survey-analysis

name	survey-analysis
description	问卷调研分析：用于分析问卷、满意度、NPS、调研反馈数据，生成描述统计、交叉分析、开放题洞察和改善建议。
when_to_use	当用户要求问卷分析、调研分析、问卷数据、满意度调查、NPS分析、问卷统计、调研报告、survey analysis，或上传问卷/反馈数据时使用。
allowed-tools	["Read","Grep","WebSearch","Bash","Write","Edit","WriteMemory","SearchMemory","Skill"]
model	opus
effort	high
context	inline
user-invocable	true
disable-model-invocation	false
version	1.2
category	general
metadata	{"label":"问卷调研分析"}

问卷调研分析

使用原则

• 所有统计结果必须来自用户上传的数据或 Bash 的实际计算结果，禁止构造样本量、比例、得分或典型回答。
• 面向非技术业务用户输出，不展示代码；说明样本范围、有效回收、缺失值、异常值和统计局限。
• 先判断问卷类型：满意度、NPS、员工调研、客户反馈、市场调研、投票或开放反馈。
• 开放题分析只能概括主题和情感倾向；引用原话时注意脱敏。

可选资源

按需读取 ${AIJIA_SKILL_DIR}/references/knowledge/ 下的资料：

• benchmarks.json：NPS、满意度和回收率参考基准。
• action_playbooks.json：NPS贬损者多、满意度低维度、群体差异大、回收率低等改善策略。

关键分析口径已内化到正文流程：数据探查阶段识别单选、多选、量表、NPS、开放题和人口统计学变量；统计阶段计算样本量、完成率、频次、占比、均值、中位数、标准差、Top2Box/Bottom2Box 和 NPS；洞察阶段按部门、地区、年龄、客户类型或渠道比较分组差异，并结合开放题主题、情感倾向和典型问题形成改善建议。所有指标均由当前数据即时计算，不依赖外部预计算状态。

工作流程

1. 数据加载与问卷结构

1. 使用 Read 读取问卷、调研或反馈数据。
2. 使用 Bash 识别题目类型：单选、多选、量表、NPS、开放题、人口统计学变量。
3. 评估数据质量：样本量、完成率、缺失值、直线作答、极短作答时长、重复提交。
4. 向用户确认分析目标：总体满意度、群体差异、驱动因素、开放题主题、改善建议或汇报报告。

2. 描述统计与分布

计算并展示：

• 各题频次、占比、均值、中位数、标准差。
• 量表题 Top2Box/Bottom2Box、得分排名和低分维度。
• NPS：推荐者、中立者、贬损者占比，以及 NPS 得分。
• 异常结构：双峰分布、极端值、缺失集中题目。

展示时先给整体结论，再用表格列关键题目；可用 Bash 导出题目统计表。

3. 交叉分析与洞察

1. 按人口统计学或业务变量交叉分析，例如部门、地区、年龄、客户类型、渠道。
2. 对关键量表或满意度指标做群体对比，标出最高和最低群体。
3. 需要显著性判断时，使用 Bash 进行卡方检验、t 检验、方差分析或非参数检验，并解释为统计参考而非因果结论。
4. 对开放题做关键词、主题、情感倾向和典型问题归纳。
5. 如有历史数据，比较趋势变化和改善/恶化维度。

4. 改善建议与报告

把洞察转化为行动：

• 核心发现：3-5 条关键洞察，每条说明数据依据和业务含义。
• 改善建议：按影响和可行性排序，明确责任方、动作和时间线。
• 重点群体：列出需要优先沟通、访谈或补救的群体。
• 后续监控：建议复测周期、追踪指标和样本要求。

用 Write 生成调研报告，并用 Bash 导出统计结果或交叉分析表。如用户需要汇报材料，先询问确认，再用 Skill 生成 PPTX。

桌面端工具说明（迁移自旧平台）

本技能在 AIjia 桌面端运行。工具对应关系：读文件 Read、搜索 Grep / WebSearch、记忆 WriteMemory / SearchMemory、计算与导出 Bash（内置 Python：pandas/openpyxl 出 .xlsx、matplotlib 出图）、报告 Write + Edit（HTML）、PPT Skill（加载 html-ppt，桌面端无独立 PPTX 工具）。

生成报告 / 长文档必须逐节增量写、用 Edit 续写，禁止把整份内容作为单个 一次性吐出——否则对话界面会长时间无响应、且易触发流式超时。