AI 做数据分析与报告 · 周报/ROI/Excel 全链路
来源：花叔 huashu-data-pro SKILL（references/workflows.md · references/ad-analytics.md）
真正的卡点不是分析能力
做周报最难的不是”看懂数据”——而是能不能按时交出来。
HR 在等下班前那份月度招聘漏斗；散户在等财报季一结束就做好的对比表；高校老师在等期末前把全班成绩整理成可交给教务处的分布图。现实是：Excel 里复制粘贴一下午，公式写错了不知道错在哪，图表不知道怎么做到”好看”，最后 PPT 赶工到凌晨。
数据分析这件事，大多数人的卡点从来不是”分析能力”，而是操作摩擦——在数据搬运、公式调试、图表美化上耗掉了本该用来思考的时间。
AI 的介入，正是把这段摩擦压缩到接近零。
核心哲学：多想一步
花叔给这个工具定下了一条设计原则，值得完整引用：
帮用户多想一步——不只完成任务，更提供专家洞察。
这句话的意思是：AI 不是执行机器。你丢进去一张招聘漏斗表，它给你算完转化率之后，还会主动告诉你”面试通过率这周异常低，可能是 JD 吸引力下降或者面试官标准收紧了”——这个多出来的一步，是你自己盯着数字往往会漏掉的。
与之配套的还有四条原则：先理解后执行（先问”你真正需要什么”）、专家视角（以分析师/投放优化师/设计师身份介入）、数据诚实（绝不编造数字，图表不误导）、视觉品质（不做丑图）。
能力全景：端到端的六个模块
SKILL 描述自己覆盖”数据处理、分析洞察、报告撰写、PPT制作、数据可视化的端到端工作流”，具体拆开是六条线：
数据处理 — 读取 Excel/CSV，输出字段清单、缺失率、基础统计、数据质量问题
分析洞察 — 结论先行结构：核心结论 → 数据支撑 → 异常/风险 → 可执行建议 → 下一步
报告撰写 — 支持两种格式：管理层 1 页纸（结论+指标+建议+风险）；详细分析报告（摘要+维度分析+附录）
PPT制作 — HTML→PPTX 转换引擎，配合 slides 类技能使用（data-pro 主线是数据→洞察，slides 主线是内容→演示成品）
数据可视化 — 默认输出交互式 HTML 报告（ECharts 内联，无 CDN 依赖），5 种风格随机（Financial Times 三文鱼粉 · McKinsey 深蓝 · The Economist 红条 · Goldman Sachs 金色 · Swiss 极简黑白）
公式生成 — 始终带错误处理（IFERROR），输出”公式+含义+适用范围”三件套
这六条线可以单独调用，也可以一气打通：丢数据进去，拿回分析报告+图表+PPT 素材。
三个画像的典型场景
HR：月度招聘漏斗 + 培训 ROI
HR 的数据工作通常是这样的：导出招聘系统的表，里面有简历投递数、初筛数、面试数、Offer 数、入职数，分散在不同 sheet 里，需要合并计算每个阶段的转化率，最后画出漏斗图交周报。
AI 接手后：自动读取多 sheet、合并字段、计算各阶段转化率、输出漏斗可视化，并主动标注”运营岗面试通过率本月从 38% 降至 22%，建议核查 JD 与面试题的匹配度”。培训 ROI 表（培训成本 vs. 培训后 3 个月绩效变化）同理——给它原始数据，它给你带结论的分析报告，连人才流动热力图（哪个部门流失率高、时段集中在哪）都可以直接出图。
散户：组合 ROI 测算 + 财报关键指标抓取
散户做数据分析最常见的场景：财报季，多只票的关键指标要横向对比（营收增速、净利率、PE、PB），手工抄来抄去容易出错，最后还要做成一张干净的对比表。
AI 可以接收你整理的财报数字，生成带条件格式的 Excel 模板（增速超 20% 标绿、亏损标红），同时按投放分析的逻辑给出组合 ROI 测算公式——IFERROR 包裹、除零保护、结果列自动显示。SKILL 里对 ROI 的定义是GMV ÷ 消耗，对应到个人投资则是收益 ÷ 持仓成本，同一套分析逻辑平移过来就能用。
高校老师：班级成绩分布 + 学情对比报告
期末，Excel 里有全班 60 人的各科分数，需要算平均分、标准差、优秀率/不及格率，画出成绩分布直方图，再写一份交给教务处的学情报告。
AI 接手后：读取成绩表，5 秒内输出基础统计（均值/中位数/极值/标准差），自动标注”数学不及格率 23%，高于全年级平均 14%，建议关注 60-70 分段同学的薄弱知识点”，然后生成分布直方图（交互式 HTML 可截图入报告）。考勤数据可视化同理——把签到记录给它，它帮你出缺勤热力图（按周次 × 学生）。
完整例子：HR 月度招聘漏斗分析
场景：HR 小李，月底要在周五下班前提交一份招聘月报，老板要看漏斗转化率 + 本月异常 + 下月建议。她有一张从招聘系统导出的 Excel，4 个 sheet（简历库、面试记录、Offer 记录、入职记录），总计约 600 行。
第一步：丢数据 小李把 Excel 直接发给 AI，说：“帮我做本月招聘漏斗分析，要给总监看的那种。”
第二步：AI 读取 + 概览
AI 自动调用read_excel.py，输出：
- 数据维度：4 sheets，合计 587 行，12 个字段
- 关键字段：岗位、投递日期、面试轮次、状态、入职日期
- 数据质量问题：「入职记录」sheet 有 3 行日期格式不一致（2026/3/1 vs 2026-03-01），已自动清洗
- 初步发现：技术岗 Offer 接受率仅 41%，远低于运营岗的 78%
第三步：漏斗计算 + 结论 AI 合并四个 sheet，计算各阶段转化率，输出结论先行结构：
核心结论：本月整体漏斗转化率 6.2%，技术岗 Offer 接受率 41% 是最大卡点。
→ 数据支撑：投递 312 份→初筛 89 份（28.5%）→面试 54 份（60.7%）→Offer 22 份（40.7%）→入职 9 份（40.9%）
→ 异常：技术岗候选人平均决策周期 12 天，运营岗 4 天；3 人拒 Offer 原因为「薪资低于市场」
→ 建议：①技术岗薪资带宽上浮 15% 对标市场；②缩短面试到 Offer 决策链（目前平均 6 个工作日）；③下月初筛重点补充 Java/Go 方向简历
→ 下一步（多想一步）：建议追踪「拒 Offer 后 6 个月内入职竞对」比例，判断流失的是否为高潜候选人
第四步：可视化 AI 生成交互式 HTML 漏斗图（McKinsey 深蓝风格），可直接截图或嵌入报告。小李在浏览器打开 HTML，点击各阶段能看到明细数据，截图后放进 PPT。
第五步：拿到产出 整个过程：小李花了 3 分钟描述需求、2 分钟确认字段含义，AI 输出了分析报告（含结论+数据+建议）、漏斗可视化 HTML、可直接粘贴进 PPT 的关键数字摘要。下班前半小时搞定，之前这件事要花她整个下午。
data-pro 和 slides 的分工
data-pro 主线：数据 → 分析洞察 → 报告文字 + 交互图表。核心是”把数字变成结论”。
slides 主线：内容（文字/观点/结构）→ 演示文稿成品。核心是”把内容变成可放映的 PPT”。
两者的交接点是：data-pro 出报告和图表素材，slides 把素材组装成正式演示文稿。一句话：data-pro 是厨房，slides 是摆盘。
怎么本地跑
花叔的 data-pro skill 部署在 Claude Code 的技能目录里。使用方式：在 Claude Code 会话中触发关键词（“分析数据”/“做报告”/“Excel”/“周报”/“ROI”/“图表”/“公式”），skill 自动激活，进入数据分析模式。Excel 处理依赖 Python 环境（pandas + openpyxl），PPT 制作依赖 Node.js（pptxgenjs + playwright）；缺失时 AI 自动安装，不需要用户手动处理。数据报告默认生成交互式 HTML 文件，用浏览器打开即可查看，支持 PDF 导出。
关联页面
3-你能让-AI-成为什么/AI做PPT.md— slides 专项：从内容/大纲到正式演示文稿的完整链路（与 data-pro 协同使用）6-搭完了怎么越来越好/Prompt库管理.md— 周报/月报 prompt 在跑通之后应沉淀入库，下次一键调用不必从头描述需求