Data Analysis Dashboard

核心红线 (不可逾越)

所有分析结论、看板数据、文字报告必须严格基于用户提供的实际数据,禁止编造、推测、填充、美化数据。

• 没有数据支撑时,写「数据不足,无法判断」而非给出一个看似合理的数字。
• 图表中的每个数字、每个标签、每个 KPI 值必须来自真实计算结果。
• 若数据有局限(如缺少时间维度、缺少用户标识),明确说明局限,不夸大结论适用范围。
• 发现异常值时,先判断是真实业务信号还是脏数据,不确定时写「疑似异常,需进一步核实」而非强行解释。
• 看板必须离线可渲染:Chart.js 只能本地引用 ./chart.umd.min.js,绝不可回退到外网 CDN(你当前网络连不上 cdn.jsdelivr.net 等,一旦回退图表就会全空白)。

Overview

本技能将「拿到数据 → 分析 → 出报告」固化为标准流程:先做数据质量体检,再给出优势与劣势分析,最后产出可直接打开的 HTML 数据看板,并附上文字版分析结论。

可用看板模板

模板存放在 assets/templates/ 目录下,共 7 种风格。选择模板时根据数据场景和展示对象决定:

重要:向用户展示和提问时一律用中文名(如「浅色商务风」),不要用英文文件名。

选择策略:

• 展示场景偏「大屏/监控/实时」→ 选深色科技风 / 深紫科技风
• 展示场景偏「汇报/PPT/打印」→ 选浅色商务风 / 极简报告风
• 数据类型偏「金融/交易」→ 选深蓝商务风,并遵循「涨红跌绿」
• 数据类型偏「运营/用户」→ 选浅色清新风
• 综合经营分析 → 选白色综合经营风

工作流

Step 1: 定位并读取数据

• 确认用户传入的数据文件路径(支持 CSV / Excel / JSON)或直接粘贴的数据内容。
• 用 Python 读取并确认可读性;若路径缺失,向用户索取,不要凭空假设。
• 记录基本盘:行列数、字段名、每列类型。
• 红线检查:所有后续结论的原始数据必须来自此文件,严禁编造。

Step 2: 选择看板模板(选项用中文)

7w4.net小葱技能。

• 向用户展示可用模板列表时,一律用中文名(深色科技风 / 深蓝商务风 / 深紫科技风 / 浅色商务风 / 白色综合经营风 / 浅色清新风 / 极简报告风),用表格列出「中文名 + 适用场景」,不要只给英文文件名。
• 使用 AskUserQuestion 让用户选择,选项 label 必须用中文。最多给 4 个常用选项(如「浅色商务风(推荐)」「白色综合经营风」「深蓝商务风」「深色科技风」),其余模板用户在自由输入框直接输入中文名(如「深紫科技风」「极简报告风」)即可。
• 可给出推荐:如「这份数据是销售运营类,推荐浅色商务风或白色综合经营风」。
• 若用户未指定或未明确选择,默认使用 light-business.html(浅色商务风)。
• 记录用户选择的模板(中文名 + 对应模板文件路径),后续 Step 6 使用此模板生成看板。

Step 3: 运行数据体检脚本

• 需要客观统计数据支撑时,运行 scripts/analyze_data.py 做快速体检:

  python scripts/analyze_data.py <数据文件路径> --output <输出json路径>

• 脚本输出每列的缺失值、唯一值、描述性统计、IQR 异常值,以及整体重复行。

• 将脚本输出转化为自然语言结论,不要原样罗列 JSON。

• 红线检查:体检报告中的每个数字必须来自脚本输出,不可目测估算或编造。

Step 4: 数据质量检查

对照 references/analysis_framework.md 的检查清单逐项核对,重点排查:

• 缺失与空值(是否集中、是否有关联规律)
• 重复记录(完全重复 / 关键字段重复)
• 异常值(IQR 或业务规则判断,区分「脏数据」与「真实业务信号」)
• 类型错乱与格式不一致(如日期混格式、数值带单位、文本带前后空格)
• 量纲不统一(元/万元、kg/吨)
• 时间连续性(缺口、乱序、时区问题)

红线: 每个质量问题必须指明具体字段、具体现象、数据证据(如「订单金额列有 3 个负值: -50, -120, -30」)。不写模糊表述如「有些异常」。

Step 5: 优势与劣势分析

• 优势:从完整性、粒度、时效性、覆盖度、规范性、一致性、字段丰富度等维度找亮点。
• 劣势:指出不足,并说明其对下游分析或决策的具体影响,再给可执行改进建议。
• 红线: 每个结论都要有数据依据(引用具体列名与数值),不写空话。不确定时写「数据不足,无法判断」。

Step 6: 产出 HTML 看板

• 以用户选择的模板文件(Step 2 中确定)为骨架,生成 HTML 看板(图表库用 Chart.js,必须本地引入,禁止任何外网 CDN)。
• 图表库本地化(强制,防止图表空白): 模板里的 <script src="./chart.umd.min.js"></script> 引用的是同目录本地文件。生成看板时,必须把技能自带的库文件复制到看板 HTML 所在的同一目录:

  copy <skill目录>/assets/vendor/chart.umd.min.js  <输出目录>/chart.umd.min.js

  • 复制后再保存 dashboard.html,确保两者在同一文件夹。用户打开看板时图表才能渲染,不依赖任何网络。
  • 严禁把模板里的本地引用改回 https://cdn... 等外网地址——你当前网络连不上外网 CDN,会导致 Chart 未定义、图表全空白。
• 看板必须包含:标题栏、KPI 概览卡片、2–4 个核心图表、发现与建议区。
• 将模板中的 {{占位符}} 替换为真实数据和文字结论。
• 红线检查: 看板中每一个数字、每一条标签、每一个百分比都必须来自真实数据的精确计算,严禁为了「好看」而调整或编造数据。图表数据必须与文字结论完全一致。
• 金融/股票数据遵循「涨红跌绿」配色惯例。
• 图表选型:时间趋势→折线图,占比→环形图,分类对比→柱状图,分布→直方图。
• 数字保留合理精度,KPI 卡片标注口径(如「近 30 天」「同比」)。
• 保存为 <输出目录>/dashboard.html,并用 present_files 呈现给用户。注意:移动或分享看板时,必须连 chart.umd.min.js 一起带走。

Step 7: 生成后全量质检(每次必做,不可跳过)

看板 HTML 生成后、呈现给用户前,必须先运行自动化质检脚本,并对结果逐项人工复核。四项检查缺一不可:

1. 数据计算正确性

   • 运行质检脚本(传入原始数据 + 看板 HTML + 本轮的体检报告/深度分析 JSON 作为参考):

     python scripts/verify_dashboard.py <原始数据文件> <看板HTML> --ref <体检报告.json> --ref <深度分析.json>

   • 脚本会从原始数据重算权威数字,并与看板中出现的每个数字交叉核对(自动识别万元/亿/百分比换算)。
   • 脚本输出的未匹配数字必须逐个人工复核:确认是真实数据换算(如 1.89 亿=189,181,440 元、11.96%=0.1196)或图表样式配置(如 pointRadius: 3)才可通过;凡是 KPI、图表数据、发现建议中的数字未匹配,一律修正后重新质检。
   • 禁止用任何「目测」「心算」「感觉对」代替核对。

2. 文字无乱码无异常(含图表文字)

   • 检查脚本输出:mojibake 乱码数、异常符号数、占位符残留数必须为 0;图表专项检查中,每个图表的 labels、图例 label 同样不得含乱码。
   • 人工抽查:标题、KPI 标签、图表标题、图例、发现与建议区无乱码方框、无「�」替换符、无 mojibake(如 é)、无模板占位符 {{...}} 残留。
   • 全部文本统一 UTF-8 编码,中英文与数字之间排版正常。

3. 图表正确生成 + 图表数据真实(新增图表专项检查)

   • 脚本自动检查每张图表:
     • 完整性: <canvas> 数量必须等于 new Chart 实例数量且 id 一一对应;每个图表 type 合法(line/bar/pie/doughnut 等)、labels 非空、数据集 data 非空(否则图表画不出来)。
     • 图表文字乱码: 检测每个图表的 labels、图例 label 是否含乱码/异常字符。
     • 图表数据真实性: 提取每个数据集 data 的数字,与权威数字集交叉核对,确保图表画出来的数字来自真实计算、与文字结论一致。
   • 脚本输出 canvas 数量 / Chart 实例 / 完整性 / 每图 type·labels·数据点 / 图表文字乱码 / 图表数据匹配数,逐项确认。
   • 任一图表缺失、类型非法、数据为空、文字乱码、或图表数据与权威数字对不上 → 视为硬错误,修正后重跑质检。

4. 建议与发现准确无误

   • 逐条核对「发现与建议」:每条结论必须能引用具体字段与真实数字作为证据,数字与看板图表一致。
   • 无数据证据的表述一律删除或改写为「数据不足,无法判断」。
   • 严禁为了凑条数、凑 Top3 而编造或夸大结论。

质检结论处理:

• 脚本硬错误(乱码/异常符号/占位符残留/图表未正确生成/图表文字乱码)> 0 → 修正看板 → 重跑质检,直到为 0。
• 未匹配数字(含图表数据):逐个人工确认后,在交付说明中注明「已复核」;发现错误数字 → 修正 → 重跑质检。
• 只有质检通过(硬错误为 0 且未匹配数字全部复核无误)后,才允许进入 Step 8 呈现看板。
• 用户提出修改意见、生成第二版后,同样必须重跑一次质检。

Step 8: 首版看板意见征询(只问一次)

• 呈现首版看板后,必须向用户征询一次修改意见,提问格式: 「看板已生成,是否需要修改?不需要修改请回复『否』;需要修改请直接告诉我改哪里,例如:去掉标题下面的小字、第一张图配色改成紫色、第六张图改成双折线图等。」
• 用户回复「否」「不用」「可以」「OK」等否定或确认表达 → 直接进入 Step 9 交付文字结论。
• 用户回复具体修改意见 → 严格按意见修改看板(如调整配色、更换图表类型、删除元素、调整布局、改标题文字),修改后重跑 Step 7 质检,再生成第二版并重新用 present_files 呈现;修改完成后不再二次征询,直接进入 Step 9。
• 修改看板时红线不变:允许改的是样式、图表类型、布局、文案措辞;数据与数字绝不可编造或改动,图表数据必须与 Step 3–5 的分析结果保持一致。

Step 9: 交付文字结论

在最终回复中总结(交付前同样确认文字无乱码、数字与看板一致):

• 数据问题 Top 3
• 优势 Top 3
• 劣势 Top 3(含影响与建议)
• 看板包含哪些内容、下一步可以做什么分析
• 附一句质检结论:「已通过生成后全量质检(数字核对/乱码检查/发现准确性)」

红线: 文字结论中的每个数字必须与看板中完全一致。若某条结论无法从现有数据得出,写「数据不足,无法判断」或「建议补充 XX 数据后验证」。

注意事项

• 大文件先抽样描述,避免长时间运行或内存溢出。
• 发现异常值先判断是真实信号还是脏数据,不要机械标注。
• 分析结论与图表口径一致,避免「文字说 A、图表画 B」。
• 用户只给了部分数据时,明确说明结论的适用范围,不夸大。
• 严禁在分析或看板中编造任何数据、推测未提供的指标、或美化数据以迎合预期。

这个 Skill 整体质量中规中矩，能较好地完成数据可视化仪表板生成任务。主要优点是模板风格多样、视觉效果不错、分析逻辑完整。不足之处在于使用说明不够详细，对新手不太友好，且缺乏灵活的配置选项，个性化程度有限。如果需要快速生成固定风格的数据展示页面可以使用，但复杂需求可能需要进一步定制。