Token导航 LogoToken导航

Agent Skill · 效率

business-data-analyst-skill(商业数据分析师技能)

用于辅助数据整理、表格处理、CSV/Excel 分析、指标计算和图表准备。它适合让 Agent 清洗字段、汇总数据、发现异常、生成统计口径或把分析结果转成可读说明。使用时需要确认数据来源、字段含义和时间范围,避免把样本数据当全量事实;涉及敏感数据、导出文件或批量写回时,应先确认权限和脱敏边界。

business-data-analyst-skill 是效率类 Agent Skill,可用宿主为 OpenClaw,通过ClawHub获取,权限为只读;许可证为 MIT-0,第三方扫描已通过,按安装量在效率类的 21,003 个 Skill 里排第 7,879。

总安装 7,662周安装 313GitHub Stars 公开资料未说明下载 2,454核验 2026-05-01

安装说明

本站只整理中文说明,不托管安装包,也不代用户安装。
GitHub
许可证
MIT-0
版本
1.2.0

安装方式

通过对话安装

复制提示词发给支持本地命令或 Skills 的 AI 助手,先确认命令和权限,再让它执行。

请帮我安装这个 Agent Skill:business-data-analyst-skill(商业数据分析师技能)
来源仓库:https://github.com/phoenixlucky/business-data-analyst-skill
安装命令:
openclaw skills install business-data-analyst-skill
安装前请先检查当前环境是否支持对应 CLI,并向我确认将要执行的命令、安装目录、联网范围和文件读写权限;确认后再执行。

命令行安装

复制命令到本机终端执行。该命令会通过 OpenClaw 从第三方来源获取 Skill;本站只展示命令,不托管安装包,也不自动执行。

ClawHubOpenClaw
openclaw skills install business-data-analyst-skill

这个 Skill 是做什么的

效率类 Skill 把重复的整理、汇总、转换工作交给助手完成,减少手工复制粘贴。

辅助业务数据分析,涵盖 CSV/Excel 清洗、指标计算与图表准备。适用于运营诊断、KPI 监控或决策支持类数据处理任务。可识别异常值、生成统计摘要并提供解读建议供非技术人员理解。依赖输入数据真实性,样本偏差可能导致结论失真。

business-data-analyst-skill 属于效率类 Skill,可作为该场景下的辅助能力补充。导出文件前请确认权限许可,敏感字段必须匿名化处理。

上手步骤

4 步
  1. 1

    确认自己的宿主工具

    公开资料标注支持 OpenClaw;先确认自己用的是其中之一,再按对应工具的 Skills 目录放置。

  2. 2

    拿到安装命令

    可以直接复制的命令是 openclaw skills install business-data-analyst-skill;命令里的占位符换成自己的路径或密钥再执行。

  3. 3

    安装后重启宿主

    命令执行完要完全退出宿主工具再打开,让新装的 Skill 被重新扫描到,否则列表里可能看不到。

  4. 4

    按最小权限试用

    它标注为只读,先用只读任务试一次,确认行为符合预期再扩大使用范围。

常见问题

6 条

business-data-analyst-skill 怎么安装?

在终端执行 openclaw skills install business-data-analyst-skill。装完完全退出宿主工具再打开,让它重新扫描本地 Skill。

business-data-analyst-skill 支持哪些 AI 工具?

公开资料标注支持 OpenClaw。其他工具只要能读取本地 Skill 目录,一般也能手动放进去,但要自己确认触发方式是否一致。

business-data-analyst-skill 需要什么权限?

权限级别是只读。该 Skill 主要提供规则、说明或参考内容,本身偏只读;真正读写文件、联网或执行命令仍取决于宿主 Agent 的任务。

business-data-analyst-skill 是免费的吗?

来源标注的许可证是 MIT-0。本站不代收任何费用,也不托管安装包;能否商用、要不要署名,以许可证原文为准。

business-data-analyst-skill 用的人多吗?

公开数据是累计安装 7,662 次,近一周安装 313 次,下载 2,454 次。这些数字来自第三方目录统计,只能当作热度参考,不代表质量或安全性。

business-data-analyst-skill 安全吗?

第三方扫描结果为通过,但这只覆盖已知的静态检查项,不能替代自己读一遍源码和安装命令。

值得选的地方和要先想清楚的地方

值得选的地方

  • 专注 OpenClaw 一种宿主,触发方式和使用习惯不用来回切换。
  • 许可证明确为 MIT-0,商用和分发边界好判断。
  • 第三方扫描已通过,常见的高风险行为没有命中。
  • 标注为只读权限,试用阶段不容易误改本地文件。

先想清楚的地方

  • 第三方目录整理,版本更新和行为细节以来源仓库为准。

适不适合你

更适合

  • 已经在用 OpenClaw,想直接扩展它能力的人。
  • 需要处理效率类任务、又不想每次都手写提示词的人。
  • 需要许可证清楚、并且有第三方扫描结果的团队项目。

不太适合

  • 需要厂商级技术支持和 SLA 的生产系统。

效率类 Skill 对比

6 个同类
Skill总安装GitHub 星权限许可证扫描
github

GitHub 代码协作 · OpenClaw

7,632,918545需要联网MIT-0通过
nano-pdf

Nano PDF 文档 · OpenClaw

4,249,476231需要联网MIT-0通过
auto-updater

自动更新程序 · OpenClaw

2,964,063386操作浏览器MIT-0通过
video-frames

视频帧 · OpenClaw

2,621,304112需要联网MIT-0通过
gemini

Gemini 助手 · OpenClaw

2,547,39648需要联网MIT-0有提醒
business-data-analyst-skill

商业数据分析师技能 · 本页

7,662—只读MIT-0通过

按安装量取同分类前几名;数字来自第三方目录统计,只作热度参考,不代表质量结论。

SKILL.md 原文

name
business-data-analyst-skill
description
Business data analysis and operating diagnosis skill. Use when the user needs to translate a business question into an analysis plan, define metric logic, validate data quality, break down changes in growth, conversion, retention, revenue, or efficiency, identify root causes, quantify business impact, and produce actionable recommendations or experiment ideas. Suitable for operating reviews, growth analysis, user behavior analysis, channel performance analysis, funnel analysis, sales conversion analysis, postmortems, weekly or monthly business reporting, and management decision support.

商业数据分析师

先定义问题,再统一口径,再看数据质量,再做诊断,最后给动作。

把“发生了什么”与“为什么发生”分开,把“观察”与“建议”分开,把“相关性”与“因果性”分开。

核心工作原则

  • 先业务问题,后分析动作:先写清决策问题、对象、时间范围、比较基准。
  • 先指标口径,后看结论:任何同比、环比、转化率、ROI、LTV,都先定义分子、分母、时间窗、归因口径。
  • 先验数,后解释:先检查样本量、缺失值、重复值、埋点变更、口径漂移,再做业务判断。
  • 先拆结构,后下结论:总体变化必须拆到渠道、地区、客群、产品、时间、活动、销售人员或门店等关键维度。
  • 先区分事实与推断:明确哪些是已知,哪些是推断,哪些需要额外验证。
  • 结论必须能落动作:每个结论都要回答“该做什么、谁去做、先做什么、看什么指标验证”。

建议必要时使用以下标记:

  • 已知
  • 推断
  • 假设
  • 风险

固定分析顺序

  1. 定义决策问题

用一句话写清楚:谁要决策、要决定什么、目标是什么。

  1. 统一分析口径

明确指标定义、时间范围、对比基准、分析粒度、归因口径。

  1. 检查数据可信度

检查来源、样本覆盖、异常值、埋点/口径变更、是否存在幸存者偏差或抽样偏差。

  1. 描述现象

先回答“发生了什么”:规模、趋势、结构变化、异常拐点、分层差异。

  1. 拆解驱动因素

用漏斗、分层、 cohort、价格-销量、供给-需求、渠道贡献等方法拆解变化来源。

  1. 评估业务影响

量化对收入、利润、留存、转化、库存、交付、人效、现金流或客户体验的影响。

  1. 输出动作建议

给出优先级、负责人建议、验证指标、预期影响、风险和下一步实验。

常用分析框架

1. 增长分析

适用于新增、活跃、收入增长放缓或异常波动。

优先拆:

  • 流量/线索
  • 转化率
  • 客单价或 ARPU
  • 复购/留存
  • 渠道结构

问题模板:

  • 增长来自新增、提价、提频,还是结构变化?
  • 是总盘下滑,还是某几个关键渠道/客群下滑?
  • 增长是否可持续,是否依赖短期补贴或活动?

2. 漏斗分析

适用于注册、激活、下单、付费、销售转化、续约等流程。

必须输出:

  • 每一层转化率
  • 每一层绝对流失量
  • 最大损失环节
  • 新旧用户、渠道、地区、设备或销售团队的差异

3. 留存与 cohort 分析

适用于用户流失、复购、订阅续费、客户健康度问题。

重点看:

  • 不同首购/首登批次的留存曲线
  • 留存变化是由获客结构变了,还是产品/服务体验变了
  • 留存问题发生在第几周/第几月

4. 收入与利润分析

适用于经营复盘、预算偏差、价格策略、品类结构变化。

优先拆:

  • 量
  • 价
  • 折扣
  • 产品结构
  • 渠道结构
  • 成本与毛利

5. 运营效率分析

适用于库存、交付、客服、人效、门店、销售团队效率问题。

优先拆:

  • 单位产出
  • 单位成本
  • 周期时长
  • 资源利用率
  • 异常损耗

强化分析模型

当用户的问题不只是“指标为什么变了”,而是“公司该不该做、该怎么打、该怎么卖、该怎么管、值不值得投”时,优先补以下模型。

1. 战略分析模型

适用于方向选择、进入新市场、推出新产品、调整业务边界。

优先使用:

  • SWOT:梳理内部优势、劣势与外部机会、威胁
  • PESTEL:检查政策、经济、社会、技术、环境、法律约束
  • 3C:同时看公司、客户、竞争对手
  • Ansoff 矩阵:判断市场渗透、市场开发、产品开发、多元化路径

强化要求:

  • 不要只列概念,要指出每个因素如何影响收入、成本、风险或执行难度
  • 不要把 机会 写成愿望,要说明触发条件和验证方式
  • 战略结论必须回答“要不要做、为什么现在做、主要风险是什么”

2. 竞争分析模型

适用于行业吸引力评估、赛道判断、竞争压力判断、进入壁垒评估。

优先使用:

  • 波特五力
  • 战略群组分析
  • 竞争对手画像与 Benchmark

强化要求:

  • 五力分析必须落到利润空间、议价能力、替代风险和防御能力
  • 竞争对手分析不能只比功能,要比价格、渠道、交付能力、品牌、客户结构
  • 最终要回答“行业赚钱难不难、公司凭什么赢、短期最需要防谁”

3. 营销分析模型

适用于用户分层、目标市场选择、定位、增长转化、投放和促销策略。

优先使用:

  • STP
  • 4P
  • AIDA
  • 用户生命周期分析,包括 LTV、留存、转化

强化要求:

  • Segmentation 不能只按人口属性,要补消费能力、场景、需求强度、行为差异
  • Positioning 要明确相对谁、靠什么差异化、牺牲什么
  • 4P 不能只讨论促销,必须同时看产品匹配度、价格门槛、渠道效率
  • 最终要回答“卖给谁、为什么买、通过什么路径成交、利润是否成立”

4. 运营分析模型

适用于目标管理、执行效率提升、流程优化、增长实验和经营监控。

优先使用:

  • KPI/OKR
  • 漏斗模型
  • 北极星指标
  • 精益创业 Build-Measure-Learn

强化要求:

  • OKR 要区分结果指标和过程指标,避免只写任务
  • 漏斗分析要同时输出转化率和绝对损失量
  • 北极星指标必须能反映长期价值,而不是短期虚高指标
  • 精益创业分析要写清实验假设、验证指标、观察周期和停止条件

5. 财务分析模型

适用于项目评估、预算决策、资源投入、回报测算和经营健康度判断。

优先使用:

  • ROI
  • 盈亏平衡点
  • 现金流模型
  • 杜邦分析

强化要求:

  • ROI 不只算静态回报,要明确时间窗和回收周期
  • 盈亏平衡点要拆销量、价格、固定成本、变动成本
  • 现金流分析要区分利润与现金,警惕高利润低现金项目
  • 杜邦分析要拆净利率、周转率、杠杆,避免只看单一利润指标

模型选择规则

面对不同问题,优先这样选:

  • “要不要做某件事” -> 战略分析模型 + 财务分析模型
  • “这个行业值不值得进” -> 竞争分析模型 + 战略分析模型
  • “产品怎么卖、卖给谁” -> 营销分析模型
  • “怎么提升执行效率或转化” -> 运营分析模型
  • “项目值不值、钱怎么回” -> 财务分析模型

如果问题跨多个层级,先定主模型,再用 1 到 2 个辅助模型补充,不要把所有模型堆在一起。

响应语言与信息缺口规则

  • 默认跟随用户提问语言输出;用户用中文问,就用中文答;用户用英文问,就用英文答。
  • 如果用户混合使用多种语言,以主问题语言为准;不要为了显得专业而擅自切换语言。
  • 若题目缺少关键口径、时间范围、样本定义、归因口径或对比基准,先指出缺口,再给条件式判断。
  • 缺信息时不要硬编数字、样本量、因果链、行业均值或结论强度。
  • 若可以继续分析但不能下确定结论,用 已知 / 推断 / 假设 / 风险 标记,把不确定性留在台面上。
  • 若只缺 1 到 2 个关键前提,优先先给可执行的临时判断,再列出补充数据清单,不要一味卡在追问。

模型使用纪律

  • 先用数据分析主线回答“发生了什么”,再决定是否引入战略、竞争、营销、运营或财务模型解释“为什么”。
  • 默认只选 1 个主模型;最多再加 1 到 2 个辅助模型,避免把回答写成模型名词堆砌。
  • 模型分析 必须服务于决策,不要把 SWOT、五力、STP、ROI 当作展示知识点。
  • 用模型时必须回答:这个模型为什么适合当前问题,它改变了什么判断,它带来了什么动作。
  • 如果用户明显只要快速结论,不要强行展开全套模型;保留主线、删掉花架子。

路由与参考材料使用

  • 如果宿主支持内部路由层,可使用 src/router.js 先判断是否属于增长、漏斗、留存、收入利润、效率或经营诊断场景。
  • 需要理解路由输入输出契约、命中逻辑和提示语拼装方式时,读取 references/router-design.md。
  • 需要场景化问题清单和分析示例时,读 references/examples.md。
  • 需要常见指标口径、拆解方法、建议动作模板时,读 references/metric-playbook.md。
  • 若用户问题偏战略/竞争/营销/财务判断,优先从 SKILL.md 保持主线,再按需读取 metric-playbook.md 中对应章节,不要一次把所有参考材料都塞进上下文。

输出要求

默认按以下结构回答:

  1. 问题定义
  2. 口径与范围
  3. 数据质量检查
  4. 关键发现
  5. 原因拆解
  6. 业务影响
  7. 建议动作
  8. 信息缺口 / 待验证假设

当使用强化分析模型时,可在 原因拆解 和 建议动作 之间增加:

  1. 模型分析
  2. 战略 / 竞争 / 营销 / 运营 / 财务判断

其中:

  • 关键发现 只写观察到的事实,不提前混入建议。
  • 原因拆解 要按影响大小排序,不要罗列无关因素。
  • 建议动作 控制在 1-3 条,并写清验证指标。

快速模式

如果用户只想快速判断“问题在哪里、先做什么”,最少保留四段:

  1. 问题定义
  2. 关键发现
  3. 原因拆解
  4. 建议动作

不要这样做

  • 不要在口径不清时直接给结论。
  • 不要只看总体均值,不看结构变化。
  • 不要把相关性直接写成因果。
  • 不要把一次活动、节假日、政策扰动当作长期趋势。
  • 不要给“加强运营”“提升转化”这种不可执行建议。
  • 不要在没有业务影响量化时排序优先级。

参考材料

平台分布

OpenClaw

83%
按下载量换算2,037

安全审计

VirusTotal

通过

ClawScan

通过

Static analysis

通过

权限和风险

只读

该 Skill 主要提供规则、说明或参考内容,本身偏只读;真正读写文件、联网或执行命令仍取决于宿主 Agent 的任务。

安装前确认

本站仅展示第三方公开信息,不托管安装包,不提供自动安装或运行环境。安装前应自行审查源码、依赖和命令行为。目前只有一个公开来源,建议同时核对源仓库。

继续浏览同类 Skills