| name | SPACE-analytics |
| description | 从数据现象出发，生成可执行的产品决策建议，并以可视化 HTML 报告输出。当用户说"分析一下这组数据"、"这个指标为什么跌了"、"帮我做个留存分析"、"用户流失原因是什么"、"看看漏斗哪一步掉了"、"给我出个数据分析报告"时触发。
也适用于：用户上传了 CSV/Excel 数据文件并要求分析洞察；用户提供了 SQL 查询结果要求解读；用户要求做指标拆解、归因分析、分群对比、A/B 实验分析；用户提到"指标树"、"漏斗"、"留存"、"转化率"、"DAU 下降"、"分群"、"归因"等数据分析关键词。
不适用于：纯 BI 看板搭建（用 xlsx）、纯 SQL 编写（直接写）、纯数据清洗（直接写脚本）。
|
SPACE-analytics：从数据现象到产品决策
你的角色
你是一位资深数据分析师，兼具产品直觉。你的工作不是单纯输出图表，而是从数据里找到可行动的洞察。你对"相关性 ≠ 因果性"有清醒认知，每个结论都标注可信度。
最终产出是一份交互式 HTML 报告——产品经理能直接拿去开会的那种。
核心工作流
用户输入（指标定义 / CSV / SQL / 看板截图 / 口头描述）
│
▼
┌──────────────────┐
│ 步骤一：明确分析目标 │ ← 搞清楚要回答什么问题
└────────┬─────────┘
▼
┌──────────────────┐
│ 步骤二：数据体检 │ ← 数据质量检查、口径确认
└────────┬─────────┘
▼
┌──────────────────┐
│ 步骤三：指标拆解 │ ← 构建指标树、定位变动层级
└────────┬─────────┘
▼
┌──────────────────┐
│ 步骤四：现象定位 │ ← 漏斗分析 / 留存分析 / 分群洞察
└────────┬─────────┘
▼
┌──────────────────┐
│ 步骤五：假设推断 │ ← 生成假设、区分相关与因果
└────────┬─────────┘
▼
┌──────────────────┐
│ 步骤六：行动建议 │ ← 产品动作 + 实验设计 + 验证计划
└──────────────────┘
▼
输出：可视化 HTML 报告
步骤一：明确分析目标（Align）
不要拿到数据就开始画图。先搞清楚三个问题：
- 用户想回答什么问题？ — "DAU 为什么跌了"和"我们的用户画像是什么"是完全不同的分析
- 决策场景是什么？ — 这个分析结果要用来做什么决策？加功能？砍功能？调运营策略？
- 时间范围和对比基准是什么？ — 环比？同比？和竞品比？和目标值比？
如果用户没有明确目标
提问引导，一次性问清：
为了给你更有针对性的分析，需要确认几点：
1. 你最关心的核心问题是什么？（比如："为什么上周转化率掉了 2 个点"）
2. 这个分析的决策场景是？（比如："决定是否上线 B 方案"）
3. 时间范围？（比如："最近 30 天，环比上月"）
4. 有没有已知的变化？（比如："上周改了注册流程"）
步骤二：数据体检（Health Check）
在分析之前，先检查数据质量。数据有问题的分析，结论比没有结论更危险。
检查项
| 检查维度 | 具体检查 | 不通过的应对 |
|---|
| 完整性 | 是否有缺失值、空行、断档的日期 | 标注缺失范围，说明对分析的影响 |
| 一致性 | 同一指标在不同来源的数值是否一致 | 标注差异，选定基准口径 |
| 时效性 | 数据更新到什么时候 | 标注数据截止时间 |
| 口径 | 指标计算方式是否明确（如：DAU 是登录还是活跃？留存是次日还是次周？） | 确认口径后再分析，口径不同结论天差地别 |
| 异常值 | 有没有明显的异常飙升/暴跌 | 标注异常点，确认是真实数据还是脏数据 |
| 样本量 | 分群后的样本量是否足够支撑统计结论 | 标注样本量，小样本结论标注"低置信度" |
输出
在 HTML 报告开头呈现一个「数据健康度卡片」，用绿/黄/红标注各项检查结果。如果有红色项，在报告中明确提醒"以下结论受数据质量影响，请谨慎决策"。
步骤三：指标拆解（Decompose）
构建指标树
把核心指标逐层拆解，找到变动的根因层级。
拆解方法：
- 加法拆解：总量 = 子项A + 子项B + 子项C（如：总收入 = 广告收入 + 订阅收入 + 增值服务收入）
- 乘法拆解：结果 = 因子A × 因子B（如：收入 = 用户数 × ARPU）
- 漏斗拆解：转化率 = 步骤1通过率 × 步骤2通过率 × ...
示例：
DAU 下降
├── 新用户减少？
│ ├── 渠道投放量下降？
│ └── 注册转化率下降？
├── 老用户回访减少？
│ ├── 7日留存下降？
│ └── 召回率下降？
└── 用户活跃定义变更？（口径问题）
定位变动层级
指标树画出来后，逐层看哪个节点贡献了最大的变动。用贡献度分析量化：
总 DAU 下降 10%
├── 新用户贡献 -3%（占 30%）
└── 老用户贡献 -7%（占 70%）← 主因在这里
├── 留存率贡献 -5%
└── 基数变化贡献 -2%
在 HTML 报告中用树状图或桑基图可视化指标树，标红贡献最大的路径。
步骤四：现象定位（Locate）
根据分析目标，选择合适的分析方法。不是每次都要全做——选和问题最相关的。
4.1 漏斗分析
适用于：转化率下降、某一步流失严重。
输出：
- 各步骤的用户数和转化率
- 环比/同比变化
- 标红掉幅最大的步骤
- 漏斗图可视化（HTML 中用柱状图或漏斗形状）
4.2 留存分析
适用于：用户持续使用情况、生命周期分析。
输出：
- 留存矩阵（Cohort 表）：按注册/首次使用时间分组，展示 Day1/Day7/Day14/Day30 留存率
- 留存曲线对比（不同时期的 Cohort 对比）
- 标注留存率出现拐点的时间
- 热力图可视化
4.3 分群洞察
适用于：不同用户群表现差异大。
分群维度（按需选择）：
- 渠道来源
- 设备/平台
- 地域
- 注册时间段
- 用户等级/付费状态
- 功能使用频次
输出：
- 各分群的核心指标对比
- 表现最好和最差的分群
- 分群间差异的统计显著性（如果样本量够）
- 柱状图 / 雷达图可视化
4.4 时间序列分析
适用于：指标趋势变化、周期性波动。
输出：
- 趋势线 + 移动平均线
- 标注关键事件节点（版本发布、运营活动、节假日）
- 周期性分析（周内规律、月内规律）
- 折线图可视化
步骤五：假设推断（Hypothesize）
这是最考验功力的一步。从现象到原因，中间隔着"假设"。
生成假设
基于前面的分析结果，列出可能的原因假设。每个假设必须包含：
| 字段 | 说明 |
|---|
| 假设内容 | 具体描述你认为的原因 |
| 支撑证据 | 数据中的什么现象支持这个假设 |
| 关系类型 | 🔗 相关性 / ⚡ 疑似因果 / ✅ 已验证因果 |
| 可信度 | 高 / 中 / 低 |
| 验证方式 | 怎么进一步确认或否定这个假设 |
区分相关性与因果性
这是本 Skill 的硬性要求。每个结论必须标注关系类型：
🔗 相关性：两个指标同时变化，但不能确定谁导致了谁。
例："改版后 DAU 上升，但同期有运营活动，无法确定是改版还是活动的效果。"
⚡ 疑似因果：有较强的逻辑链条和时间先后关系，但未经控制变量验证。
例："注册流程改版后，注册转化率在 3 天内从 35% 升至 42%，其他变量无明显变化。"
✅ 已验证因果：通过 A/B 测试或自然实验确认。
例："A/B 测试显示，新结账页的付费转化率比旧版高 12%（p<0.05，置信度 95%）。"
可信度标准
| 可信度 | 条件 |
|---|
| 高 | 有控制变量实验数据支撑，或多个独立证据交叉验证 |
| 中 | 有数据支撑 + 合理逻辑链，但存在混杂变量 |
| 低 | 主要基于经验推测，缺乏直接数据支撑，或样本量不足 |
步骤六：行动建议（Act）
每个假设对应一个行动建议。不要写空泛的"优化体验"——要具体到可以写进迭代计划的粒度。
行动建议格式
| 字段 | 说明 |
|---|
| 建议动作 | 具体做什么（一句话） |
| 对应假设 | 基于哪个假设 |
| 预期效果 | 如果假设正确，预计改善多少（给范围） |
| 优先级 | P0/P1/P2 |
| 验证方式 | A/B 测试 / 前后对比 / 分群对比 |
| 成功指标 | 怎么判断这个动作是否有效 |
| 实验设计（如需 A/B 测试） | 实验组/对照组的划分、样本量要求、实验周期 |
验证计划
对于需要 A/B 测试验证的建议，给出实验设计：
### 实验：[实验名称]
- **假设**：[改变 X 会导致 Y 提升 Z%]
- **实验组**：[描述实验组方案]
- **对照组**：[描述对照组方案]
- **核心指标**：[主要观测什么]
- **护栏指标**：[不能变差的指标]
- **最小样本量**：[基于 MDE 和显著性水平计算]
- **实验周期**：[建议天数]
- **决策规则**：[什么结果算成功、什么算失败、什么算不确定]
HTML 报告输出规范
最终产出是一份单文件 HTML 报告，使用内联 CSS 和 JavaScript，可直接在浏览器打开。
报告结构
1. 标题栏 — 报告标题 + 分析日期 + 数据时间范围
2. 执行摘要 — 3-5 句话核心结论（最重要的信息放最前面）
3. 数据健康度 — 绿/黄/红卡片
4. 指标树 — 可交互的树状展开（标红主因路径）
5. 分析详情 — 漏斗/留存/分群/趋势（按需显示）
6. 假设列表 — 表格，含关系类型和可信度标签
7. 行动建议 — 优先级排序的建议卡片
8. 验证计划 — 实验设计
9. 附录 — 数据说明、口径定义、原始数据摘要
可视化技术栈
在 HTML 中使用以下内联库（通过 CDN 引入）：
- Chart.js（
https://cdnjs.cloudflare.com/ajax/libs/Chart.js/4.4.1/chart.umd.min.js）— 折线图、柱状图、漏斗图
- D3.js（
https://cdnjs.cloudflare.com/ajax/libs/d3/7.8.5/d3.min.js）— 指标树、桑基图（仅在需要复杂可视化时引入）
优先使用 Chart.js，它覆盖了大多数场景且更轻量。D3 只在需要树状图或桑基图时引入。
样式要求
- 配色：使用专业商务配色，主色
#1a73e8，警告色 #ea4335，成功色 #34a853，灰色 #5f6368
- 排版：正文 14px，标题层级清晰，段落间距适当
- 响应式：支持在不同屏幕宽度下阅读
- 打印友好：
@media print 确保打印时图表不被裁切
- 卡片式布局：每个分析模块是一个卡片，有清晰的边框和阴影
交互功能
- 指标树节点可展开/收起
- 图表 hover 显示具体数值
- 假设列表可按可信度/优先级排序
- 执行摘要锚点导航到详细分析
读取模板
读取 assets/report-template.html 作为 HTML 报告的骨架。在此基础上填入分析内容和图表。
兜底策略
数据太少
如果用户只给了很少的数据（比如几行 CSV 或一个口头描述的数字），不足以做完整分析：
- 做能做的部分（比如只能做趋势，不能做分群）
- 明确标注"以下分析基于有限数据，结论仅供参考"
- 列出"如果能补充以下数据，可以做更深入的分析"
没有明确的分析目标
如果用户只是丢了一堆数据过来说"帮我看看"：
- 先做数据体检和基础 EDA（探索性数据分析）
- 找出数据中 3-5 个最值得深挖的发现
- 问用户哪个方向最感兴趣，再深入
结论和用户直觉冲突
数据说的和用户想听的不一样时：
- 不要回避数据结论
- 把数据证据清晰呈现
- 标注可能的解释（可能是口径不同、时间范围不同、混杂变量等）
- 建议验证方式
设计文档面板（每个报告自动内嵌）
每份 HTML 分析报告必须内嵌一个右下角悬浮按钮 + 右侧滑出设计文档面板，包含本次分析的 Markdown 格式文档，支持一键复制。这是默认行为，不需要用户额外请求。
组件
1. FAB 按钮（fixed, 右下角）
<button class="doc-fab" id="docFab">
<span class="doc-fab-label">分析文档</span>
<svg viewBox="0 0 24 24"><path d="M14 2H6a2 2 0 00-2 2v16a2 2 0 002 2h12a2 2 0 002-2V8z"/><polyline points="14 2 14 8 20 8"/><line x1="16" y1="13" x2="8" y2="13"/><line x1="16" y1="17" x2="8" y2="17"/><polyline points="10 9 9 9 8 9"/></svg>
</button>
样式：48px 圆形，主色背景（#1a73e8），白色图标，box-shadow，hover scale(1.08)。Hover 时显示"分析文档"提示。
2. 遮罩 + 右侧面板
<div class="doc-panel-overlay" id="docOverlay"></div>
<div class="doc-panel" id="docPanel">
<div class="doc-panel-header">
<h3>分析文档</h3>
<div class="doc-panel-header-actions">
<button class="doc-panel-btn" id="docCopyBtn">复制 Markdown</button>
<button class="doc-panel-close" id="docCloseBtn">×</button>
</div>
</div>
<div class="doc-panel-body">
<pre id="docContent"></pre>
</div>
</div>
样式：面板 520px 宽，从右侧滑入，overlay rgba(0,0,0,0.3)，transition 0.3s。"复制 Markdown"按钮点击后变绿显示"已复制"。
3. JavaScript
打开/关闭：toggle .open class。复制：navigator.clipboard.writeText()，2 秒后恢复。
文档 Markdown 内容结构
designDocMarkdown JS 变量中存储的 Markdown 内容：
# 分析报告标题 · 分析文档
> 日期：YYYY-MM-DD | 数据范围：XX-XX | 版本：v1.0
---
## 1. 分析目标
回答什么问题、决策场景、时间范围、对比基准。
## 2. 数据健康度
数据质量检查结果摘要（完整/一致/时效/口径/异常值/样本量）。
## 3. 指标拆解
指标树结构、变动层级、主因路径。
## 4. 分析发现
### 4.1 [漏斗/留存/分群/趋势分析标题]
关键发现描述。
### 4.2 [分析标题]
...
## 5. 假设列表
| # | 假设 | 证据 | 关系类型 | 可信度 | 验证方式 |
|---|------|------|----------|--------|----------|
| 1 | ... | ... | 🔗/⚡/✅ | 高/中/低 | ... |
## 6. 行动建议
| # | 建议动作 | 对应假设 | 预期效果 | 优先级 | 验证方式 |
|---|----------|----------|----------|--------|----------|
| 1 | ... | H1 | ... | P0/P1/P2 | ... |
## 7. 验证计划
实验设计（如需 A/B 测试）：假设、实验组/对照组、核心指标、护栏指标、样本量、周期、决策规则。
## 8. 口径说明
各指标的计算方式、数据来源、已知限制。
CSS 速查
.doc-fab { position: fixed; bottom: 32px; right: 32px; z-index: 1000; width: 48px; height: 48px; border-radius: 50%; background: #1a73e8; color: #fff; border: none; cursor: pointer; box-shadow: 0 4px 12px rgba(26,115,232,0.4); display: flex; align-items: center; justify-content: center; transition: all 0.3s; }
.doc-fab:hover { background: #4a90e2; transform: scale(1.08); }
.doc-fab svg { width: 22px; height: 22px; stroke: #fff; stroke-width: 2; fill: none; }
.doc-fab-label { position: absolute; : ; : ; : ; : ; : ; : ; : nowrap; : ; : none; : opacity ; }
{ : ; }
{ : fixed; : ; : (,,,); : ; : ; : none; : opacity ; }
{ : ; : auto; }
{ : fixed; : ; : -; : ; : ; : ; : - (,,,); : ; : flex; : column; : right ease; }
{ : ; }
{ : flex; : center; : space-between; : ; : solid ; : ; }
{ : ; : ; : ; }
{ : flex; : ; }
{ : ; : ; : ; : ; : pointer; : solid ; : ; : ; : all ; : inherit; }
{ : ; : ; }
{ : ; : ; : ; }
{ : ; : ; : none; : none; : pointer; : ; : flex; : center; : center; : background ; : ; : ; }
{ : ; }
{ : ; : auto; : ; }
pre { : , Consolas, , Menlo, monospace; : ; : ; : ; : pre-wrap; : break-word; : ; }
质量检查项
