回答数据问题时用分步工作流：从快速指标查询到趋势归因与正式报…

适用于需要查单个指标、分析趋势或下降原因、做分群对比，或产出正式数据报告的场景。

适用场景

解决思路

1. 使用命令 /analyze <自然语言问题> 发起数据问答。
2. 理解问题：解析用户问题并判断复杂度层级——快速回答（单个指标、简单筛选、事实查询，如“上周有多少用户注册”）、完整分析（多维度探索、趋势分析、对比，如“转化率下降的原因是什么”）、正式报告（包含方法论、注意事项和建议的全面调查，如“准备订阅指标的季度业务回顾”）。
3. 理解问题：确定数据需求——需要哪些表、指标、维度和时间范围。
4. 理解问题：确定输出格式——数字、表格、图表、叙述或组合。
5. 收集数据：如果连接了数据仓库 MCP server，先探索 schema 找到相关表和列。
6. 收集数据：如果连接了数据仓库 MCP server，编写一条或多条 SQL 查询以提取所需数据。
7. 收集数据：如果连接了数据仓库 MCP server，执行查询并获取结果。
8. 收集数据：如果查询失败，进行调试并重试（检查列名、表引用、特定方言语法）。
9. 收集数据：如果结果看起来异常，先运行合理性检查再继续。
10. 收集数据：如果没有连接数据仓库，让用户通过以下方式之一提供数据：直接粘贴查询结果、上传 CSV 或 Excel 文件、描述 schema 以便你编写查询供他们运行。
11. 收集数据：如果为用户手动执行编写查询，使用 sql-queries 技能获取特定方言的最佳实践。
12. 收集数据：一旦数据提供后，继续分析。
13. 分析：计算相关指标、聚合和对比。
14. 分析：识别模式、趋势、离群值和异常。
15. 分析：跨维度对比（时间段、分群、类别）。
16. 分析：对于复杂分析，将问题拆分为子问题并逐一解决。
17. 呈现前验证：检查行数合理性——记录数量是否合理？
18. 呈现前验证：检查空值——是否有意外空值可能扭曲结果？
19. 呈现前验证：检查数量级——数字是否在合理范围内？
20. 呈现前验证：检查趋势连续性——时间序列是否有意外断点？
21. 呈现前验证：检查聚合逻辑——小计是否正确汇总为总计？
22. 呈现前验证：如果任何检查引发疑虑，进行调查并注明注意事项。
23. 呈现结果：对于快速回答，直接陈述答案并附相关上下文。
24. 呈现结果：对于快速回答，包含所用查询（折叠或放在代码块中）以便复现。
25. 呈现结果：对于完整分析，先给出关键发现或洞察。
26. 呈现结果：对于完整分析，用数据表和/或可视化支持。
27. 呈现结果：对于完整分析，注明方法论和任何注意事项。
28. 呈现结果：对于完整分析，建议后续问题。
29. 呈现结果：对于正式报告，提供执行摘要和关键要点。
30. 呈现结果：对于正式报告，提供方法论部分，解释方法和数据来源。
31. 呈现结果：对于正式报告，提供详细发现及支持证据。
32. 呈现结果：对于正式报告，提供注意事项、限制和数据质量说明。
33. 呈现结果：对于正式报告，提供建议和下一步行动建议。
34. 在有助于传达结果时进行可视化：当图表比表格更能有效沟通结果时，使用 data-visualization 技能选择合适图表类型。
35. 在有助于传达结果时进行可视化：生成 Python 可视化，或构建到 HTML 仪表板中。
36. 在有助于传达结果时进行可视化：遵循可视化最佳实践以保证清晰和准确。
37. 技巧：尽可能明确时间范围、分群或指标。
38. 技巧：如果知道表名，提出来以加快流程。
39. 技巧：对于复杂问题，可以将问题拆分为多个查询。
40. 技巧：结果在呈现前始终要验证——如果看起来不对，要标记出来。

适用边界 · 注意事项

• 当问题完全不涉及数据，或不需要取数、验证和呈现分析结果时，不要使用。
• 当没有可用数据源（数据仓库未连接且用户也无法提供数据/描述 schema）时，无法执行分析。
• 当涉及无权访问的敏感数据或合规限制数据时，不要直接查询或披露，需先获得授权。