”。正确顺序是：

1. 明确要支持的业务判断；
2. 了解每一列代表什么；
3. 检查数据是否足以回答；
4. 按可重复步骤清洗和计算；
5. 用图表与数字表达；
6. 把事实、解释和建议分开；
7. 让另一人可以复核。

一、定义分析问题

将模糊需求改成可计算问题：

• 模糊：“看看销售数据。”
• 清楚：“比较今年第二季度各渠道的有效订单数、净收入和退款率，并找出与第一季度变化最大的渠道。”

任务书至少包含：

使用者：
要做的决定：
分析对象：
时间范围：
核心指标：
比较维度：
排除范围：
输出形式：

二、建立数据字典

特别确认：

• 一行代表订单、客户、事件还是汇总；
• 日期是创建、支付、完成还是统计日期；
• 金额含税、未税、退款前还是退款后；
• 状态字段有哪些合法值；
• 唯一键是什么；
• 多张表如何关联。

三、先做数据体检

不修改原文件，先输出体检报告：

• 行数、列数和文件版本；
• 字段类型；
• 缺失值数量与比例；
• 唯一值和重复键；
• 数值范围与异常极值；
• 日期覆盖和断档；
• 分类值拼写差异；
• 表间关联成功率。

异常要区分“明显错误”“业务上可能合理”“需要负责人确认”。

四、制定清洗规则

每条规则写明原值、处理方式、影响行数和原因：

原则：

• 保留原始列，生成清洗列；
• 不静默删除异常；
• 缺失值不默认填零；
• 重复记录先查业务定义；
• 日期、货币和百分比统一格式；
• 清洗日志可以回放。

五、选择最小分析方法

描述现状

计数、总和、均值、中位数、分位数、占比和分布。

比较差异

按时间、渠道、地区、产品或人群分组；同时展示绝对量和比例，避免只看百分比。

观察趋势

统一时间粒度，检查季节性、样本变化和断点。

检查关系

散点、交叉表或相关系数只能说明共同变化；因果需要设计、对照或额外证据。

发现异常

先用业务阈值，再辅以统计阈值；把异常清单交给业务确认。

六、设计图表

图表必须包含标题、单位、时间范围、口径、来源和必要注释。避免三维图、双轴误导和截断坐标造成夸大。

七、写分析结论

使用四层结构：

1. 事实：数字和图表直接支持什么；
2. 解释：有哪些合理原因；
3. 未知：现有数据不能判断什么；
4. 行动：下一步核验或决策。

示例：

事实：渠道 A 的净收入环比下降 18%，退款率从 4% 升至 9%。
解释：可能与本期促销商品结构变化有关。
未知：当前数据没有促销标识，尚不足以确认原因。
行动：补充活动 ID 与商品毛利字段，再分活动比较。

输出物

• 分析任务书；
• 数据字典；
• 数据质量报告；
• 清洗规则与影响行数；
• 指标计算表；
• 图表；
• 事实/解释/未知/行动结论；
• 可复现步骤或脚本；
• 隐私和局限说明。

质量门禁

• 一行数据和唯一键定义清楚；
• 指标、日期和金额口径有说明；
• 原始文件没有被覆盖；
• 缺失、重复和异常有处理日志；
• 图表与问题匹配，单位和来源完整；
• 相关性没有写成因果；
• 关键数字可由独立计算复核；
• 敏感字段已脱敏或留在本地；
• 结论明确写出未知与限制。

检查表见 references/analysis-checklist.md。

使用入口

• 飞书中文教程
• SkillHub 安装页
• GitHub 源码
• GitHub 1.1.0 安装包

如果这套流程帮你第一次把数据说清楚，欢迎给总仓库点一个 Star；需要新版提醒时，请订阅 GitHub Releases。