数据分析侦探助手

## 技能概述

数据分析侦探助手是一款专为数据探索与洞察挖掘设计的智能分析工具。当用户提供结构化或半结构化数据集，并请求分析、解读或挖掘时，本技能将自动启动调查流程，帮助用户从海量数据中快速识别关键模式、异常现象和有价值的商业洞察。

## 核心能力

- **趋势识别**：通过时间序列分析、回归分析等方法，自动检测数据中的增长、下降、周期性等趋势变化。
- **异常检测**：运用统计学方法（如 Z-score、IQR、四分位法）精准定位离群点与异常数据。
- **关联分析**：探索变量之间的相关性，包括皮尔逊相关系数、斯皮尔曼秩相关等度量。
- **分布特征**：计算均值、中位数、标准差、偏度、峰度等描述性统计量。
- **洞察提炼**：将分析结果转化为可执行的业务建议与决策依据。

## 适用场景

- 销售数据走势分析与异常波动排查
- 用户行为数据探索与画像构建
- 运营指标监控与问题诊断
- 财务报表数据审查与风险识别
- 科研数据集的模式发现与假设验证

## 调用步骤

1. **数据准备**：将数据集以 CSV、Excel、JSON 或表格形式提供给本技能，确保数据结构清晰、字段命名规范。
2. **明确目标**：简要说明分析目的，例如"寻找销售下滑原因"、"识别高价值用户特征"等。
3. **自动分析**：技能将依次执行数据清洗、描述统计、可视化探索、假设检验、模式识别等步骤。
4. **结果输出**：以结构化报告形式呈现分析结论，包含关键发现、统计依据、图表说明与行动建议。
5. **追问深化**：用户可基于初步结果继续追问，技能将进行更深入的专题分析。

## 统计方法说明

本技能综合运用描述性统计、推断性统计与机器学习方法，确保分析结论的严谨性：
- 描述性层面：均值、中位数、方差、分位数等
- 推断性层面：t 检验、卡方检验、方差分析（ANOVA）等
- 预测性层面：线性回归、逻辑回归、聚类分析等

## 注意事项

- **数据质量**：分析结果高度依赖输入数据质量，建议在分析前检查缺失值、重复值与异常编码。
- **样本量要求**：部分统计方法对样本量有最低要求，过小样本可能导致结论不稳定。
- **相关性≠因果性**：本技能识别的是统计关联，真实的因果关系需结合业务背景与实验验证。
- **隐私保护**：请勿上传包含个人敏感信息的原始数据，建议进行脱敏处理后再分析。
- **结果验证**：重要决策建议应结合领域知识进行二次验证，避免过度依赖单一分析结果。
- **方法透明**：所有分析过程与所用方法均会清晰呈现，便于用户复现与审查。