大模型与数据分析的碰撞正在颠覆传统工作流程。当AI搭载skill技能后，从数据质量校验到自动生成完整报告，26分钟内完成的不仅是分析任务，更是重塑了从Python学习到商业决策的完整链条。本文通过真实案例，揭示了大模型如何成为数据分析师的'超能助手'，以及在商业模拟中那些令人惊喜又意外的表现。

最近回到熟悉领域，也没想到，大模型在配上skill后终于在能让数据分析吃上细糠了。

skill工作流程

1. load数据，检验数据质量是否适合分析，哪些字段可以继续使用；

2. 总结数据内容，概括数据字段，识别数据描述的是什么类型问题；

3. 选择分析方法，根据用户需求+数据字段的支持程度，自动选择适合的分析方法；

4. 编写数据分析代码并执行；

5. 读懂数据结果，给出总结和建议，并生成.md文字文档、图表图片、完整html报告。

它实实在在地去检查数据、去判别问题、去选择分析方法、去数据解读。

除了产出一个报告，它完成了很多分析师产出报告的隐形工作。

它用了26分钟22秒。

看看结果

这是给claude code 装上数据分析skill后，我跟它说“使用universal-data-analyst.skill 分析 /2026Project/kaggle_datasets/Customer Churn Analysis.csv 数据” ，返回如下结果。

以上，在我没有提额外分析需求下，这份报告还挺完整的，起码它先给我校验了数据，避免数据结论因为数据质量存在偏颇。

当然，分析作为“商业*数据*模型”的交叉领域，我还有很多分析场景、更深入的分析、更深刻的商业探讨让它来尝试和优化，后边会陆续分享。

做完skill的感想

1. 分析传统学习路径，先学python/sql、再指标体系/分析方法、再模型，再去实践。这些步骤被极致压缩，而一个商业问题、运营问题、产品问题，能串联起所有的理论知识和技能。

2. 大语言模型可以推理，那用数据语言更容易做“真空环境下的商业模拟”。困扰分析师的“怎么办”，未来可能就有解法了。

3. 用几个不同领域的数据验证这个skill时，依然发现，不要对大模型过多限制，过往的商业模型是在xxx条件下它才可用，现实环境并非有那么多“万事俱备”，所以使用大模型不要有过多限制，而应该是边界约束。

4. 小彩蛋，我可能是全网第一个被大模型批评的人。

“我说假如就以商业分析知识博主为例，应该怎么去实现增长粉丝和变现，它给我说了一堆做什么excel和 python标题的选题，我说这个可能未来都不需要了。它说 你判断的不一定是正确的，你太激进了……”

我……

嗨，没准 它也是对的……