隨著組織越來越依賴數據來做出更快、更明智的決策，數據分析技能也變得日益重要。在 AI 的協助下，許多數據任務，例如清理數據集、識別趨勢和生成洞察，現在能更有效率地完成。AI 技能提供可重複使用的工作流程和方法，協助 Agent 以更有條理的方式執行這些分析任務。本指南將介紹 22 個能簡化數據工作流程、將原始數據轉化為可行洞察的數據分析技能。
什麼是 AI 數據分析技能？
數據分析技能為 AI Agent 提供結構化的指示、工作流程和準則，協助其處理基本的數據分析任務。這些技能幫助 Agent 整理數據、清理數據集、識別規律、生成圖表、執行基本計算，並從原始資訊中歸納洞察。
12 個 Kimi 內建的 AI 數據管理與分析技能
Kimi 提供多種內建 AI 技能，簡化數據處理、分析和報告工作。無論你是在清理數據集、建立視覺化內容，還是生成洞察，這些工具都能協助自動化重複性任務並提升效率。以下是你可以在 Kimi 中探索的 12 個內建 AI 數據管理與分析技能。
| 技能名稱 | 說明 |
|---|---|
| sql-insight | 將自然語言轉換為 SQL，優化查詢效能，並解讀 SQLite 與 PostgreSQL 的 EXPLAIN 執行計畫。當使用者要求將問題轉換為 SQL、改善慢查詢、調整索引、分析執行計畫，或提到 NL2SQL、查詢調優、全表掃描等關鍵字時觸發。 |
| auto-hypothesis-test | 自動為你的資料選擇並執行合適的統計檢定——ANOVA、卡方檢定、Mann-Whitney 檢定或其他方法，並以淺顯的語言解讀結果。當使用者詢問組間比較、顯著性、p 值、假設檢定，或提到 t 檢定、ANOVA、卡方檢定等具體檢定方法時觸發。 |
| correlation-auditor | 分析相關係數矩陣（Pearson／Spearman），計算偏相關以控制混淆變數，並標示資料中可能存在的偽相關。當使用者詢問變數間的關係、需要相關係數矩陣，或提到 Pearson／Spearman 係數、偏相關、混淆因素、偽相關時觸發。 |
| data-viz-renderer | 根據 JSON 資料生成獨立的 HTML/SVG 資訊圖，包括統計卡片、長條圖、流程圖與混合式儀表板。提供 8 種配色方案與內建圖示，無需外部依賴。當使用者要求資料視覺化、資訊圖、圖表或儀表板時觸發。 |
| dataset-quality-audit | 對表格資料（CSV/Excel/TSV/JSON）執行全面的品質檢查，偵測缺失值、重複值、離群值、格式問題與型別不一致，產出整體評分、等級與可執行的改善建議。當使用者要求檢查資料品質、尋找缺失或重複值、偵測離群值、驗證格式、資料剖析或清理資料時觸發。 |
| discounted-cashflow-model | 建立折現現金流（DCF）估值模型，計算企業價值、股權價值與每股價格，並提供成長率 × 折現率的敏感度分析矩陣。當使用者要求「對 [公司] 做 DCF」「進行估值」「計算 WACC／折現率」，或提到自由現金流、終值、敏感度分析時觸發。 |
| financial-ratio-toolkit | 根據使用者提供的財務報表，計算 20 多項財務比率（獲利能力、償債能力、流動性、營運效率與成長性）並進行杜邦分析，藉此分析公司基本面。當使用者要求計算財務比率、杜邦分析／ROE 分析，或提出「分析這些財務資料」「計算償債能力比率」等要求時觸發。 |
| financial-statement-analyzer | 分析損益表、資產負債表與現金流量表資料，生成年增率／季增率趨勢分析，並標示應收帳款激增、現金流背離等異常訊號。當使用者要求分析財務資料、比較年增率／季增率、偵測風險訊號或評估獲利品質時觸發。 |
| quick-strategy-backtest | 將交易策略描述（包括事件驅動研究、選股與投資組合策略）轉換為可執行的回測程式碼，並輸出回測結果、視覺化儀表板與分析報告。當使用者描述買賣條件、事件後報酬、股票池篩選回測，以及其他量化情境時觸發。 |
| regression-modeler | 對上傳的 CSV/Excel 資料執行迴歸分析（OLS 或邏輯迴歸），產生係數、R²、p 值、VIF，並提供淺顯易懂的解讀。當使用者要求進行迴歸建模、資料擬合、顯著性檢定、共線性檢查，或提到 OLS、logit、係數、p 值、R 平方等關鍵字時觸發。 |
| stock-research-report | 以國泰海通／海通國際風格生成證券研究報告，適用於中國股票研究、行業追蹤、投資筆記與金融研究文件。觸發關鍵字包括：國泰海通、海通國際、行業追蹤、股票研究、證券研究。支援境內與境外雙模板。 |
| stock-signal-analyzer | 分析 OHLCV 資料以計算 15 種以上技術指標（包括 MA、MACD、RSI、布林通道、KDJ），並生成多空訊號摘要與整體評估。當使用者要求進行技術分析、計算 MACD 或 RSI 等指標、提到 K 線分析，或討論均線交叉、布林通道突破、RSI 超買超賣訊號時觸發。 |
| value-investing-scorecard | 巴菲特／葛拉漢價值投資評分卡——從護城河、管理層、財務、估值四個維度、共 20 項標準對公司進行評估，給出 0 到 100 分。當使用者要求進行價值投資分析、基本面評分、護城河評估，或詢問「這家公司值得投資嗎」「分析一下 XX 的基本面」「用巴菲特的方法評估這家公司」時觸發。 |
| weighted-scorer | 建立用於技術選型、供應商評估與多標準方案比較的加權評分決策矩陣。引導你定義標準、分配權重、為各選項評分，並透過敏感度分析驗證結果。當使用者詢問決策矩陣、加權評分、方案比較、供應商選擇，或自建與外購的抉擇時觸發。 |
| chart-image | 根據資料生成可用於發佈的高品質 PNG 圖表圖片，支援折線圖、長條圖、面積圖、K 線圖、圓餅圖與熱力圖。當使用者要求將資料視覺化、建立圖表、繪製時間序列，或為報告、警示、儀表板生成圖表時觸發。以輕量、無介面的 Node.js 進程執行，不需瀏覽器。 |
| xlsx | 用於進階操作、分析與建立試算表檔案的專用工具，支援（但不限於）XLSX、XLSM 與 CSV 格式。核心功能包括公式部署、複雜格式設定（含財務任務所需的自動貨幣格式）、資料視覺化、強制性的後處理重新計算，以及以財務為導向的 Excel 建模流程，如三表模型、DCF 估值與可比公司分析。 |
使用 Kimi 內建的 AI 數據分析技能
按照以下簡單步驟，使用 Kimi 內建的 AI 技能，更快完成數據分析、財務計算和自動化報告生成。
第一步：輸入技能指令
在輸入框中輸入指令 /financial-ratio-toolkit，即可啟用 Kimi 的財務數據分析技能。
第二步：開始你的研究任務
啟用技能後，描述你希望 Kimi 分析的數據集或財務分析任務。
提示詞範例：
接著 Kimi 會自動分析數據、執行所需計算，並生成包含關鍵洞見的結構化報告，幫助你更快做出決策。
第三步：查看並下載你的文件
查看生成的報告，進行必要的修改，然後下載最終文件，用於進一步分析、分享或展示。
解鎖另外 6 個開源數據分析技能
開源技能為 AI Agent 提供了針對不同數據分析任務的專屬工作流程。在 Kimi 中安裝這些技能後，你可以自動化數據處理、進行更深入的分析，並為處理複雜數據集構建更高效的工作流程。以下是 6 個值得探索的開源數據分析技能。
| 技能名稱 | 說明 | URL |
|---|---|---|
| data-analytics-skills | 包含 31 個可移植的 AI 驅動技能集合，涵蓋分析師工作流程，包括數據品質檢查、深度分析、文件撰寫、儀表板建立和利益相關者溝通。 | https://github.com/nimrodfisher/data-analytics-skills |
| d3-visualization-skill | 全面的 D3.js 技能，協助 Agent 建立複雜的互動式數據視覺化，包括長條圖、折線圖、力導向圖、桑基圖、樹狀圖、旭日圖以及分層設色地圖，適用於儀表板和報告。 | https://github.com/nexu-io/open-design/blob/main/skills/d3-visualization/SKILL.md |
| tufte-data-viz-skill | 運用 Edward Tufte 的數據視覺化原則，包括高數據墨水比、極簡的圖表雜訊、直接標籤、小型多圖以及走勢圖，在不同視覺化函式庫中打造簡潔易讀的圖表。 | https://github.com/caylent/tufte-data-viz |
| mckinsey-style-visualization-skill | 協助將原始的商業筆記轉化為適合高階主管的顧問級視覺內容，包含洞察導向的標題、視覺層次、可重複使用的投影片規格以及品質評估架構。 | https://github.com/kgraph57/mckinsey-style-visualization-skill |
| data-visualization-report-skill | 將 CSV、Excel 或 JSON 數據轉換為精美的視覺報告，包含 KPI 卡片、Chart.js 圖表和數據表格。支援以範本為基礎，生成適用於商業和財務情境的報告。 | https://github.com/nexu-io/open-design/blob/main/skills/data-report/SKILL.md |
| analytics-tracking-measurement-strategy | 透過衡量策略、事件分類法、數據品質審查和追蹤實作流程，協助設計、審核並改善分析追蹤系統。 | https://github.com/diegosouzapw/awesome-omni-skills/blob/main/skills/analytics-tracking/SKILL.md |
在 Kimi 中使用開源數據分析技能
按照以下簡單步驟，在 Kimi 中安裝開源 AI 技能，並用它完成進階數據分析和報告任務。
第一步：輸入提示詞
打開 Kimi Chat，輸入包含你要安裝的開源數據分析技能的 GitHub URL 的提示詞。
提示詞範例：
第二步：讓 AI 自動安裝技能
Kimi 會根據提供的 GitHub URL 自動下載、配置並準備技能。安裝完成後，該技能即可在你的工作區中使用。
第三步：使用該技能
點擊「Add to my skills」將已安裝的技能加入 Kimi，然後選擇「Try it」啟用它。啟用後，上傳你的數據集或描述你的分析任務，該技能就能幫助你清洗數據、執行計算、生成洞見，並更高效地製作結構化報告。
用自定義 AI 技能，讓數據分析更進一步
按照以下簡單步驟，構建一個自定義 AI 技能，自動化你的數據分析工作流程，讓重複性任務更高效。
第一步：進入「Document to skills」工具
打開 Kimi Skills，點擊「Document to skills」。此功能可以將你的數據分析文件轉換為可重複使用的 AI 技能。
第二步：上傳文件
上傳包含你想自動化的知識的試算表、CSV 文件、報告、SQL 文件、分析指南或工作流程文件。Kimi 會提取其中的關鍵信息，構建出結構化的 AI 技能。
第三步：創建並使用你的技能
查看生成的 AI 技能，如有需要可修改其指令，然後保存到你的工作區。之後你就可以使用這些自定義技能自動化數據處理、生成報告，並簡化未來的分析任務。
你可以隨時編輯它，或將其導出為 .md 文件，用於分享和其他項目中使用。
使用 AI 資料分析技能的技巧
有效使用 AI 的第一步是提供正確的資料與清晰的指示。遵循以下最佳實踐，可以提高資料分析技能的準確性，並產生更有價值的洞察。
先明確分析目標
向 Agent 提供具體的問題、目標與預期輸出，幫助它們聚焦於相關資料，產生更實用的洞察。
分析前先準備並驗證資料
確保資料集完整、格式正確，且沒有明顯錯誤。乾淨的資料能幫助 Agent 產生更準確的分析結果。
依據分析需求選擇技能
針對不同任務使用不同的技能，例如資料清理、視覺化、報告、預測或儀表板建立。
提供背景與業務資訊
納入資料集、產業、目標受眾與決策目標等資訊，讓 Agent 能更有效地解讀結果。
檢視並優化 AI 產生的洞察
檢查分析結果、驗證重要發現，並在需要時調整指示，以提高未來輸出的準確性與一致性。
結語
無論你是在培養基礎的資料分析技能，還是在自動化複雜的工作流程，AI 都能節省時間並提升準確性。扎實的資料分析技能能幫助你更有效率地處理資訊，做出更好的資料驅動決策。透過 Kimi，你可以運用內建、開源與自訂的 AI 技能，簡化資料分析流程，將原始資料轉化為可行動的洞察。