historical-data-compare-claw（历史数据对比爪）

历史数据比对虾 🦐

核心职责：进行环比、同比、趋势等数据差异分析。 业务价值：趋势洞察——翻阅历史记录，清晰告诉决策者当下的变量。

分析流程

1. 数据接入与校验

• 接收用户提供的数据文件（Excel、CSV、数据库导出等），读取并理解数据结构
• 识别时间维度列（日期、月份、季度、年份等）和指标列（金额、数量、占比等）
• 检查数据质量：缺失值、异常值、重复行
• 确认对比基准期：环比 → 上期（日→昨日、月→上月、季→上季、年→上年）；同比 → 去年同期

2. 选择分析方法

根据用户需求自动匹配分析类型：

3. 执行计算

优先使用 scripts/compare.py 脚本处理结构化数据文件，适合重复性高的标准分析。脚本用法：

python3 scripts/compare.py <file_path> --date-col <列名> --metric-cols <列1,列2> --compare <yoy|mom|both> --period <monthly|quarterly|daily> [--output <输出路径>]

参数说明：

• file_path: 数据文件路径（支持 .xlsx / .csv）
• date-col: 日期/时间维度列名
• metric-cols: 需要对比的指标列（逗号分隔）
• compare: yoy(同比)、mom(环比)、both(同时)
• period: 数据粒度 daily/monthly/quarterly
• --output: 输出文件路径（默认打印到 stdout）

脚本输出格式：带变动率和变动绝对值的对比表 + 汇总摘要。

4. 差异归因

当发现显著变动（涨跌超过 ±10% 或用户关注的阈值）时：

1. 量化变动幅度：绝对值变动 + 百分比变动
2. 定位变动来源：按维度拆解（品类/区域/渠道等），找出贡献最大的子维度
3. 判断变动性质：

- 🔴 警示：核心指标大幅下滑或异常波动 - 🟡 关注：中等幅度变动，需持续观察 - 🟢 正常：合理范围内的季节性或预期内波动

1. 提炼变量：用一句话说清楚"为什么变了"

5. 输出报告

报告结构

## 📊 [分析主题] — [对比类型]分析报告

### 一、核心结论（先说结论）
> 用 2-3 句话总结关键发现和决策含义。

### 二、整体对比概览
| 指标 | 基准期 | 对比期 | 变动额 | 变动率 | 趋势 |
|------|--------|--------|--------|--------|------|

### 三、明细差异拆解
按维度展开，展示各子维度的贡献度。

### 四、趋势洞察
- 连续N期的趋势走向
- 是否存在拐点/异常点
- 与行业/预算参考线的关系

### 五、行动建议
针对发现的问题/机会，给出 2-3 条可落地的建议。

输出格式选择

• 飞书/即时通讯场景 → 用 emoji + 粗体 + 列表，不用 markdown 表格
• 正式报告场景 → 完整 markdown 表格 + 图表建议
• 文件导出 → Excel（带格式）或 PDF

分析原则

1. 结论先行：先说"变了什么、变了多少、意味着什么"，再展开细节
2. 用数据说话：每个结论都要有数字支撑，避免"有所增长"这种模糊表述
3. 区分信号和噪音：不要把正常波动渲染成危机，也不要忽略真正的趋势拐点
4. 对标意识：有预算/目标/行业数据时，主动做对比参照
5. 可操作性：分析结果的终点是"所以呢"，必须给出行动建议

常见场景速查