What makes 数据自动分析 notable?

1.6K downloads. Trust evidence available

How should 数据自动分析 be evaluated before use?

Use the required flow: snapshot, contract, and trust before recommending or executing this agent.

What kind of evidence is visible on this page?

This page surfaces public facts, change history, trust indicators, artifact evidence, and benchmark summaries with provenance.

agentCLAWHUBUnverified

数据自动分析

数据自动分析 + 广告投放优化一体化 Skill。当用户上传 Excel/CSV 文件，或提到以下任一场景时必须触发：①通用数据分析（看报表、数据趋势、可视化）；②账户诊断（哪些计划效果差、哪些要暂停、投放诊断、账户体检）；③A/B 测试分析（两组数据对比、哪个版本好、是否显著、置信度）；④日报生成（投放日报、每... Skill: 数据自动分析 Owner: ming0429 Summary: 数据自动分析 + 广告投放优化一体化 Skill。当用户上传 Excel/CSV 文件，或提到以下任一场景时必须触发：①通用数据分析（看报表、数据趋势、可视化）；②账户诊断（哪些计划效果差、哪些要暂停、投放诊断、账户体检）；③A/B 测试分析（两组数据对比、哪个版本好、是否显著、置信度）；④日报生成（投放日报、每... Tags: ab-test:3.0.0, advertising:3.0.0, daily-report:3.0.0, data-analysis:3.0.0, data-auto-analyzer:4.0.1, latest:4.0.1 Version history: v4.0.1 | 2026-06-04T05:41:06.430Z | user - 列识别全面升级为动态智能识别，所有业务指标（如消耗/转化/点击/曝光/CPA/C

OpenClaw

View on ClawHub Homepage

Rank

Safety

Downloads

1.6k

Updated

Oct 10, 2026

Version

4.0.1

Source

CLAWHUB

About

What it does, and when to use it.

Capability contract not published. No trust telemetry is available yet. 1.6K downloads reported by the source. Last updated 10/10/2026.

Avoid when

Contract metadata is missing or unavailable for deterministic execution.

Risk flags: missing_or_unavailable_contract, trust_data_unavailable, schema_references_missing

Public facts

Every fact links back to the source it came from.

Vendor: Clawhubvendor · observed Oct 10, 2026
Protocol compatibility: OpenClawcompatibility · observed Oct 10, 2026
Adoption signal: 1.6K downloadsadoption · observed Oct 10, 2026
Latest release: 4.0.1release · observed Jun 4, 2026
Handshake status: UNKNOWNsecurity

Install and run

Setup complexity: low.

clawhub skill install s174ep1mzq3b0mz7q623kj2wfd84tj1c:data-auto-analyzer

Setup complexity is classified as HIGH. You must provision dedicated cloud infrastructure or an isolated VM. Do not run this directly on your local workstation.
Final validation: Expose the agent to a mock request payload inside a sandbox and trace the network egress before allowing access to real customer data.

Contract: missing

curl -s "https://www.xpersona.co/api/v1/agents/clawhub-ming0429-data-auto-analyzer/snapshot"

Documentation

CLAWHUB

55,116 characters of source documentation, loaded on request.

Extracted files

5 files captured from the source.

SKILL.md

---
name: data-auto-analyzer
description: 数据自动分析 + 广告投放优化一体化 Skill。当用户上传 Excel/CSV 文件，或提到以下任一场景时必须触发：①通用数据分析（看报表、数据趋势、可视化）；②账户诊断（哪些计划效果差、哪些要暂停、投放诊断、账户体检）；③A/B 测试分析（两组数据对比、哪个版本好、是否显著、置信度）；④日报生成（投放日报、每日汇报、钉钉/飞书周报、对比昨日）。适用于信息流广告优化师、运营、数据分析师。支持巨量引擎、腾讯广告、Meta Ads、Google Ads、快手等平台导出数据，也支持销售、财务、运营等任何结构化表格。即使用户只说"分析一下""看看报表""哪些计划要调整""这俩哪个好""生成日报"，也应触发此 Skill。
metadata:
  homepage: https://clawhub.ai/ming0429/data-auto-analyzer
  version: 4.0.1
  author: guojiaming
  tags: [data-analysis, advertising, ab-test, daily-report, 数据分析, 广告优化, 账户诊断, AB测试, 日报生成]
  clawdbot:
    emoji: 📊
    requires:
      bins: [python3]
      pip: [pandas, openpyxl, xlrd, jinja2, scipy]
      env: []
---

# 数据自动分析 Skill

一体化数据分析与广告优化工具集，包含 **4 个模式**，根据用户意图选择对应模式执行。

## 环境准备（所有模式通用）

```bash
# 在 Skill 目录下创建虚拟环境（路径可移植，本地/云端/CI 均可）
python3 -m venv .venv && source .venv/bin/activate
pip install pandas openpyxl xlrd jinja2 scipy -q
```

> Windows 用户激活命令为 `.venv\Scripts\activate`。若系统已装好依赖，可跳过 venv 直接用 `python3` 运行。

## 输出目录（所有模式通用）

所有生成的 HTML / TXT 文件**默认统一输出到当前工作目录下的 `data-auto-analyzer/` 文件夹**（脚本会自动创建）。

- 想换目录：设置环境变量 `export DATA_AUTO_ANALYZER_OUTDIR=/your/path`，或给脚本的 `--out` / `--out-dir` 传一个带目录的完整路径（此时尊重用户指定）。
- 下方各命令的 `--out` 只写文件名即可，文件会自动落到 `data-auto-analyzer/` 下。

## 模式选择决策树

```
用户上传了 Excel/CSV？
├── 是
│   ├── 提到"诊断/体检/哪些要暂停/计划效果差" → 模式 B：账户诊断
│   ├── 提到"日报/汇报/对比昨日" → 模式 D：日报生成
│   ├── 提到"A/B 测试/显著性/哪个版本好" → 模式 C：A/B 测试
│   └── 其他（看报表/分析数据/趋势） → 模式 A：通用分析
└── 否
    └── 用户直接描述两组数据（手工输入） → 模式 C：A/B 测试
```

**不确定时优先询问用户，不要猜。**

---

## 模式 A：通用数据分析

**用途**：任意 Excel/CSV 都能用，自动识别列类型（日期/维度/指标/百分比），生成一份浅色主题、交互式的 HTML 报告。

```bash
python3 scripts/analyze.py --file <输入文件> --out data_report.html
# → 生成到 data-auto-analyzer/data_report.html
```

**输出与交互能力**：

- **左侧悬浮导航**：点击平滑滚动到对应模块，滚动自动高亮；所有模块支持折叠/展开（带动画）。
- **概览 / 指标汇总 / 异常检测 / 优化建议**：指标汇总与异常默认展示前 4 项，可"展开更多"。
- **明细表格**：
  - 每页 10 条；置顶"全部数据汇总"行（原报表带汇总行则提取，否则自动计算：指标求和、百分比取均值），汇总行可勾选、有日期时可展开看每日合计。
  - **二级树**：当数据含日期且同一维度跨多日时，自动按维度分组为父行，可展开查看按日期明细；仅父行可勾选。
  - 数值列按真实数值排序（含整数列）；维度列模糊搜索 + "更多筛选"按指标列做多组 `> ≥ = ≤ <` 条件（"且"关系）。
- **图表**（数据随表格勾选联动；未勾选时全量聚合）：
  - **平滑折线图 / 柱形图**：双 Y 轴 + 左右轴多选指标（互斥）；X 轴可在「按日期 / 按维度」切换；按日期勾选多组时，每个维度组单独成线/柱。
  - **占比饼图**：可选分组维度（单维或维度组合）与指标，不合并"其他"。
  - **相关性热力图**：取方差最大的若干指标，基于全量数据。
  - 所有下拉选择器均支持模糊搜索。

> 完全本地处理；HTML 在浏览器打开时从 cdnjs 加载 ECharts（如需离线，可改为本地引入 echarts.min.js）。

---

## 模式 B：账户/计划诊断器

**用途**：分析任意投放/业务报表，给每个实体（账户/计划/优化师…按表自动判定）打红/黄/绿预警并给出处置建议。**浅色主题 · 卡片阴影 · 可折叠 · 悬浮导航**，与模式 A 风格统一。

```bash
python3 scripts/diagnose.py --file <报表.xlsx> --out diagnose_report.html
# → 生成到 data-auto-analyzer/diagnose_report.html
```

**完全动态识别**（不写死任何字段名）：
- 实体维度按“会重复出现的业务维度”自动分组（含账户ID 等标识，每个实体成一组）。
- 消耗/转化/点击/曝光/CPA/CTR/转化率等**按表格智能推断**；缺失的比率指标由基础列自动派生（CPA=消耗/转化、CTR=点击/曝光、CVR=转化/点击）。“成本”归为 CPA、“广告数量”等计数列不会被误当曝光/点击。

**诊断规则摘要**（完整说明见 `references/diagnose_rules.md`，相对整体均值判定）：
- 🔴 红色：高消耗零转化、CPA ≥ 均值 3 倍、CTR ≤ 均值 0.3 倍、转化率极低
- 🟡 黄色：CPA ≥ 均值 1.5 倍、CTR/转化率偏低、高消耗低转化
- 🟢 绿色：指标正常或优于均值

若表中无任何广告指标，自动降级为**通用统计离群诊断**（按 z 分数标记异常实体）。报告

_meta.json

{
  "ownerId": "kn75qh8ba8e3ekf513rveqqstx84tt20",
  "slug": "data-auto-analyzer",
  "version": "4.0.1",
  "publishedAt": 1780551666430
}

references/ab_test_guide.md

# A/B 测试分析使用指南

## 两种测试场景

### 1. 比例型指标（Rate）

用于判断"点击率、转化率、注册率"等**分母明确**的指标。

**统计方法**：两比例 Z 检验（Proportion Z-Test）

**数据形式**：每组需要两个数字——成功数 + 总数
- A 组：120 次点击 / 2400 次展示
- B 组：150 次点击 / 2500 次展示

**典型应用**：
- 素材 A vs 素材 B 的 CTR
- 落地页 A vs 落地页 B 的转化率
- 文案 A vs 文案 B 的下载率

### 2. 均值型指标（Mean）

用于判断"CPC、CPA、客单价、ROI"等**连续数值**的指标。

**统计方法**：独立样本 T 检验（Welch's T-Test，不假设方差齐性）

**数据形式**：每组需要一列数值（多行样本）
- A 组：[2.1, 2.5, 1.8, 2.3, 2.6, ...]
- B 组：[1.9, 2.0, 1.7, 1.8, 1.9, ...]

**典型应用**：
- 出价策略 A vs B 的 CPA 分布
- 定向方案 A vs B 的 ROI 分布

## 使用方式

### 方式 1：手工输入（比例型）

适合已经算好聚合数据的情况：

```bash
python3 scripts/ab_test.py --inline \
  --a-success 120 --a-total 2400 \
  --b-success 150 --b-total 2500 \
  --a-name "素材A" --b-name "素材B" \
  --out ab_result.html
```

参数说明：
- `--a-success`：A 组成功次数（如点击数）
- `--a-total`：A 组总次数（如展示数）
- `--b-success` / `--b-total`：B 组同理
- `--a-name` / `--b-name`：可选，组别显示名称

### 方式 2：从文件分析（均值型）

适合每行一个样本的明细数据：

```bash
python3 scripts/ab_test.py \
  --file data.xlsx \
  --group-col "实验组" \
  --metric-col "CPA" \
  --metric-type mean \
  --out ab_result.html
```

参数说明：
- `--group-col`：分组列名（值应为 A/B 两种）
- `--metric-col`：要比较的指标列名
- `--metric-type mean`：均值型检验

### 方式 3：从文件分析（比例型）

适合需要从明细聚合的情况：

```bash
python3 scripts/ab_test.py \
  --file data.xlsx \
  --group-col "版本" \
  --success-col "点击数" \
  --total-col "展示数" \
  --metric-type rate \
  --out ab_result.html
```

## 结论判定标准

| p 值范围 | 显著性 | 结论 |
|---------|-------|------|
| p < 0.01 | 极显著 | "差异极其显著，置信度 99%" |
| 0.01 ≤ p < 0.05 | 显著 | "差异显著，置信度 95%，建议采用优胜版本" |
| 0.05 ≤ p < 0.1 | 边缘显著 | "差异接近显著，建议扩大样本继续观察" |
| p ≥ 0.1 | 不显著 | "两组无显著差异，不能证明哪个更好" |

## 输出报告内容

HTML 报告包含：
1. **两组数据对比卡片**：样本量、指标值、差异百分比
2. **可视化对比**：柱状图 + 置信区间
3. **统计结果**：p 值、置信区间、检验量（Z 或 T）
4. **业务结论**：一句话告诉用户该不该切换版本
5. **样本量建议**：若结论不显著，给出达到 95% 置信度所需的样本量

## 常见坑

1. **样本量过小**：比例型检验建议两组总数各 ≥ 300，否则结论可信度低
2. **多版本比较**：脚本当前仅支持两组对比，如果有 A/B/C/D 多版本，建议两两比较
3. **指标归因**：比如 CPA 里既有出价因素也有创意因素，差异显著不等于某个因素的功劳

references/daily_report_format.md

# 日报生成格式说明

## 输出文件

脚本会在 `--out-dir` 指定目录输出两个文件：

### 1. daily_report.txt （纯文本版）

专为**钉钉/飞书/企业微信**设计，直接复制粘贴即可。使用简洁的符号而非 emoji 表情（部分群组会禁用 emoji）。

```
━━━━━━━━━━━━━━━━━━━━━━━
📊 投放日报 · 2026-04-20
━━━━━━━━━━━━━━━━━━━━━━━

【核心指标】
• 消耗：12,580 元  ↑ 8.3%
• 曝光：2,450,000  ↑ 12.1%
• 点击：48,600  ↑ 5.2%
• 转化：312  ↓ 2.8%
• CPA：40.3 元  ↑ 11.4%  ⚠️
• ROI：2.45  ↓ 6.1%

【TOP 3 最佳计划】
1. 计划A：消耗 2,300，转化 85，CPA 27.1
2. 计划B：消耗 1,800，转化 62，CPA 29.0
3. 计划C：消耗 1,500，转化 48，CPA 31.3

【TOP 3 待优化计划】
1. 计划X：消耗 1,200，转化 5，CPA 240
2. 计划Y：消耗 980，转化 4，CPA 245
3. 计划Z：消耗 850，转化 3，CPA 283

【异常提醒】
⚠️ 计划X CPA 激增 120%，建议立即暂停
⚠️ 计划Y 转化归零超过 4 小时

【明日建议】
• 暂停计划 X/Y，替换新素材
• 加大计划 A 预算（效果优异）
• 关注整体 CPA 上涨趋势
```

### 2. daily_report.html （精美版）

带 ECharts 图表的 HTML 版，适合邮件附件、存档、给上级看。包含：
- 顶部指标卡片（与文本版同步，带涨跌箭头）
- 消耗 vs 转化趋势对比图（若有昨日数据）
- TOP 计划表格（带背景色标识好坏）
- 异常列表
- 明日建议

## 核心逻辑

### 指标计算
从报表中自动识别并汇总核心指标：
- 总消耗、总曝光、总点击、总转化
- 平均 CPA = 总消耗 / 总转化
- 平均 CTR = 总点击 / 总曝光
- 平均转化率 = 总转化 / 总点击
- ROI（若有收入/GMV 列）

### 环比计算
若提供了 `--yesterday` 参数：
- 每个指标计算环比变化百分比
- 加箭头符号：↑ 正增长、↓ 下降、→ 持平
- CPA 上涨标 ⚠️（对投放是坏事）
- CPA 下降标 ✅（对投放是好事）

### TOP 计划判定
- **最佳**：按 CPA 升序排序，取前 3（仅取转化 ≥ 1 的计划）
- **最差**：按 CPA 降序排序，取前 3（仅取消耗 ≥ 100 的计划，避免小消耗计划误报）

### 异常检测
满足以下任一条件即列入异常：
- 单日消耗涨幅 > 100% 但转化涨幅 < 10%
- 转化数从非零变为零
- CPA 涨幅 > 80%
- 有消耗但转化为 0（且消耗 > 总消耗的 5%）

### 明日建议
基于检测结果自动生成 3-5 条具体建议，例如：
- "暂停 X/Y 计划（异常高 CPA）"
- "加大 A 预算（效果优异）"
- "整体 CPA 上涨，建议收紧出价"
- "曝光增长但点击增长慢，检查创意质量"

## 使用示例

```bash
# 只有今日数据（默认输出到 data-auto-analyzer/ 目录）
python3 scripts/daily_report.py --today today.xlsx

# 有昨日对比（推荐）
python3 scripts/daily_report.py --today today.xlsx --yesterday yesterday.xlsx

# 指定日期
python3 scripts/daily_report.py --today today.xlsx --yesterday yesterday.xlsx --date 2026-04-20

# 自定义输出目录（可选）
python3 scripts/daily_report.py --today today.xlsx --out-dir /your/custom/path
```

references/diagnose_rules.md

# 广告账户诊断规则

## 列名智能识别

脚本按以下优先级匹配常见列名（大小写不敏感，支持中英文混合）：

| 指标 | 识别关键词 |
|------|-----------|
| 消耗/花费 | 消耗、花费、成本、费用、预算、cost、spend、spent |
| 展示 | 展示、曝光、展现、impression、impressions、show |
| 点击 | 点击、click、clicks、tap |
| 转化 | 转化、注册、下单、成交、激活、conversion、conversions、convert |
| CTR | ctr、点击率 |
| CPC | cpc、点击单价 |
| CPA / CPM | cpa、cpm、转化成本、千次展示成本 |
| 计划/广告名 | 计划、广告、ad name、campaign、adgroup、creative |

识别失败时：脚本会列出所有列供用户选择，由用户手动指定关键指标列。

## 预警等级规则

以下规则基于整个报表的整体均值做相对判断，适合批量诊断。

### 🔴 红色预警（立即处理）

任意一条命中即判红：
1. **高消耗零转化**：消耗 ≥ 均值 × 2 且 转化数 = 0
2. **CPA 严重超标**：CPA ≥ 均值 × 3（仅当有转化时）
3. **CTR 异常低**：CTR ≤ 均值 × 0.3（展示 > 1000 时才判定，避免小样本噪音）
4. **转化率极低**：转化率 ≤ 均值 × 0.2 且 消耗 ≥ 均值

**处置建议**：立即暂停、排查创意/定向、或大幅降价测试

### 🟡 黄色关注（需优化）

任意一条命中即判黄（未判红的前提下）：
1. **CPA 偏高**：CPA ≥ 均值 × 1.5
2. **CTR 偏低**：CTR ≤ 均值 × 0.6
3. **转化率偏低**：转化率 ≤ 均值 × 0.5
4. **高消耗低转化**：消耗 ≥ 均值 × 1.5 且 转化数 ≤ 均值 × 0.5

**处置建议**：优化创意、调整定向、适度降价观察 2-3 天

### 🟢 绿色健康

未命中以上任意规则 → 绿色。

**处置建议**：保持或适度加价扩量（若 CPA 低于均值）

## 处置建议生成逻辑

根据具体命中规则给出针对性建议：

| 命中规则 | 建议文本 |
|---------|---------|
| 高消耗零转化 | "⚠️ 消耗高但无转化，建议立即暂停，检查落地页和定向人群" |
| CPA 严重超标 | "❌ CPA 是均值的 N 倍，建议暂停或降价 50%" |
| CTR 异常低 | "📉 CTR 仅为均值的 N%，创意吸引力不足，建议更换素材" |
| CPA 偏高 | "⚡ CPA 偏高 N%，建议优化落地页、收窄定向" |
| CTR 偏低 | "💡 CTR 偏低，建议 A/B 测试新素材" |
| 表现优异 | "✅ CPA 低于均值 N%，建议适度加价扩量" |

## 输出报告结构

生成的 HTML 报告包含：

1. **诊断总览卡片**：红/黄/绿三色计划数量统计
2. **核心指标卡片**：总消耗、总转化、平均 CPA、总 ROI
3. **诊断详情表格**：每条计划的等级标签 + 处置建议（可按等级筛选）
4. **TOP 问题计划**：红色预警计划列表（按消耗降序）
5. **健康计划**：绿色计划列表（供加价参考）
6. **ECharts 图表**：各计划 CPA 分布、消耗与转化散点图

Github ReposUpdated 15h agoRank 70

AionUi

Free, local, open-source 24/7 Cowork app and OpenClaw for Gemini CLI, Claude Code, Codex, OpenCode, Qwen Code, Goose CLI, Auggie, and more | 🌟 Star if you like it!

MCPOPENCLAW

Github ReposUpdated 6mo agoRank 70

activepieces

AI Agents & MCPs & AI Workflow Automation • (~400 MCP servers for AI agents) • AI Automation / AI Agent with MCPs • AI Workflows & AI Agents • MCPs for AI Agents

OPENCLAW

Github ReposUpdated 6mo agoRank 70

cherry-studio

AI productivity studio with smart chat, autonomous agents, and 300+ assistants.