数据分析长期计划初始化#

本技能旨在辅助 PMO Agent 为用户制定并执行一项 长期的数据洞察计划。不仅是生成报告，更是通过持续的数据监测与外部归因，辅助用户完成长期的业务监控与决策闭环。

任务目标#

• 本 Skill 用于：为 PMO Agent 建立标准化的数据分析流程，从初始化到长期监测的全周期支持
• 能力包含：
  1. 目标对齐与分析场景拆解
  2. 数据源接入与 Schema 自动解析
  3. 分析报告模板设计与策略配置
  4. 外部信息增强策略制定
  5. 长期监测与决策报告自动化
• 触发条件：用户需要建立长期数据分析计划，或需要进行周期性的业务数据监控与复盘

前置准备#

• 依赖说明： text

  pandas>=2.0.0
  openpyxl>=3.1.0
  
  

• 数据源准备：

  • 飞书表格：确保有可访问的表格链接及相应权限
  • 本地文件：准备 CSV 或 Excel 格式的样本数据文件

• 非标准文件/文件夹准备：无

操作步骤#

阶段1：目标分析与战略锚定#

引导用户澄清以下核心信息：

• Objective (目标)
  • 分析场景：周度业务复盘、竞品价格监控、流量增长归因等
  • 核心指标：GMV、DAU、转化率、ROI 等
  • 受众对象：管理层决策、团队内部同步、客户汇报
• Requirements (要求)
  • 数据源配置：飞书表格 URL 或本地文件路径
  • 报告周期：日/周/月
  • 外部信息需求：行业大盘、竞品动态、宏观政策等
• Actions (关键动作)
  • Day 0：数据接入测试、指标口径定义、报告模板设计
  • Day 1：试运行，产出首份分析报告并校准
  • Routine：建立"获取数据-清洗计算-搜索增强-生成报告"的自动化流

阶段2：Day 0 初始化任务清单#

任务1：数据管道接入与Schema定义

执行步骤：

1. 调用脚本解析数据源

   • 飞书表格：请求用户提供 URL，读取前 10 行验证权限

   • 本地文件：调用 scripts/data_schema_parser.py 解析文件 bash

     python scripts/data_schema_parser.py --file ./user-data/data.csv --preview-rows 10
     
     

2. 分析表头结构，确认维度和度量字段
3. 生成 data_schema_config.json 配置文件

智能体处理：

• 根据脚本输出的 Schema，与用户确认字段含义
• 补充业务描述（如字段说明、计算口径）
• 生成最终的配置文件并保存到 ./user-data/data_schema_config.json

任务2：分析逻辑与模版设计

智能体处理：

1. 明确指标计算逻辑（如周环比 = (本周-上周)/上周）
2. 设计报告模板结构：
   • 摘要：一句话结论
   • 核心指标：数据概览表
   • 深度分析：异常波动分析
   • 市场环境：外部信息补充
3. 生成 分析报告模板.md 保存到 ./user-data/

参考模板示例：

markdown

# 数据分析报告（{报告周期}）

## 摘要
{一句话核心结论}

## 核心指标
| 指标 | 本期数值 | 环比增长 | 同比增长 | 目标达成 |
|------|----------|----------|----------|----------|
|      |          |          |          |          |

## 深度分析
### 异常波动识别
{识别显著波动（涨跌幅>10%）的指标}

### 归因分析
{结合业务场景解释波动原因}

## 市场环境与外部信息
{本周行业动态、竞品动作、政策影响等}

任务3：外部信息增强策略

智能体处理：

1. 制定搜索策略，生成 搜索策略配置.md
   • 固定搜索：每次必查的内容（行业指数、竞品最新动作）
   • 触发式搜索：数据异常时的定向搜索
2. 保存策略配置到 ./user-data/搜索策略配置.md

配置示例：

markdown

# 搜索策略配置

## 固定搜索主题
- 行业动态："本周 [行业] 市场动态"
- 竞品监控："[竞品名称] 最新动态"

## 触发式搜索规则
- 流量暴跌 >20%：搜索"[平台名] 算法调整" 或 "[平台名] 宕机"
- 销售额异常：搜索"[竞品] 促销活动"

阶段3：初始化对齐与即时试运行#

在 Day 0 配置任务完成后， 立即执行试运行：

试运行步骤：

1. 读取数据：基于样本数据或飞书表格最新数据
2. 分析计算：根据 data_schema_config.json 计算基础指标
3. 外部搜索：执行一次固定主题搜索（如"本周 [行业] 动态"）
4. 合成报告：生成《数据分析报告（试运行版）》

用户确认项：

• 指标计算是否准确？
• 外部信息是否相关？
• 模板结构是否清晰？

阶段4：长期监测与决策计划#

建立以下周期性执行机制：

周期性动作1：数据更新与清洗

• 读取飞书表格指定 Range 或用户上传的新文件
• 执行数据清洗（去空值、格式转换）

周期性动作2：指标趋势计算

• 根据 data_schema_config.json 计算本期 KPI
• 更新长期趋势图（Year-to-Date）
• 识别显著波动（涨跌幅 > 10%）

周期性动作3：深度归因与外部情报

• 针对"显著波动"指标，结合 搜索策略配置.md 执行定向搜索
• 执行固定主题搜索，寻找长期机会点

周期性动作4：决策报告与复盘

• 将内部数据趋势与外部情报填入报告模板
• 重点标注对长期愿景的影响
• 输出 Markdown 报告，或提示用户回写到飞书文档

里程碑节点：季度/月度战略复盘

• 每隔 4-12 个周期，插入"战略复盘"任务
• 重新评估搜索策略和核心指标的有效性

资源索引#

• 必要脚本：

  • scripts/data_schema_parser.py 用途：解析 CSV/Excel 数据源，自动推断字段类型和维度/度量分类 参数：

    • --file: 数据文件路径
    • --preview-rows: 预览行数（默认10）
    • --output: 输出文件路径（可选）
• 领域参考：
  • references/schema-format-example.json 用途：Schema 配置文件格式示例，展示输出结构及字段说明 何时读取：首次使用解析脚本后，参考此格式优化配置
• 输出资产：
  • assets/analysis-report-template.md 用途：标准化的分析报告模板，包含摘要、核心指标、深度分析、外部信息等完整结构 何时使用：智能体根据此模板生成定制化的报告

用户数据输出（运行时生成）：

• ./user-data/data_schema_config.json: 数据源 Schema 配置
• ./user-data/搜索策略配置.md: 搜索策略配置
• ./user-data/分析报告.md: 生成的分析报告

注意事项#

• 数据敏感度：如果数据出现逻辑矛盾（如分项之和不等于总项），应在报告显眼处标记"数据异常预警"
• 脚本调用时机：仅在首次接入数据源或数据结构变化时调用解析脚本，常规运行直接读取已生成的配置文件
• 灵活适配：根据用户反馈持续调整报告模板和搜索策略
• 充分利用智能体能力：目标澄清、模板设计、策略制定等由智能体通过自然语言完成，脚本仅负责技术性的数据处理

使用示例#

示例1：周度电商业务复盘#

• 功能说明：为电商平台建立周度数据监测体系

• 执行方式：

  1. 智能体引导澄清目标（关注 GMV、转化率、复购率）
  2. 调用脚本解析销售数据 CSV 文件
  3. 智能体设计报告模板和搜索策略
  4. 执行试运行并校准
  5. 建立周度自动监测机制

• 关键要点：脚本负责数据解析，智能体负责业务理解和策略制定

示例2：竞品价格监控#

• 功能说明：持续监控竞品价格变化并分析影响

• 执行方式：

  1. 智能体明确监控目标和频率（每日）
  2. 调用脚本解析价格数据 Excel 文件
  3. 智能体制定触发式搜索规则（价格波动>5%时搜索促销活动）
  4. 建立自动化监测流程

• 关键要点：利用搜索策略实现智能归因分析

示例3：流量增长归因分析#

• 功能说明：分析流量波动原因，结合外部环境提供决策建议

• 执行方式：

  1. 智能体明确核心指标（DAU、PV、跳出率）
  2. 调用脚本解析流量日志 CSV
  3. 智能体设计报告模板，包含异常波动识别逻辑
  4. 制定搜索策略（流量暴跌时搜索平台算法调整、竞品活动等）

• 关键要点：数据+搜索的联动分析，提供归因依据