Community研究&データ分析github.com

seacen/data-analyst-sz

訓練されたシニアデータアナリストをオンコールスキルとして提供します。プロフェッショナルな9ステップフレームワークで任意の構造化データを分析し、すべての数値のトレーサビリティを確保します。

data-analyst-sz とは?

このスキルは、AIネイティブな構造化データ分析を実現するために設計された、汎用的な0+9ワークフローとプラグイン可能なドメインパックを提供します。データアナリストとして、ユーザーが提供する任意の構造化データセットに対して、ドメイン検出から始まる9段階の分析フレームワークを自動的に実行します。アナリストは現状のデータを読み込み、その場でpandasコードを生成・実行してプロファイリング、シグナルスキャン、仮説検証、分解、統合を行い、最終的にHTMLデッキとMarkdownレポートという2つの並列した成果物を生成します。Claude CodeやCursorなどのAIエージェントプラットフォーム上で動作し、すべての数値にトレーサビリティを提供するために、LLMによる直接的な数値計算を禁止し、各数値にverdict_idを付与して検証結果にリンクします。このスキルはドメインに依存せず、ドメイン固有の知識はすべて外部のドメインパックに分離されているため、新しいドメインを追加する際もスキル本体のコードを変更する必要はありません。9ステップの詳細な実装ガイドライン、アンチハルシネーションルール、およびドメインパックプロトコルはreferencesディレクトリに文書化されています。

対応~Claude Code~Codex CLI~Cursor
npx skills add seacen/data-analyst-sz

Installed? Explore more 研究&データ分析 skills: affaan-m/uspto-database, affaan-m/scholar-evaluation, affaan-m/literature-review · View all 6 →

お気に入りのAIに質問する

このエージェントスキルを事前に読み込んだ状態で新しいチャットを開きます。

ドキュメント

Data Analysis Skill

AIネイティブな構造化データ分析:汎用的な 0+9 workflow + プラグイン可能な domain packs。このファイルはエントリポイント(ドメイン検出 + 主要ルール + ポインタ)です。詳細な手順は必要に応じて references/ および選択された domain pack からロードします。本スキルはドメインに依存しません(domain-neutral)——すべてのドメイン知識は domains/<name>/ にあり、このファイルには特定のドメイン名は出現しません。

How it works — 0+9 workflow

Step 0 のドメイン検出はこのファイルで行います。Step 1–9 の手順、各ステップで何をロードするか、何を生成するかは、すべて references/9-step-framework.md(各ステップのロードテーブルの唯一の権威)に記載されています。分析を開始する際は、最初にこれをロードします。

Step一言
0 Domain Detectresolver を読む → domain pack へルーティング(または generic)
1 Profileagent がその場で profiling を記述:カラム→フィールドロール、周期/snapshot の判定、データのギャップを算出
2 Signal Scanその場でシグナルスキャンを記述(異常 / 顕著な変化 / 指数のベンチマークに対する乖離)
3 Clarify曖昧さやデータの制約が要求を妨げる場合のみ質問(ここでギャップをユーザーに提示)
4 Framedomain の framework.md を使用して MECE な issue tree を構築
5 Hypothesize反証可能な仮説を立て、domain lever と紐付け
6 Verifyその場で pandas 検証コードを記述・実行 → verdicts.json
7 Decomposeその場で分解コードを記述 → drivers.json
8 SynthesizePyramid 出力 + domain insight の拡張。デフォルトで2つの並列出力:insight_deck.html(HTML デッキ)+ insight_report.md(1:1 ミラー)、deck_audit 第三ゲートを通過(Quick/follow-up はデッキ免除可)
9 Follow-up拡張された issue tree で後続の質問に回答

すべて instruction-based、スクリプトは事前配置しない:Step 1/2/6/7 のコードは agent がその場で記述し実行します——ただし記述する前に実際のデータと選択された domain の data-spec / glossary / computation-reference を読み、このデータ自身のフィールドと周期の定義を理解し、その指示に従ってコードを生成します。フィールド名/周期用語を事前に想定しません(LY/TY/MAT は汎用的ではありません)。フィールドロールのマッピングは AI の意味判断に基づきます(data-spec §1.0 を参照)。

Step 0 — Domain Detection(エントリ判断)

  1. references/resolver.md(domain-neutral なスコアリング機構)を読み、各 domains/<slug>/triggers.md(各ドメインが持つトリガーブロック)を列挙します。
  2. 「ユーザーの言い回し / データカラム(Step 1 後)/ プロジェクトのヒントファイル ./.data-analysis-domain」を使用して各ドメインをスコアリングします。
  3. ルーティング:≥2 のシグナルが同一ドメインを指す → サイレントルーティング。曖昧 → clarification-protocol.md に従いユーザーに選択させる。マッチなし → generic モードでユーザーに通知。
  4. ルーティング先の domains/<slug>/README.md を読み込み、その他のスロットは 9-step のロードテーブルに従い該当ステップでロードします。
  5. outputs/analysis_state.json::domain_selected に記録。以降のラウンドでは再利用され、再チェックはしません。

Critical rules(絶対ルール;詳細は references/anti-hallucination.md を参照)

  1. LLM は決して数値を計算しない。 集計 / シェア / 指数 / 分解 → すべて agent がその場で pandas コードを記述し実行;出力に LLM が導出した数値は存在しません。
  2. すべての数値に verdict_id を付与し、outputs/verdicts.json にトレースバックできるようにします。
  3. まず検出し、それから明確化する。 Step 0–2 を完了する前に「何を分析しますか?」と質問しない;デフォルトで直接実行し、後で調整可能とします。
  4. 状態を永続化する。 各ラウンドで最初に読み込み、応答の前に outputs/analysis_state.json を更新します。
  5. カバレッジ:静かにリーフを捨てることを禁止する。 issue tree(Step 4)内のデータが実行可能なすべてのリーフは、Step 6 で answered されるか、明示的に skip(理由付き) されなければなりません。「時間がない」は正当な理由ではありません。Step 8 の critic がカバレッジを検証します。詳細は references/9-step-framework.md Step 6 のカバレッジゲートを参照。
  6. デフォルトの成果物 = deck + report、インラインダイアログではありません。 構造化データ分析のリクエストは、デフォルトで完全な 0+9 workflow を実行し、Step 8 で outputs/insight_deck.html + outputs/insight_report.md を生成(ファイルに保存、deck_audit を通過)します——これがデフォルトの成果物であり、「オプションの加点項目」ではありません。ダイアログ内で数枚の表やテキストを表示することは、分析の完了を意味しません(それは Step 8 に至っていないのです)。焦点が絞られた/具体的な分析質問(例:「X の分布を見たい」「ある期間に誰が勝ったか」)は「軽量リクエスト」ではありません——全フローを実行し、デッキを生成します。 唯一の免除:① Step 9 follow-up(完了した分析へのフォローアップ質問);② ユーザーが明示的に「クイック/簡潔に/口頭で答えて」と要求した場合。免除時は応答内で明示的に「このラウンドは軽量モードで、デッキは生成しません」と説明します。詳細は references/9-step-framework.md Step 8 + references/insight-templates.md を参照。

Domain packs

各パック = 汎用的に命名された一連の .md スロット:triggers(Step 0 ドメイン検出トリガーブロック)· glossary · data-spec · framework · computation-reference · insight-extensions · context-notes · clarification-extensions · business-rules.md。 スロットプロトコル、誰が記述するか、3種類のコンテンツ、メンテナンスフロー → references/domain-pack-protocol.md(唯一の権威)。 パックの生成/保守 → domain-pack-builder スキル。

新しいドメインの追加

domains/<new>/ を作成し、すべてのスロット(triggers.md トリガーブロックを含む)を充填します。本スキルおよびその他の汎用ファイルは変更されません——resolver 機構が自動的に新しいパッケージの triggers.md を列挙します。


v0.9(2026-06-09 デッキゲート対称化):HTML deck を「Step 8 のスロットファイル内のデフォルト」からフレームワークレベルのハード退出条件に昇格——Step 8 のロードテーブル生成物、出力、Critic、Exit condition の4箇所を一律「デフォルトで2つの並列出力:insight_deck.html + insight_report.md(1:1 ミラー)、deck_audit.py 第三ゲート(data_integrity + coverage と同等)を通過」に統一。Quick/Step9-follow-up はデッキ免除可だが明示的説明が必要。修正した実測の漏れポイント:focus された問題が .md レポートだけ書いて Step 8 完了とみなし、deck が静かに欠落していた(根本原因:insight-templates.md+insight-extensions.md の2つのスロットをロードしていなかったため、Outputs セクションに「まず2つのスロットを読む」ハードリマインダーを追加)。共通層の domain-neutrality を維持(deck/audit は汎用概念、デザインシステム/禁止ワード/フォントサイズ/ロゴID はすべて実行時にドメインから読む)。 v0.8(2026-05-30 ロバストネス強化):カバレッジゲートを追加(critical rule 5、リーフの黙棄禁止);Step 2 データ整合性チェック(シェアの合計値/埋め込まれた集計行の検出);Step 7 分解粒度の絶対ルール;マルチレベルヘッダーの扱い方;スクリプトの出力を outputs/scripts/ に統一 + 命名規則 + スキーマフィンガープリントの再利用(同一スキーマデータの再送時、ローダーを再作成しない);Step 8 強制 insight_report.md のファイル保存。また、共通層から残存するドメイン固有の痕跡を除去(domain-neutral にリセット)。v0.7:全 instruction-based(事前配置スクリプトを削除)。v0.6:スキルクリエイターの標準化。

関連スキル