Data
Plugin
claude-data-analysis-ultra-main
基于 Claude Skill 架构的智能数据分析平台。提供两套完整的技能体系： 通用数据分析技能 - 6阶段完整分析流程 互联网数据分析技能 - 7个专业分析模块 + 1个入口技能
Plugin Signal56/100Fair
maintained56
capable62
documented50
adopted52
Install
$ npx -y skills add liangdabiao/claude-data-analysis-ultra-main --agent claude-code
Run the curl in your terminal, the rest in Claude Code.
In this plugin
- ab-testing-analyzer
- attribution-analysis-modeling
- code-generator
- content-analysis
- data-analysis
- data-exploration-visualization
- data-explorer
- funnel-analysis
- growth-model-analyzer
- hypothesis-generator
- internet-data-analysis
- ltv-predictor
- quality-assurance
- recommender-system
- regression-analysis-modeling
- report-writer
- retention-analysis
- rfm-customer-segmentation
- visualization-specialist
What's inside
Skills
19/ab-testing-analyzer全面的AB测试分析工具，支持实验设计、统计检验、用户分群分析和可视化报告生成。用于分析产品改版、营销活动、功能优化等AB测试结果，提供统计显著性检验和深度洞察。/attribution-analysis-modelingPerform multi-touch attribution analysis using Markov chains, Shapley values, and custom attribution models. Use when you need to analyze marketing channel effectiveness, calculate conversion attribution, optimize marketing budgets, or understand customer journey paths. Supports/code-generatorGenerates production-ready analysis code in Python, R, SQL. Invoke when user wants reusable code for data analysis, ML, or visualization./content-analysisAnalyze text content using both traditional NLP and LLM-enhanced methods. Extract sentiment, topics, keywords, and insights from various content types including social media posts, articles, reviews, and video content. Use when working with text analysis, sentiment detection,/data-analysis通用的 6 阶段数据分析助手：数据质量→探索性分析→假设生成→可视化→代码生成→综合报告。提供完整的方法论和模板！/data-exploration-visualization自动化数据探索和可视化工具，提供从数据加载到专业报告生成的完整EDA解决方案。支持多种图表类型、智能数据诊断、建模评估和HTML报告生成。适用于医疗、金融、电商等领域的数据分析项目。
Show all 19 skillsShow fewer
/data-explorerPerforms exploratory data analysis, statistical analysis, and pattern discovery. Invoke when user wants to analyze data, find patterns, statistical testing, or get deep insights./funnel-analysisAnalyze user conversion funnels, calculate step-by-step conversion rates, create interactive visualizations, and identify optimization opportunities. Use when working with multi-step user journey data, conversion analysis, or when user mentions funnels, conversion rates, or user/growth-model-analyzer增长模型分析技能 - 提供全面的增长黑客分析工具，包括裂变策略评估、用户细分、Uplift建模、ROI优化等。支持多种增长场景的机器学习建模和智能决策建议。适用于用户增长、营销优化、产品迭代等增长分析场景。/hypothesis-generatorGenerates testable research hypotheses and experimental designs. Invoke when user wants to create hypotheses from data insights or design experiments./internet-data-analysis互联网数据分析技能集合 - 包含AB测试、归因分析、内容分析、漏斗分析、增长模型、LTV预测等专业技能/ltv-predictor基于RFM模型和回归算法的客户生命周期价值(LTV)预测分析工具，支持电商和零售业务的客户价值预测。使用时需要客户交易数据、订单历史或消费记录，自动进行RFM特征工程、回归建模和价值预测。/quality-assuranceData quality validation and analysis accuracy verification. Invoke when user wants data quality checks, validation, or result verification./recommender-system智能推荐系统分析工具，提供多种推荐算法实现、评估框架和可视化分析。使用时需要用户行为数据、商品信息或评分数据，支持协同过滤、矩阵分解等推荐算法，生成个性化推荐结果和评估报告。/regression-analysis-modelingPerform comprehensive regression analysis and predictive modeling using linear regression, decision trees, and random forests. Use when you need to predict continuous values like housing prices, sales forecasts, demand predictions, or any numerical target variables. Includes/report-writerGenerates comprehensive analysis reports, executive summaries, and technical documentation. Invoke when user wants to create written reports from data analysis./retention-analysisAnalyze user retention and churn using survival analysis, cohort analysis, and machine learning. Calculate retention rates, build survival curves, predict churn risk, and generate retention optimization strategies. Use when working with user subscription data, membership/rfm-customer-segmentationPerform RFM (Recency, Frequency, Monetary) customer segmentation analysis on e-commerce data. Use when you need to analyze customer value, identify VIP customers, or create marketing segments. Automatically cleans data, calculates RFM metrics, applies K-means clustering, and/visualization-specialistCreates data visualizations, charts, and interactive dashboards. Invoke when user wants to create plots, graphs, or visual representations of data.
README
1Claude Data Analysis Skills
基于 Claude Skill 架构的智能数据分析平台。提供两套完整的技能体系：
- 通用数据分析技能 - 6阶段完整分析流程
- 互联网数据分析技能 - 7个专业分析模块 + 1个入口技能
🚀 快速开始
1. 准备数据
将数据集放入 data_storage/ 目录：
data_storage/
├── olist_orders_dataset.csv
├── olist_customers_dataset.csv
├── olist_order_items_dataset.csv
├── olist_order_reviews_dataset.csv
└── house.csv
2. 调用 Skills 分析
方式0: 小白一键模式（推荐）
❯ data_storage/ 是需要进行数据分析的文件， 请你先浏览一下，然后利用skill进行数据分析，尽可能深度洞察出情况
方式1: 互联网数据分析（推荐）
# 通过入口技能，一站式互联网分析
@internet-data-analysis 对 olist 电商数据进行全面分析
# 或直接使用专业技能
@ltv-predictor 进行客户生命周期价值分析
@content-analysis 分析用户评论情感
@funnel-analysis 分析转化漏斗
@growth-model-analyzer 制定增长策略
@ab-testing-analyzer 设计AB测试
@attribution-analysis-modeling 渠道归因分析
@data-exploration-visualization 探索性分析
方式2: 通用数据分析
# 直接使用 Skill
@data-explorer 分析 olist 电商数据
@visualization-specialist 创建销售可视化
@report-writer 生成分析报告
# 通过主 Skill (支持高级分析模式)
@data-analysis 对 olist数据进行 statistical 分析
🌐 互联网分析模式 (Internet Analysis Mode)
重要功能：专为互联网业务场景设计的专业技能体系，提供针对电商、内容、增长等场景的深度分析能力。
为什么使用互联网分析模式？
- 场景聚焦：针对互联网业务特点设计
- 专业深度：提供 LTV 预测、归因分析、AB 测试等专业能力
- 灵活组合：可单独使用，也可通过入口技能协调组合
- 开箱即用：提供 templates/、guide/、examples/ 完整配套
互联网分析技能列表
| Skill | 核心能力 | 适用场景 |
|---|---|---|
| internet-data-analysis | 入口协调技能 | 需要综合分析时使用 |
| ltv-predictor | 客户生命周期价值预测 | 客户价值分层、获客成本优化 |
| content-analysis | 文本内容分析 | 评论情感分析、主题挖掘 |
| funnel-analysis | 转化漏斗分析 | 流失节点识别、转化率优化 |
| growth-model-analyzer | 增长策略分析 | AARRR 框架、Uplift 建模 |
| ab-testing-analyzer | A/B测试设计与分析 | 实验设计、统计检验 |
| attribution-analysis-modeling | 渠道归因分析 | 营销渠道评估、预算优化 |
| data-exploration-visualization | 数据探索与可视化 | 基础分析、数据概览 |
互联网分析技能使用示例
# 综合电商分析（入口技能自动协调）
@internet-data-analysis 对 olist 数据进行全面分析
# 专项分析 - 只做 LTV
@ltv-predictor 分析 olist 客户生命周期价值
# 专项分析 - 只做评论分析
@content-analysis 分析 olist 用户评论
# 专项分析 - 只做增长策略
@growth-model-analyzer 制定 olist 增长策略
⚡ 高级分析模式 (Advanced Mode)
重要功能：系统支持高级分析模式，用户可以指定详细的分析类型，控制分析的深度、范围和输出形式。
为什么要使用高级分析模式？
- 精细控制：根据需求选择合适的分析深度
- 效率提升：避免过度分析或分析不足
- 场景匹配：不同场景使用不同的分析策略
高级模式支持的类型
| Skill | 类型数量 | 可用类型 |
|---|---|---|
| data-analysis | 4种 | exploratory, statistical, predictive, complete |
| visualization-specialist | 6种 | all, trends, distribution, correlation, comparison, custom |
| report-writer | 5种 | summary, complete, executive, technical, custom |
| code-generator | 5种 | data-cleaning, statistical, visualization, machine-learning, custom |
📊 data-analysis 高级模式
用途：控制数据分析的深度
| 类型 | 英文 | 深度 | 分析内容 | 适用场景 |
|---|---|---|---|---|
| 探索性 | exploratory | ⭐ | 数据结构、描述性统计、质量检查、基础可视化 | 快速了解数据 |
| 统计性 | statistical | ⭐⭐ | +假设检验、相关性分析、回归分析、异常值检测 | 需要深度统计 |
| 预测性 | predictive | ⭐⭐⭐ | +特征工程、机器学习模型准备、客户分群 | 需要预测建模 |
| 完整性 | complete | ⭐⭐⭐⭐ | 以上全部 + 综合报告、可视化仪表板 | 全面分析 |
使用示例：
# 快速了解数据结构
@data-analysis 分析 house.csv 类型=exploratory
# 需要统计检验
@data-analysis 分析 olist 数据 类型=statistical
# 需要预测分析
@data-analysis 分析 customer.csv 类型=predictive
# 完整分析
@data-analysis 分析 sales.csv 类型=complete
📈 visualization-specialist 高级模式
用途：控制图表的类型和用途
| 类型 | 英文 | 图表内容 | 适用场景 |
|---|---|---|---|
| 完整仪表板 | all | 综合仪表板、多图表组合 | 数据概览 |
| 趋势分析 | trends | 折线图、移动平均、季节性分析 | 时间序列数据 |
| 分布分析 | distribution | 直方图、密度图、箱线图 | 了解数据分布 |
| 相关性分析 | correlation | 散点图、热力图、配对图 | 变量关系 |
| 对比分析 | comparison | 分组条形图、堆叠图 | 多组对比 |
| 自定义 | custom | 根据需求定制 | 特殊需求 |
使用示例：
# 创建销售趋势图
@visualization-specialist 创建 olist 销售趋势图 类型=trends
# 创建分布图
@visualization-specialist 分析价格分布 类型=distribution
# 创建相关性热力图
@visualization-specialist 分析变量相关 类型=correlation
📝 report-writer 高级模式
用途：控制报告的形式和受众
| 类型 | 英文 | 内容特点 | 适用对象 |
|---|---|---|---|
| 简要 | summary | 关键发现、核心指标 | 快速查阅 |
| 完整 | complete | 执行摘要、详细分析、可视化 | 全面了解 |
| 高管 | executive | 战略摘要、关键指标、行动项 | 决策层 |
| 技术 | technical | 方法论、统计细节、代码 | 技术团队 |
| 自定义 | custom | 根据需求定制 | 特殊需求 |
使用示例：
# 生成简要报告
@report-writer 生成 olist 报告 类型=summary
# 生成高管报告
@report-writer 生成 olist 报告 类型=executive
# 生成技术报告
@report-writer 生成 olist 报告 类型=technical
💻 code-generator 高级模式
用途：控制生成代码的类型
| 类型 | 英文 | 代码内容 | 适用场景 |
|---|---|---|---|
| 数据清洗 | data-cleaning | 缺失值处理、标准化、去重 | 数据预处理 |
| 统计分析 | statistical | 描述统计、假设检验、相关分析 | 统计分析 |
| 可视化 | visualization | Matplotlib/Seaborn/Plotly 图表 | 数据展示 |
| 机器学习 | machine-learning | 特征工程、模型训练、评估 | 预测建模 |
| 自定义 | custom | 根据需求定制 | 特殊需求 |
使用示例：
# 生成数据清洗代码
@code-generator 生成 python 数据清洗 代码类型=data-cleaning
# 生成统计代码
@code-generator 生成 r 统计分析 代码类型=statistical
# 生成可视化代码
@code-generator 生成 python 可视化 代码类型=visualization
# 生成机器学习代码
@code-generator 生成 python 预测模型 代码类型=machine-learning
📦 Skills 架构
项目包含两套完整的技能体系：
体系 1: 互联网分析技能（新增）
.claude/skills/
├── internet-data-analysis/ # 入口技能（协调者）
├── ab-testing-analyzer/ # AB测试分析
├── attribution-analysis-modeling/# 归因分析建模
├── content-analysis/ # 内容分析（NLP）
├── data-exploration-visualization/# 数据探索与可视化
├── funnel-analysis/ # 漏斗分析
├── growth-model-analyzer/ # 增长模型分析
└── ltv-predictor/ # LTV预测
各互联网分析 Skill 功能
| Skill | 核心功能 | 配套资源 |
|---|---|---|
| internet-data-analysis | 统筹全部互联网分析技能 | SKILL.md |
| ab-testing-analyzer | 实验设计、样本量计算、统计检验 | templates/ + guide/ + examples/ |
| attribution-analysis-modeling | 首次/末次/线性/马尔可夫/Shapley值归因 | templates/ + guide/ + examples/ |
| content-analysis | 情感分析、关键词提取、主题建模 | templates/ + guide/ + examples/ |
| data-exploration-visualization | 数据概览、分布分析、可视化 | templates/ + guide/ + examples/ |
| funnel-analysis | 漏斗分析、流失节点识别、转化优化 | templates/ + guide/ + examples/ |
| growth-model-analyzer | AARRR框架、Uplift建模、增长策略 | templates/ + guide/ + examples/ |
| ltv-predictor | RFM分群、LTV预测、价值分层 | templates/ + guide/ + examples/ |
体系 2: 通用数据分析技能（保留）
.Claude/skills/
├── data-analysis/ # 主 Skill（协调者）
├── data-explorer/ # 数据分析
├── visualization-specialist/ # 数据可视化
├── report-writer/ # 报告生成
├── code-generator/ # 代码生成
├── hypothesis-generator # 假设生成
└── quality-assurance # 质量保证
各通用分析 Skill 功能说明
1. data-analysis (主 Skill)
入口 Skill，协调完整分析流程。
功能：
- 完整工作流：质量验证 → 数据分析 → 假设生成 → 可视化 → 报告
- 快速分析：EDA → 可视化 → 简要报告
- 支持 analysis_type: exploratory, statistical, predictive, complete
使用场景：
- 需要全面分析时调用
- 需要协调多个子 Skill 时使用
2. data-explorer (数据分析) ⭐ 核心
功能：
- 描述性统计（均值、中位数、标准差、四分位数）
- 深度统计分析（假设检验、p 值、置信区间）
- 分布分析（偏度、峰度、正态性检验）
- 异常值检测（IQR、Z-score）
- 相关性分析（Pearson、Spearman）
- 客户分群（RFM 分析、K-means）
- 模式发现（聚类、趋势分析）
关键处理规则（必须遵守）：
| 数据类型 | 正确处理方式 |
|---|---|
| 订单金额 | 必须按 order_id 汇总 (price + freight_value)，不能直接平均 order_items |
| 评分 | 按 order_id 取平均值 |
| 配送时间 | delivered_date - purchase_date |
使用场景：
- 需要探索性数据分析（EDA）
- 需要统计检验和推断
- 需要发现数据模式和客户分群
3. visualization-specialist (数据可视化)
功能：
- 统计图表（直方图、箱线图、散点图）
- 分布图、热力图
- 时间序列图
- 交互式仪表板
- 支持 chart_type: all, trends, distribution, correlation, comparison, custom
使用场景：
- 需要创建图表
- 需要数据可视化
- 需要交互式仪表板
4. report-writer (报告生成)
功能：
- 执行摘要
- 技术报告
- 业务洞察文档
- 支持 report_type: summary, complete, executive, technical, custom
使用场景：
- 需要生成书面报告
- 需要文档化分析结果
- 需要业务建议文档
5. code-generator (代码生成)
功能：
- Python/R/SQL 代码
- 数据处理管道
- 机器学习代码
- 支持 code_type: data-cleaning, statistical, visualization, machine-learning, custom
使用场景：
- 需要可重用代码
- 需要自动化分析脚本
- 需要生产级代码
6. hypothesis-generator (假设生成)
功能：
- 可检验假设形成
- A/B 测试设计
- 样本量计算
- 实验方法论
使用场景：
- 需要从数据洞察生成假设
- 需要设计实验
- 需要研究方法论
7. quality-assurance (质量保证)
功能：
- 数据质量验证
- 缺失值检查
- 重复检测
- 一致性验证
使用场景：
- 需要数据质量检查
- 需要结果验证
- 需要交叉验证
📊 分析工作流
完整工作流
1. quality-assurance: 数据质量验证
↓
2. data-explorer: 探索性数据分析 + 深度统计分析
↓
3. hypothesis-generator: 基于发现生成假设
↓
4. visualization-specialist: 创建可视化图表
↓
5. code-generator: 生成可重用代码
↓
6. report-writer: 生成完整分析报告
快速工作流
1. data-explorer: 快速 EDA
2. visualization-specialist: 关键可视化
3. report-writer: 简要报告
📁 目录结构
.
├── data_storage/ # 输入数据目录
├── analysis_reports/ # 分析报告输出
├── visualizations/ # 可视化图表输出
├── generated_code/ # 生成的代码输出
├── .claude/ # 原 Claude Agent 配置（保留）
├── .Claude/ # 通用数据分析 Skills 配置
│ └── skills/
│ ├── data-analysis/
│ ├── data-explorer/
│ ├── visualization-specialist/
│ ├── report-writer/
│ ├── code-generator/
│ ├── hypothesis-generator/
│ └── quality-assurance/
├── .claude/ # 互联网分析 Skills 配置（新增）
│ └── skills/
│ ├── internet-data-analysis/
│ ├── ab-testing-analyzer/
│ │ ├── templates/ # 报告模板
│ │ ├── guide/ # 操作指南
│ │ └── examples/ # 示例代码
│ ├── attribution-analysis-modeling/
│ │ ├── templates/
│ │ ├── guide/
│ │ └── examples/
│ ├── content-analysis/
│ │ ├── templates/
│ │ ├── guide/
│ │ └── examples/
│ ├── data-exploration-visualization/
│ │ ├── templates/
│ │ ├── guide/
│ │ └── examples/
│ ├── funnel-analysis/
│ │ ├── templates/
│ │ ├── guide/
│ │ └── examples/
│ ├── growth-model-analyzer/
│ │ ├── templates/
│ │ ├── guide/
│ │ └── examples/
│ └── ltv-predictor/
│ ├── templates/
│ ├── guide/
│ └── examples/
├── CLAUDE.md # 项目详细文档
└── README.md # 本文件
🔧 数据处理规范
Pandas vs Pure Python
系统会自动检测环境，优先使用 Pandas（性能更好）：
| 情况 | 推荐方式 | 原因 |
|---|---|---|
| 数据量 > 10,000 行 | Pandas | 向量化操作，C底层优化 |
| 数据量 < 10,000 行 | Pandas | 代码简洁易维护 |
| 环境无 pandas | Pure Python | 降级兼容 |
自动检测代码:
try:
import pandas as pd
import numpy as np
USE_PANDAS = True
except ImportError:
USE_PANDAS = False
电商数据处理（必须遵守）
# ❌ 错误：直接平均 order_items
prices = [float(item['price']) for item in order_items]
avg_price = sum(prices) / len(prices) # 错误！
# ✅ 正确：按订单汇总
from collections import defaultdict
order_amounts = defaultdict(float)
for item in order_items:
order_amounts[item['order_id']] += float(item['price']) + float(item.get('freight_value', 0))
amounts = list(order_amounts.values())
avg_amount = sum(amounts) / len(amounts) # 正确！
样本量要求
- 始终使用全量数据（除非数据量 > 100万行）
- 在报告中明确标注样本量
- 避免因样本限制导致统计偏差
📖 完整使用示例
示例 A: 互联网数据分析 - 电商综合分析
用户: 对 olist 电商数据进行全面互联网分析
调用: @internet-data-analysis
输出:
1. 数据探索 (@data-exploration-visualization)
2. 漏斗分析 (@funnel-analysis)
3. LTV 预测 (@ltv-predictor)
4. 内容分析 (@content-analysis)
5. 增长策略 (@growth-model-analyzer)
示例 B: 互联网数据分析 - 专项分析
用户: 分析 olist 客户生命周期价值
调用: @ltv-predictor
输出: RFM 分群、LTV 分层、价值预测、策略建议
用户: 分析 olist 用户评论
调用: @content-analysis
输出: 情感分析、关键词、主题建模、用户洞察
示例 1: 基础 EDA（通用分析）
用户: 分析 house.csv 数据
调用: data-explorer
输出: 描述性统计、分布分析、相关性矩阵
示例 2: 指定分析类型
用户: 对 olist 电商数据进行 statistical 分析
调用: data-analysis (analysis_type=statistical)
输出: 假设检验、相关性分析、回归分析
示例 3: 完整分析
用户: 对 olist 电商数据进行 complete 分析
调用流程:
1. quality-assurance → 数据质量报告
2. data-explorer → 深度统计分析
3. hypothesis-generator → 业务假设
4. visualization-specialist → 可视化仪表板
5. report-writer → 完整分析报告
示例 4: 生成可视化图表
用户: 创建 olist 销售趋势图
调用: visualization-specialist (chart_type=trends)
输出: 时间序列趋势图
示例 5: 生成报告
用户: 生成 olist 高管报告
调用: report-writer (report_type=executive)
输出: 高管摘要报告
🎯 Skill 调用场景对照表
| 场景 | 调用 Skill | 可选类型 |
|---|---|---|
| 探索数据、理解结构 | data-explorer | - |
| 深度统计分析 | data-analysis | exploratory/statistical/predictive/complete |
| 创建图表、可视化 | visualization-specialist | all/trends/distribution/correlation/comparison |
| 生成书面报告 | report-writer | summary/complete/executive/technical |
| 编写可重用代码 | code-generator | data-cleaning/statistical/visualization/machine-learning |
| 生成研究假设 | hypothesis-generator | - |
| 验证数据质量 | quality-assurance | - |
| 完整分析流程 | data-analysis | complete |
📝 输出规范
所有输出必须使用中文：
- 报告内容：中文
- 可视化标签：中文
- 代码注释：中文
- 文件命名：英文（保持一致）
🔄 与原 Claude Agent 的关系
Skills 版本保留了原 Agent 的核心能力：
| 原 Agent 能力 | Skill 实现 |
|---|---|
| data-explorer | data-explorer |
| visualization-specialist | visualization-specialist |
| report-writer | report-writer |
| code-generator | code-generator |
| hypothesis-generator | hypothesis-generator (新增) |
| quality-assurance | quality-assurance (新增) |
| 分析类型 (analysis types) | 全部支持 ✅ |
主要改进：
- ✅ 更清晰的数据处理规范（特别是订单金额计算）
- ✅ 强制使用全量数据
- ✅ 更详细的统计分析能力
- ✅ 更完整的分析工作流
- ✅ 高级分析模式 (Advanced Mode) 支持多种分析类型
📞 支持
- 数据格式：CSV、Excel、JSON、Parquet
- 分析类型：exploratory, statistical, predictive, complete
- 图表类型：all, trends, distribution, correlation, comparison
- 报告类型：summary, complete, executive, technical
- 代码类型：data-cleaning, statistical, visualization, machine-learning
- 输出格式：Markdown、HTML、PNG、交互式图表
📊 项目产出记录
Olist 电商数据分析（已完成）
分析时间: 2026-05-09
使用技能:
- @internet-data-analysis (入口)
- @ltv-predictor (LTV预测)
- @content-analysis (内容分析)
- @growth-model-analyzer (增长分析)
- @funnel-analysis (漏斗分析)
关键发现:
- 订单转化漏斗健康：97% 完成率
- 用户满意度高：平均 4.09 星，77% 用户给 4-5 星
- 复购率有待提升：当前仅 3.0%
- 高价值客户（25%）贡献 50% 收入
- 物流和产品质量是用户最关心的话题
分析产出文件:
olist_internet_analysis.py- 综合分析脚本analyze_olist.py- 基础分析脚本deep_ltv_analysis.py- LTV深度分析deep_content_analysis.py- 内容深度分析deep_growth_analysis.py- 增长深度分析customer_ltv_analysis.csv- LTV分析结果reviews_content_analysis.csv- 评论分析结果customer_growth_analysis.csv- 增长分析结果
策略建议优先级:
- 🔴 高优先级：复购率提升、高价值客户运营、负面评论响应
- 🟡 中优先级：休眠客户召回、产品品类优化、物流服务优化
- 🟢 低优先级：数据驱动体系建设、NLP内容分析升级
特别感谢
https://linux.do 感谢佬友们支持
File tree
253liangdabiao/claude-data-analysis-ultra-mainView on GitHub
.claude/
settings.local.json
skills/
ab-testing-analyzer/
examples/
__init__.py
ab_test_analyzer.py
basic_ab_test_example.py
sample_data/
sample_ab_test_data.csv
segment_analyzer.py
statistical_tests.py
visualizer.py
guide/
ab_test_guide.md
quick_test.py
README.md
SKILL.md
templates/
ab_test_report_template.md
attribution-analysis-modeling/
examples/
advanced_attribution_example.py
attribution_visualizer.py
basic_attribution_example.py
core_attribution.py
markov_chains.py
sample_channel_data.csv
shapley_values.py
test_basic_functionality.py
usage_guide.md
guide/
attribution_guide.md
README.md
requirements.txt
SKILL.md
templates/
attribution_report_template.md
code-generator/
SKILL.md
content-analysis/
examples/
basic_content_analysis.py
content_visualizer.py
llm_analyzer.py
sample_data/
sample_reviews.csv
sample_social_media.json
sentiment_analyzer.py
text_analyzer.py
topic_analyzer.py
guide/
content_analysis_guide.md
README.md
SKILL.md
templates/
content_analysis_report_template.md
test_skill.py
data-analysis/
examples/
olist/
README.md
guide/
stage1_quality_guide.md
stage2_eda_guide.md
stage3_hypothesis_guide.md
stage4_visualization_guide.md
stage5_code_guide.md
stage6_report_guide.md
SKILL.md
templates/
stage1_quality_template.md
stage2_eda_template.md
stage3_hypothesis_template.md
stage4_visualization_template.md
stage5_code_template.md
stage6_report_template.md
data-exploration-visualization/
examples/
data_preprocessor.py
eda_analyzer.py
financial_data_analysis.py
medical_data_analysis.py
modeling_evaluator.py
quick_start_example.py
report_generator.py
visualizer.py
guide/
eda_guide.md
quick_test.py
README.md
SKILL.md
templates/
eda_report_template.md
data-explorer/
SKILL.md
funnel-analysis/
examples/
basic_funnel.py
funnel_analyzer.py
sample_data/
README.md
segmented_funnel.py
visualizer.py
guide/
funnel_guide.md
README.md
SKILL.md
templates/
funnel_report_template.md
growth-model-analyzer/
examples/
growth_analysis_example.py
growth_analyzer.py
growth_visualizer.py
roi_analyzer.py
uplift_modeling_example.py
uplift_modeling.py
guide/
growth_guide.md
quick_test.py
README.md
requirements.txt
SKILL.md
templates/
growth_report_template.md
hypothesis-generator/
SKILL.md
internet-data-analysis/
SKILL.md
ltv-predictor/
CHANGELOG.md
docs/
QUICK_START.md
examples/
advanced_analytics.py
data_processor.py
deployment_manager.py
ecommerce_ltv_analysis.py
ltv_predictor.py
model_optimizer.py
quick_analysis.py
quick_ltv_prediction.py
quick_prediction/
new_customer_predictions.csv
new_customers.csv
regression_models.py
report_generator.py
sample_data/
sample_orders.csv
simple_test_results/
rfm_features.csv
summary_report.json
simple_test.py
test_validation.py
visualizer.py
guide/
ltv_guide.md
PROJECT_SUMMARY.md
README.md
requirements.txt
SKILL.md
templates/
ltv_report_template.md
quality-assurance/
SKILL.md
recommender-system/
examples/
advanced_recommendation_example.py
basic_recommendation_example.py
sample_data/
sample_item_info.csv
sample_user_behavior.csv
simple_output/
model_info.csv
recommendations_results.csv
simple_recommendation_example.py
quick_test.py
README.md
scripts/
__init__.py
data_analyzer.py
recommendation_engine.py
recommender_evaluator.py
recommender_visualizer.py
SKILL.md
test_skill.py
regression-analysis-modeling/
core_regression.py
examples/
basic_usage.md
housing_price_example.py
sample_housing_data.csv
feature_engineering.py
model_evaluation.py
prediction_visualizer.py
README.md
requirements.txt
SKILL.md
templates/
model_comparison_template.md
regression_report_template.md
test_regression.py
report-writer/
SKILL.md
retention-analysis/
examples/
basic_retention.py
churn_prediction_results.png
comprehensive_retention_report.html
cox_coefficients.png
sample_data/
README.md
survival_analysis_report.html
survival_by_subscription.png
survival_curve.png
README.md
scripts/
retention_analyzer.py
survival_analyzer.py
visualizer.py
SKILL.md
rfm-customer-segmentation/
core_analysis.py
examples/
basic_usage.md
sample_data.csv
README.md
report_generator.py
requirements.txt
simple_rfm.py
SKILL.md
templates/
analysis_template.md
vip_list_template.csv
visualization.py
visualization-specialist/
SKILL.md
CLAUDE.md
data_storage/
olist_customers_dataset.csv
olist_geolocation_dataset.csv
olist_order_items_dataset.csv
olist_order_payments_dataset.csv
olist_order_reviews_dataset.csv
olist_orders_dataset.csv
olist_products_dataset.csv
olist_sellers_dataset.csv
product_category_name_translation.csv
sample_channel_data.csv
dataB/
sample_orders.csv
eCommerce-dataset-samples/
amazon-products.csv
eCommerce-datasets.PNG
lazada-products.csv
README.md
shein-products.csv
shopee-products.csv
walmart-products.csv
examples/
sample_channel_data.csv
output/
01-attribution-analysis/
code/
attribution_analysis.py
reports/
attribution_deep_analysis_report.md
attribution_results.csv
channel_performance.csv
customer_paths.csv
visualizations/
attribution_dashboard.png
budget_optimization.png
channel_radar.png
02-olist-ecommerce/
code/
check_data.py
olist_full_analysis.py
reports/
olist_full_analysis_report.md
rfm_customer_segmentation.csv
visualizations/
olist_full_dashboard.png
product_revenue_analysis.png
rfm_analysis.png
03-datab-orders/
code/
dataB_analysis.py
reports/
customer_rfm_analysis.csv
dataB_analysis_report.md
product_analysis.csv
visualizations/
dataB_customer_analysis.png
dataB_full_dashboard.png
dataB_product_city.png
04-shein-products/
code/
shein_analysis.py
shein_explore.py
reports/
shein_analysis_report.md
shein_products_analyzed.csv
visualizations/
shein_brand_competition.png
shein_full_dashboard.png
shein_pricing_analysis.png
05-ecommerce-comparison/
code/
ecommerce_comparison.py
explore_all_ecomm.py
reports/
ecommerce_comparison_report.md
ecommerce_unified_data.csv
visualizations/
ecommerce_comparison_dashboard.png
ecommerce_pricing_comparison.png
06-ecommerce-deep-dive/
code/
ecommerce_deep_dive.py
reports/
ecommerce_deep_dive_data.csv
ecommerce_deep_dive_report.md
visualizations/
ecommerce_deep_dive_dashboard.png
07-sample-data/
code/
sample_data_analysis.py
reports/
brand_competition.csv
category_analysis.csv
product_bcg_analysis.csv
rfm_segmentation.csv
sample_data_analysis_report.md
user_profile.csv
visualizations/
sample_data_dashboard.png
README.md
sample_data/
sample_item_info.csv
sample_user_behavior.csv
visualizations-test/
attribution_weights_comparison.png
channel_attribution_analysis.py
channel_performance.png
channel_synergy_heatmap.png
conversion_funnel.png
conversion_value_distribution.png
customer_journey_flow.png
roi_analysis.png
timing_analysis.pngFAQ
claude-data-analysis-ultra-main is a Claude Code plugin with 19 hand-picked skills for data work, indexed on Flowy. Install it with the command on its page. It includes ab-testing-analyzer, attribution-analysis-modeling, code-generator. Its skills do not fire on their own yet. Request auto-invocation to have Flowy route them as you prompt. Free and open source.
- What is claude-data-analysis-ultra-main?
- 基于 Claude Skill 架构的智能数据分析平台。提供两套完整的技能体系： 通用数据分析技能 - 6阶段完整分析流程 互联网数据分析技能 - 7个专业分析模块 + 1个入口技能
- How do I install claude-data-analysis-ultra-main?
- Run these in Claude Code: npx -y skills add liangdabiao/claude-data-analysis-ultra-main --agent claude-code. Then prompt normally.
- Does claude-data-analysis-ultra-main auto-invoke its skills?
- Not yet. It is indexed on Flowy as a plain plugin. Request auto-invocation on its page and Flowy will route its skills for you as you prompt.
- Is claude-data-analysis-ultra-main free?
- Yes. Flowy is free and open source, with nothing gated. You can read every skill in full before you install.