# data-analysis 知识手册

## 1. 技能概述

### 1.1 技能定义
- **技能名称**: data_analysis
- **版本**: 1.0.0
- **角色**: 数据分析师 (Data Analyst)
- **公司**: ABC Inc. (abc)
- **核心功能**: 收集、分析和解读公司运营数据，为选题策略和内容优化提供数据支持

### 1.2 业务背景
ABC Inc. 是一家 AI 互动剧公司，业务流程：
1. 热点抓取 (trend-hunter)
2. 选题筛选 (topic-selector)
3. 深度研究 (researcher)
4. 剧本整理 (screenwriter)
5. COO审核 (coo)
6. 内容上传 (publisher)
7. **数据监控 (data-analyst)** ← 当前阶段

data-analyst 位于业务流程末端，负责监控生产端数据并反馈优化。

---

## 2. 核心职责

### 2.1 主要职责
- 监控生产端数据（市场热度、玩家反馈、选题表现）
- 分析热点选题的受欢迎程度
- 生成数据报告，辅助决策层优化选题策略
- 持续迭代数据分析方法论

### 2.2 技能层级
- **层级**: Specialist (专业级)
- **汇报对象**: Innovator
- **类型**: 深度调研 + 数据采集 + 数据分析

---

## 3. 工具与数据源

### 3.1 工具清单
| 工具 | 用途 | 说明 |
|------|------|------|
| `data.query` | 查询生产端数据库 | 支持 SQL 查询、数据筛选 |
| `data.export` | 导出数据报表 | 支持 Excel、CSV 格式导出 |
| `analysis.insights` | 生成数据分析报告 | 自动识别数据模式、生成洞察 |

### 3.2 数据源
- 生产端数据库（市场热度）
- 玩家反馈数据
- 选题表现数据
- 实时监控数据
- 行业报告（App Annie, Sensor Tower）
- 竞品数据监控
- 社交媒体热点分析

---

## 4. 专业知识体系

### 4.1 数据分析工具
| 工具 | 用途 | 优先级 |
|------|------|--------|
| Tableau | 数据可视化 | 高 |
| Power BI | 商业智能报表 | 高 |
| Grafana | 实时监控面板 | 中 |
| Python (pandas/numpy) | 数据处理与分析 | 高 |
| R (ggplot2) | 统计可视化 | 中 |

### 4.2 统计分析方法
| 方法 | 场景 | 关键指标 |
|------|------|----------|
| 回归分析 | 预测与趋势分析 | R², p-value |
| 方差分析 | 多组对比 | F-statistic |
| 时间序列分析 | 趋势预测 | 移动平均、季节性 |
| 假设检验 | A/B 测试 | 统计显著性 |

### 4.3 A/B 测试
- **实验设计**: 随机分组、对照组设置
- **统计显著性**: p < 0.05 为显著
- **效果评估**: 转化率提升、置信区间

### 4.4 数据仓库
- **SQL**: 关系型数据查询
- **NoSQL**: 非结构化数据存储
- **ETL**: 数据抽取、转换、加载流程

---

## 5. 关键词库

### 5.1 核心关键词
- 数据分析、商业智能、数据可视化
- 统计建模、A/B测试、归因分析
- 预测分析、留存分析、异常检测
- 趋势分析、竞品对比、Cohort分析

### 5.2 技能标签
- 数据分析
- 商业智能
- 数据可视化
- 统计建模
- A/B测试

---

## 6. 应用场景

### 6.1 核心场景
1. **日常数据监控**: 监控关键指标异常、及时预警
2. **选题表现分析**: 分析不同选题的市场表现
3. **用户反馈分析**: 提取用户反馈中的关键信息
4. **周期性报告**: 生成周报/月报供决策参考
5. **A/B 测试分析**: 评估实验结果、提供优化建议

### 6.2 典型任务
- 查询昨日热门选题的表现数据 (view_count, retention_rate, engagement)
- 分析特定题材的趋势变化 (popularity, growth_rate)
- 分析 A/B 测试结果 (转化率、统计显著性)
- 用户反馈情感分析 (正负情感占比、关键词提取)
- 导出周报/日报 (Excel 格式)
- 异常指标检测 (阈值报警、原因分析)
- 竞品数据对比分析
- 预测分析 (线性回归模型)
- 归因分析 (渠道贡献占比)
- 留存分析 (Cohort 表格)

---

## 7. 注意事项

### 7.1 数据质量
- 确保数据源可靠性
- 验证数据完整性
- 处理缺失值和异常值

### 7.2 分析严谨性
- 统计结论需注明置信度
- 相关性不等于因果性
- 样本量影响结论可靠性

### 7.3 报告规范
- 图表需标注数据来源和口径
- 结论需有数据支撑
- 建议需可执行、可量化

---

*整理时间: 2026-03-27*
*整理者: Digester*