数据洞察侦探：趋势与异常分析

## 概述
数据分析侦探是一项基于统计学的自动化分析技能，能够对用户上传的结构化数据集进行系统化检测，快速识别趋势、周期性波动、离群点以及潜在的业务关联。系统采用描述性统计、假设检验、回归模型和异常检测等方法，输出可视化图表与可操作的洞察报告，帮助用户在海量数据中把握关键信息。

## 适用场景
- 市场销售数据的季节性分析与销量预测
- 用户行为日志中的异常点击或登录异常检测
- 生产制造过程的参数漂移监控与质量预警
- 金融交易的异常交易模式识别
- 运营指标（如访问量、转化率）波动根因分析

## 前置准备
1. **数据格式**：支持 CSV、TSV、Excel（.xlsx/.xls）文件，单个文件大小不超过 200 MB。
2. **列命名**：建议使用英文字母或数字开头，避免特殊字符（如“%”“$”“#”），否则系统会自动清理。
3. **缺失值**：系统会在分析前自动标记缺失比例；若缺失比例超过 30%，建议先进行数据清洗。
4. **目标变量**（可选）：若需进行预测或关联分析，请在上传时指明目标列名称。

## 调用流程
### 步骤 1：上传数据
在对话窗口中点击“上传文件”，或直接拖拽文件至聊天区域。系统会返回文件解析结果，包括行数、列数、数据类型概览。

### 步骤 2：选择分析维度
根据返回的数据概览，使用指令 “设置分析维度：<维度列表>”。常见维度包括时间（日期列）、类别（行业、产品线）以及数值（金额、频次）。若不指定，系统默认全量分析。

### 步骤 3：执行分析
发送指令 “开始分析”。系统会自动完成以下子任务：
- **描述性统计**：均值、中位数、标准差、分位数等；
- **趋势检测**：基于移动平均或季节分解的时间序列趋势；
- **异常检测**：采用箱线图、Z‑score 或 Isolation Forest 识别离群点；
- **关联分析**：Pearson/Spearman 相关系数，生成相关性热力图；
- **假设检验**：如 t 检验、卡方检验，用于验证显著性差异。

### 步骤 4：查看报告
分析完成后，系统会返回 Markdown 格式的报告，包含关键指标摘要、可视化链接以及建议的业务行动项。用户可进一步使用 “导出报告” 指令获取 PDF 或 Excel 版报告。

## 示例
**输入**
```
上传文件: sales_2023.csv
设置分析维度: 日期, 区域, 销售额
开始分析
```
**系统返回**（摘录）
- 整体销售额均值为 ¥125,000，标准差为 ¥45,000；
- 2023‑Q3 出现 12% 的异常增长，主要来源于华东地区的线上渠道；
- 区域与渠道的相关系数为 0.78，显示强正相关；
- 建议在华东地区加强线上营销投入。

## 注意事项
- **数据隐私**：上传的文件将在服务器端临时解密，分析结束后自动删除；若涉及敏感信息，请先脱敏处理。
- **列类型冲突**：同一列出现混合类型（如数值与文本混排）会导致解析错误，请提前统一类型。
- **时间列格式**：系统支持 ISO 8601、YYYY/MM/DD、DD‑MM‑YYYY 等常见格式；若日期跨时区，请注明时区。
- **离群点阈值**：默认使用 1.5 倍 IQR，亦可通过 “设置阈值：IQR=3” 进行调整。

## 结果解读
- **趋势图**：Y 轴为指标值，X 轴为时间，阴影区域表示置信区间。若阴影宽度增大，说明波动性提升，需进一步分析外部因素。
- **离群点标记**：红点为统计异常，橙点为业务规则异常（如促销活动导致的突增），系统会在图例中标明异常类别。
- **相关性热力图**：颜色越深（正/负）代表关联度越高；仅在相关系数绝对值 > 0.5 时视为显著关联。

## 常见问题
**Q1：上传的文件出现乱码怎么处理？**
A1：请确保文件编码为 UTF‑8，或在上传时手动选择对应的编码（如 GBK）。

**Q2：分析完成后报告不完整怎么办？**
A2：请检查是否因网络中断导致任务中断；若超时，系统会在 5 分钟内自动重试一次。

**Q3：能否自定义分析模型？**
A3：目前支持选择是否开启回归或异常检测模型，后续版本会开放模型插件接口。

## 参考资源
- 《统计学基础》—— 经典统计教材；
- Python `pandas`、`scipy`、`sklearn` 官方文档；
- 数据可视化库 `matplotlib`、`seaborn` 入门指南。

---
以上即为 **数据分析侦探** 技能的完整说明。使用前请仔细阅读前置准备与注意事项，以确保分析结果准确、可靠。若有进一步需求，欢迎随时提问。