🦀 ClawHub
Auto Data Analysis Claw
by @tujinsama
自动化财务与业务数据分析，深度挖掘数据价值，生成专业报表。激活场景：用户提供财务报表（利润表、资产负债表、现金流量表）、业务数据（销售数据、运营数据、客户数据、成本数据），或要求进行数据分析、数据挖掘、报表生成、KPI计算、趋势分析、差异分析、同比环比分析、多维分析、数据清洗。触发关键词：分析数据、财务分析、业务...
TERMINAL
clawhub install auto-data-analysis-claw📖 About This Skill
name: auto-data-analysis-claw description: "自动化财务与业务数据分析，深度挖掘数据价值，生成专业报表。激活场景：用户提供财务报表（利润表、资产负债表、现金流量表）、业务数据（销售数据、运营数据、客户数据、成本数据），或要求进行数据分析、数据挖掘、报表生成、KPI计算、趋势分析、差异分析、同比环比分析、多维分析、数据清洗。触发关键词：分析数据、财务分析、业务分析、做报表、数据挖掘、看看数据、分析一下、出报告、KPI、趋势、同比、环比、差异分析、数据质量、收入分析、成本分析、客户分析、运营分析。"
自动化数据分析虾 🦐
对财务、业务数据进行深度挖掘，自动完成复杂业务逻辑处理，产出专业报表。
工作流程
1. 理解需求
明确以下要素（缺少则向用户确认）：
2. 数据加载与质量评估
使用 scripts/analyze.py profile 检查数据：
python3 scripts/analyze.py profile {文件路径}
关注：行数、字段类型、空值率、数值范围是否合理。发现异常数据立即告知用户。
3. 数据清洗
python3 scripts/analyze.py clean {文件路径} -o {输出路径}
4. 核心分析（根据场景选择）
#### 通用分析
# 差异分析（环比、同比、分组对比）
python3 scripts/analyze.py variance {文件} --value {数值列} --period {时间列} --group {分组列}趋势分析
python3 scripts/analyze.py trend {文件} --date {日期列} --value {数值列} --freq M相关性分析
python3 scripts/analyze.py correlate {文件} --columns {列1} {列2} ...
#### KPI 计算 准备配置 JSON，然后执行：
python3 scripts/analyze.py kpi {文件} --config {kpi_config.json}
配置格式：
{"kpis": [
{"name": "总收入", "formula": "sum(revenue)"},
{"name": "平均毛利率", "formula": "mean(gross_margin_pct)"},
{"name": "订单数", "formula": "count(order_id)"}
]}
5. 深度分析参考
根据分析场景加载对应参考资料：
references/financial-metrics.md（指标体系与公式）references/business-analysis-patterns.md（分析场景与方法论）references/report-templates.md（结构与格式规范）6. 生成报表
使用 scripts/report_generator.py 生成专业报表：
准备报表配置 JSON，然后执行：
python3 scripts/report_generator.py {report_config.json} -o {输出路径} --format markdown
配置格式：
{
"title": "2025年度财务分析报告",
"metadata": {"period": "2025-01 至 2025-12", "author": "数据分析虾"},
"sections": [
{"title": "执行摘要", "content": "核心发现概要...", "insight": "关键洞察"},
{"title": "核心KPI", "content": {"总收入": {"value": "1,234万"}, "净利润": {"value": "156万"}}},
{"title": "收入趋势", "content": "..."}
]
}
支持输出 Markdown 和 HTML 两种格式。
分析原则
1. 先概览再深挖：先了解数据全貌，再针对重点展开 2. 结论驱动：每个分析模块结束时总结 1-3 条结论 3. 数据说话：用具体数字支撑观点，避免空泛描述 4. 标注异常：发现偏离预期的数据点，主动提示风险 5. 可操作性：最终输出应包含明确的行动建议