通过结构化的 AI 引导，快速完成从数据清洗到业务洞察交付的全过程。
详细介绍
Data Analytics Skills for Claude
31 个可移植的 AI 驱动技能，让 Claude 成为你的亲自动手分析伙伴。无需设置，适用于任何公司或行业。
仓库里有什么？
一个结构化的 技能 库（可复用的指令集），Claude 按需激活，帮助完成分析师工作流的每个阶段：从数据质量检查和深度分析，到文档和仪表盘，直至利益相关者沟通。
技能地图
完整技能地图以交互式图表形式提供：
打开交互式版本
为什么这些技能与众不同
传统的 AI 助手需要大量预先配置——模式、指标定义、业务规则——然后才能发挥作用。 这些技能按需工作。
传统方式
这些技能
使用前需要准备
零设置要求
业务规则变化时失效
自然适应
公司特定，难以共享
可跨组织移植
对假设保持沉默
告诉你哪些上下文重要
每个技能会提出有针对性的问题来收集所需信息，然后执行完整的结构化工作流。
技能分类
01 数据质量与验证（5 个技能）
基础——处理新数据时从此处开始。
技能
功能
programmatic-eda
系统性探索性数据分析，自动进行合理性检查
data-quality-audit
基于业务规则和模式的全面质量评估
query-validation
SQL 审查，检查正确性、性能和边界情况
schema-mapper
理解数据库关系和表结构
metric-reconciliation
调查指标来源之间的差异
02 文档与知识（5 个技能）
构建可复用的上下文，避免重复解释同一件事。
技能
功能
semantic-model-builder
为关键指标和维度创建共享语义层
analysis-documentation
使用可复现的方法记录分析发现
data-catalog-entry
为数据资产创建标准化元数据和描述
sql-to-business-logic
将复杂 SQL 翻译为通俗的业务语言
analysis-assumptions-log
跟踪分析中的每个假设和决策
03 数据分析与调查（7 个技能）
分析重担的核心工作流。
技能
功能
cohort-analysis
基于时间的队列跟踪，包含留存曲线
segmentation-analysis
客户/用户细分，生成可操作的画像
funnel-analysis
转化漏斗，包含流失根因分析
time-series-analysis
趋势检测、季节性分析和预测
root-cause-investigation
对意外指标变化进行结构化诊断
ab-test-analysis
严格的实验分析，包含显著性检验
business-metrics-calculator
标准业务指标计算，附带基准
04 数据叙事与可视化（5 个技能）
将原始发现转化为推动决策的洞察。
技能
功能
insight-synthesis
将分析输出结构化为清晰的业务洞察
visualization-builder
图表类型选择、设计指导和规范生成
executive-summary-generator
为复杂分析生成简洁的、面向高管的摘要
dashboard-specification
完整的仪表盘需求，包含指标和布局
data-narrative-builder
从分析发现中构建引人入胜的故事线索
05 利益相关者沟通（5 个技能）
弥合技术深度与业务理解之间的鸿沟。
技能
功能
technical-to-business-translator
将技术发现转化为面向业务受众的表述
stakeholder-requirements-gathering
结构化需求收集，澄清利益相关者真正需要什么
analysis-qa-checklist
在分享结果之前进行交付前质量检查
methodology-explainer
向任何受众层级解释分析方法
impact-quantification
估算并框架化分析结果的业务影响
06 工作流优化（4 个技能）
在每个项目中更聪明地工作。
技能
功能
analysis-planning
在深入之前先结构化方法
context-packager
高效打包上下文，用于 AI 辅助分析
peer-review-template
分析工作的结构化同行评审检查清单
analysis-retrospective
分析后学习和流程改进
快速开始
自然地描述你的任务给 Claude，它会自动选择并激活合适的技能。无需斜杠命令。
示例：
你: "我需要了解为什么我们的激活率上周下降了12%"
Claude: [激活 root-cause-investigation，询问指标数据和上下文]
你: [提供数据和业务背景]
Claude: [运行结构化调查，进行假设检验]
应该从哪个技能开始？
你需要…
从这里开始
探索不熟悉的数据集
programmatic-eda → data-quality-audit
编写或审查 SQL
query-validation + schema-mapper
了解指标下降/飙升原因
root-cause-investigation
分析实验结果
ab-test-analysis
构建仪表盘
dashboard-specification + visualization-builder
向领导层汇报
executive-summary-generator + insight-synthesis
记录你的方法
analysis-documentation + analysis-assumptions-log
开始复杂分析
始终先使用 analysis-planning
技能工作原理
每个技能遵循相同的 按需上下文模式 ：
请求最小可行上下文 — Claude 只询问开始所需的关键信息
执行工作流 — 结构化的、逐步的分析过程
揭示假设 — 任何不确定的内容都会被标记，而不是默默假设
交付一致的结果 — 模板化的结果，你可以分享或迭代改进
技能优雅降级：如果你无法提供所有信息，Claude 会说明它正在假设什么，然后继续执行。
自定义
技能开箱即用。如果要使其公司特定化，可在任何技能内添加 references/ 文件夹，结构如下：
skill-name/
├── SKILL.md
└── references/
├── company-schema.md ← 你的表/列定义
├── metric-definitions.md ← 标准指标公式
└── business-rules.md ← 阈值、边界情况等
当技能运行时，Claude 会自动拉取这些上下文。
建议的逐步提升计划
第 1 周 — 熟悉上手
在熟悉的数据集上运行 programmatic-eda
练习在 Claude 提问时提供上下文
在下一个项目开始时使用 analysis-planning
第 2–3 周 — 添加核心工具集
为你的关键指标设置 semantic-model-builder （永久节省时间）
将 query-validation 添加到你的 SQL 工作流中
选择 2 个与你领域匹配的分析技能
第 4 周以上 — 进阶
在一个完整项目中端到端串联 4–5 个技能
为你最常用的技能添加公司特定的参考文件
构建团队上下文文档，用于共享入职
试试这样做
- 我需要分析上周激活率下降 12% 的原因，请帮我进行根因调查。
- 请帮我针对当前的销售数据进行一次全面的探索性数据分析 (EDA)。
- 我需要向非技术背景的高管汇报本次分析结果，请帮我将技术细节转化为业务洞察。
作者：nimrodfisher 职场人 / 所有人 ｜ GitHub Stars 318 ｜ 标签：数据分析 知识管理 已认证 开源许可: 未知 License
来源：colaos.ai ｜ Skill ID：data-analytics-skills
留言 0
还没有留言，快来抢沙发