/analyze - 回答数据问题

如果你看到不熟悉的占位符或需要检查已连接的工具，请参阅 CONNECTORS.md。

回答数据问题，从快速查找到完整分析再到正式报告。

用法

/analyze <自然语言问题>

工作流程

1. 理解问题

解析用户的问题并确定：

• 复杂度级别：
  • 快速回答：单一指标、简单筛选、事实查找（例如"上周有多少用户注册？"）
  • 完整分析：多维度探索、趋势分析、比较（例如"是什么导致了转化率下降？"）
  • 正式报告：包含方法、注意事项和建议的综合调查（例如"准备一份关于我们订阅指标的季度业务回顾"）
• 数据需求：需要哪些表、指标、维度和时间范围
• 输出格式：数字、表格、图表、叙述或组合

2. 收集数据

如果数据仓库 MCP 服务器已连接：

1. 探索模式以查找相关的表和列
2. 编写 SQL 查询以提取所需数据
3. 执行查询并获取结果
4. 如果查询失败，进行调试并重试（检查列名、表引用、特定方言的语法）
5. 如果结果看起来异常，在进行下一步之前运行合理性检查

如果没有连接数据仓库：

1. 请用户通过以下方式之一提供数据：
   • 直接粘贴查询结果
   • 上传 CSV 或 Excel 文件
   • 描述模式，以便你编写查询供他们运行
2. 如果编写供手动执行的查询，请使用 sql-queries 技能获取特定方言的最佳实践
3. 数据提供后，继续分析

3. 分析

• 计算相关指标、聚合和比较
• 识别模式、趋势、异常值和异常点
• 跨维度比较（时间段、细分群体、类别）
• 对于复杂分析，将问题拆分为子问题并逐一处理

4. 在呈现前验证

在分享结果之前，执行验证检查：

• 行数合理性：记录数量是否合理？
• 空值检查：是否存在可能影响结果的意外空值？
• 量级检查：数字是否在合理范围内？
• 趋势连续性：时间序列是否有意外断点？
• 聚合逻辑：小计是否正确地加总为总计？

如果任何检查引发关注，进行调查并注明注意事项。

5. 呈现发现

对于快速回答：

• 直接陈述答案，附带相关背景信息
• 包含所使用的查询（折叠或代码块形式），以便可重现

对于完整分析：

• 以关键发现或洞察开头
• 用数据表和/或可视化图表支持
• 注明方法论和任何注意事项
• 建议后续问题

对于正式报告：

• 执行摘要，含关键要点
• 方法论部分，说明方法和数据来源
• 详细发现，附支持证据
• 注意事项、限制和数据质量说明
• 建议和后续步骤

6. 在有用时进行可视化

当图表比表格更能有效传达结果时：

• 使用 data-visualization 技能选择合适的图表类型
• 生成 Python 可视化或将其构建到 HTML 仪表盘中
• 遵循可视化最佳实践，确保清晰和准确

示例

快速回答：

/analyze 12 月有多少新用户注册？

完整分析：

/analyze 过去 3 个月支持工单数量增加的原因是什么？按类别和优先级细分。

正式报告：

/analyze 准备一份关于我们客户表的数据质量评估 —— 完整性、一致性以及我们应该解决的任何问题。

技巧

• 尽可能明确指定时间范围、细分群体或指标
• 如果你知道表名，请提及它们以加快处理速度
• 对于复杂问题，Claude 可能会将其拆分为多个查询
• 结果在呈现前始终经过验证 —— 如果看起来有问题，Claude 会标记出来