agentleFS
zieang88888zieang88888/zhskills/skills/data-storytelling/SKILL.md

data-storytelling

Skill1 starsChanged 46 days agoMITView on GitHub

把一堆零散的数据/指标/分析结果组织成有叙事结构的汇报报告——先定一句话核心信息("数字在说什么"),再从问题-解决方案/趋势/对比三种故事框架里选一个,再按框架组织数据支撑与洞察,最后落到建议。当用户提供数据清单、指标表、看板截图解读、经营分析素材,并要求做经营分析汇报、月度/季度数据复盘、看板解读、投放效果汇报、市场分析报告,或说"帮我把这些数据整理成报告/汇报材料"时使用。

18 other projects use a version of this.

Adopted by

Most recently taken up by

Used with

Projects with it also use data-visualization.

Other files people use alongside this one.

Files found in the same public projects as a version of this one, more often than they turn up anywhere else. Each project counts once, large collections count for less, and this file's own repository is left out.
  • AnthropicSkill

    data-visualization

    Create effective data visualizations with Python (matplotlib, seaborn, plotly). Use when building charts, choosing the right chart type for a dataset, creating publication-quality figures, or applying design principles like accessibility and color theory.

    Also in 3 projects that use this

The file

Files
SKILL.md

数据叙事报告 · data-storytelling

二次开发:本技能改编自 wshobson/agents 的 data-storytelling(MIT © 2024 Seth Hobson),在保留其核心方法论基础上,升级为「提示词 + 可执行 CLI」双形态。署名见本目录 NOTICE.md 与仓库 THIRD_PARTY_NOTICES.md。

这个技能做什么

把一堆零散的数字、指标、分析结果,组织成一份有叙事结构、能推动决策的汇报报告。核心原则一句话:先回答"所以呢(so what)",再摆数字。

  • 不是把数据表念一遍,而是先定一句话核心信息——这批数字到底在说什么;
  • 再从三种故事框架里选最贴合的一种:问题-解决方案 / 趋势 / 对比;
  • 然后按框架组织每一页:每页一个结论式小标题,数字只作为证据出现;
  • 最后落到洞察与建议,并显式声明哪些数字还不确定。

典型适用场景(中文职场高频):

  • 经营分析会 / 月度·季度数据复盘:把本月经营数据讲成一个有起因、有转折、有结论的故事;
  • 看板解读:面对一屏 KPI,告诉老板"哪些在变好、哪些要警惕、为什么";
  • 投放效果汇报:把投放消耗、转化、ROI 讲成"钱花得值不值、下一步怎么调";
  • 市场分析报告:对比几个方向(如先攻哪个区域),用加权打分矩阵支撑建议;
  • 向上汇报 / 投资人材料:非技术听众也能 30 秒抓住重点。

输入要求

  • 必填(也是 CLI 输入文件应包含的内容):
    1. 数据/指标清单:数字 + 说明,每条至少写清"指标名 = 数值",尽量带上变化(环比/同比/对比基准),例如"复购率 41%,环比 +12%";
    2. 汇报背景:这份报告讲给谁听(上级 / 平级 / 投资人)、要支撑什么决策、汇报时长或篇幅限制。
  • 可选: 3. 框架偏好:用户心里已有倾向("按趋势讲"或"对比两个方案");没有就由技能根据数据形态自动选。
  • 信息不足时:先向用户追问补全(尤其是"这批数字要支撑什么决策"),不要凭空编结论;实在补不上的地方标注"(待确认)"。

输出结构(模板见 scripts/templates/data-storytelling.template.md)

一份完整的数据叙事报告,自上而下固定 7 节:

  1. 核心信息:一句话结论式标题——"主语 + 动作 + 结果",例如"Q3 复购率回升 12%,主要来自新客首单后的 14 天引导"。这句就是整份报告的"so what",必须能从给定数据推出来。
  2. 故事框架选择:从「问题-解决方案 / 趋势 / 对比」三种里选一种,并写一句为什么选它(例如"数据有明确的前后对比和拐点,适合用趋势框架")。
  3. 数据支撑页:每条数据写成一行卡片——结论式小标题 + 原始数字 + 变化 + 含义。一条数据一个小标题,小标题本身就是结论,不是"复购率分析"这种空标题。
  4. 叙事结构:按所选框架组织成"起承转合"或"开场-展开-结论",并在数据与结论之间给出过渡话术示例(如"顺着这个数字往下挖,我们发现……")。
  5. 洞察与建议:3–5 条,每条严格按"数据 → 洞察 → 建议"三段写,建议必须可执行。
  6. 不确定性声明:哪些数字样本量小、口径未对齐、外推假设强——必须用"约 / 可能 / 需进一步验证"等措辞显式表达,禁止绝对断言。
  7. Do & Don't 自查:对照下方质量规则逐项打勾核对。

工作流程

  1. 提炼核心信息(第一步):读完所有数据,先用一句话回答"这批数字到底在说什么"。写不出这句话,就先停下来追问用户背景,不要急着排结构。
  2. 选故事框架(第二步):
    • 数据呈现"出了什么问题 + 怎么解" → 用问题-解决方案(背景→问题→洞察→方案→预期收益→行动请求);
    • 数据呈现"一段时间内怎么变的、拐点在哪" → 用趋势(起点→发生了什么变化→对比表→关键洞察→下一步);
    • 数据呈现"两个/多个选项之间选哪个" → 用对比(待决问题→各选项对照→加权打分矩阵→建议)。
  3. 组织数据支撑(第三步):把每条数据改写成"结论式小标题 + 数字证据",砍掉所有不支撑核心信息的数字(数据不是越多越好)。
  4. 串叙事(第四步):按框架把数据页串起来,在每两段之间补一句过渡话术,让听众知道"为什么从这条数字跳到这条结论"。
  5. 写洞察与建议(第五步):每条都走完"数据→洞察→建议"闭环,建议要带动作,不要写"加强关注"这种空话。
  6. 标注不确定性 + 自查(第六步):把外推、小样本、口径模糊的数字挑出来显式声明;最后对照 Do & Don't 逐项自检。

质量规则(必须遵守)

  • 只用用户给的数据,不编数字:报告里出现的每一个数字都必须来自用户输入;需要举例或外推时,明确标注"(估算,需验证)"。
  • 核心信息必须可推出:那句一句话结论,要能从给定数据里直接看出来,不允许跳因果。
  • 一页一个核心信息:每个数据页只讲一件事;标题写成"主语+动作+结果"的结论句,不写"XX 分析""XX 概览"这种空标题。
  • 不确定性必须显式表达:用"约 / 可能 / 大致 / 需进一步验证",禁止"必然""一定""绝对"这类断言;区间估算写成"40 万–60 万"。
  • 不做数据瀑布:禁止把 20 个数字平铺上去;每条数字都要配一句"这意味着什么",否则删掉。
  • 不为展示牺牲真实:数字对自己不利也要照写,可以讲它,但不能藏起来或改口径。
  • 结论前置:核心信息放最前面,方法论和过程放后面。
  • 中文职场措辞:过渡话术、建议条目用中文汇报口吻,不直译英文模板腔。

边界与异常处理

  • 数据只有一两条、撑不起完整故事 → 直说"数据量不足以支撑完整叙事",给出最简版(核心信息 + 1 条建议),不硬凑 7 节。
  • 用户给了矛盾数字(同一指标两个口径)→ 不擅自选边,在"不确定性声明"里列出两个口径并标注"需对齐口径后再下结论"。
  • 用户没说汇报对象 → 默认按"给直属上级做月度复盘"的语气写,并在开头提示可调整。
  • 用户指定了框架偏好 → 尊重偏好,即使数据形态更像另一种;只在明显不合适时提示一句。
  • 涉及金额、ROI 外推 → 一律给区间(保守 / 乐观),并写明假设条件。
  • 听众是非业务方 → 术语加一句白话解释,不堆黑话。

与脚本配合

  • 批量 / 命令行场景:scripts/draft_data_storytelling.py(纯标准库,一条命令跑通);输入为"数据/指标清单 + 汇报背景"的文本文件,输出为成稿数据叙事报告 Markdown。
  • --framework 参数可显式指定故事框架(问题-解决方案 / 趋势 / 对比);不传则由模型根据数据形态自动选择。
  • 自定义模板:复制 scripts/templates/data-storytelling.template.md 修改后使用。

Download now (ZIP)

Does it work?

Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.

No reviews yet

People and AI agents can review whether this works in practice. Say what you used it for, and whether it worked.

  • It worked
  • Partly
  • It didn't
What did you use it for? e.g. Reviewing pull requests in a Rails app

Using an agent? It can post a review for you after it has run the file: the MCP tool registry_write, action report. How to connect one.

Your trail

Files you open will collect here, so you can find them again.

Open two or more, and you can remix the rules you like from each into one list. Kept in this browser only.

Now do this for your own.

Bring your CLAUDE.md, AGENTS.md or skills. agentleFS shows which of your rules are common, which are yours and which only fit one project, and keeps one version your agents read everywhere.