决策导向的数据分析方法论

AfrexAI 数据分析方法论，提供 DICE 框架指导与 SQL 模板，帮助分析师将原始数据转化为可执行的商业决策。

基本信息

• 技能名称?afrexai-data-analyst
• 中文名称?决策导向的数据分析方法论
• 作者?1kalin
• 分类?专业技能
• 版本?v1.0.0
• 标签?data-analytics, database, productivity, education-research, docs, sql, business-intelligence, operations

使用方法

使用说明
核心用法
AfrexAI Data Analyst 是一套完整的数据分析方法论框架，采用 DICE 四阶段工作流： Define（定义问题）→ Investigate（数据调查）→ Communicate（传达洞察）→ Evaluate（评估影响） 。用户通过结构化的分析简报（analysis brief）明确业务问题、决策场景和成功标准，随后运用数据画像、清洗决策树和六大分析模式（描述性、诊断性、预测性、规范性、统计性、细分性）进行深度分析，最终以「洞察→证据→影响→行动→置信度」五要素公式输出可落地的商业建议。
显著优点

1. 方法论体系完整 ：从问题定义到效果追踪形成闭环，避免「数据装饰」陷阱，确保每个分析都回答「那又怎样」和「现在怎么办」。
2. 实战模板丰富 ：提供 10+ 可直接复用的 SQL 模板，涵盖同期群分析、RFM 客户细分、漏斗转化、移动平均等高频场景，大幅降低分析门槛。
3. 决策导向明确 ：内置「5 拆分法」等诊断工具，快速定位根因；可视化选型指南和报告结构模板确保洞察有效传达给决策者。
4. 工具无关性 ：纯方法论设计，兼容 PostgreSQL、BigQuery、Snowflake 等主流数据库及 Excel/CSV 文件分析，无 vendor lock-in。
5. 质量自检机制 ：0-100 分的分析评分量表，从问题清晰度到可执行性六维度自检，保障交付质量。
   潜在缺点与局限性
6. 非自动化工具 ：仅提供方法论和代码模板，无法直接连接数据库或自动执行查询，需用户手动操作。
7. SQL 能力门槛 ：核心模板以 SQL 为主，对非技术背景的业务用户存在学习曲线，虽提及 Python/pandas 但缺乏详细示例。
8. T3 来源可信度 ：由个人开发者维护，非知名机构背书，长期更新和维护稳定性存疑。
9. 场景覆盖偏向 ：侧重电商/SaaS 常见的交易、用户行为分析，对金融风控、IoT 时序、NLP 文本等垂直领域覆盖有限。
10. 缺乏实时协作 ：无团队共享、版本控制或评论反馈机制，多人协作场景需额外工具支持。
    适合的目标群体
    初级-中级数据分析师 ：系统学习专业分析框架，规范工作流
    业务运营/产品经理 ：自助式数据分析，快速回答业务问题
    数据工程师 ：了解下游分析需求，优化数据模型设计
    咨询顾问 ：标准化交付物格式，提升客户沟通效率
    高校商科/数据科学学生 ：建立从数据到决策的完整思维链
    使用风险
11. SQL 执行风险 ：模板代码需根据实际 schema 调整，直接复制到生产环境可能导致语法错误或性能问题，建议先在只读副本测试。
12. 数据隐私合规 ：分析涉及用户行为数据时，需确保符合 GDPR/CCPA 等法规，文档未涵盖合规检查清单。
13. 统计显著性误用 ：提供的快速 z 检验公式为简化版本，小样本或复杂实验设计场景建议咨询统计专家。
14. 时区与货币陷阱 ：文档虽提及但未强制要求校验，跨地区业务易出现数据口径不一致。
15. 依赖项风险 ：纯文档无外部依赖，但若用户结合其他工具链（如 BI 软件、Python 库），需自行管理版本兼容性。