问卷数据分析 Skill（OpenClaw）

面向用户研究员和市场研究员的端到端问卷分析工具。

做数据分析最怕结果不对。这个 Skill 不搞「一键输出分析报告」，而是走扎实的多阶段流程，在多个关键节点让你确认，并且每个分析结果自带质检。

这是 OpenClaw 生态下的 Skill，开箱即用，配合 OpenClaw 获得完整交互体验。

核心设计理念

• 过程透明，多节点确认：拿到数据先出整体分析计划，清洗/分析/建模每个阶段做完候选方案都让你确认，不偷偷替你做决定
• 每个分析结果自带质检：告诉研究员「这个结果可信吗？为什么？哪里有问题？」
• 所有计算交给 Python：大模型擅长理解问题和写代码，让 Python 跑数，避免大模型直接算数出错
• 模块化设计：每个功能一个脚本，按需调用，不必一次性安装所有依赖
• 解耦输出：数据分析完只输出结构化结果（Excel + Markdown），写报告交给专门的报告 skill

整体架构

整体分五层，从输入到输出完整覆盖问卷分析流程：

质检设计

质检发生在预处理、核心分析、建模三个阶段：

工作流程：多 Gate 确认

拿到数据后，Skill 先做数据体检，输出整体分析计划，然后一路跑，一路确认。一共有 4 个 Gate：

为了适应不同场景，提供三种确认模式，你在 Gate 1 选：

模式	含义	适合场景
A. 逐关确认（默认）	每个 Gate 都停，等你确认	第一次跑这份数据，想全程把关
B. 仅计划期确认	只 Gate 1 停，后面按默认值自动跑完	信任计划，想一气呵成
C. 自动全跑	跳过所有确认，直接跑完	重复跑同类数据 / Demo

实战例子

第一步：数据体检 + 分析计划

加载完数据后，自动识别字段类型（量表/二元/多选/开放题），输出整体分析计划：

输出你确认，调整分析范围：

第二步：样本质量检查

自动检测低质量样本（直线作答/速答）和字段问题，输出候选清洗方案：

你的每一个决策都会记录到最终报告里，全程可追溯。

第三步：输出结构化结果

分析完后，结果保存为多 Sheet Excel，每个表同时输出样本量（N）和百分比（%），避免单看百分比误判：

支持的分析能力

基础统计

• 数据加载：CSV / XLSX / SPSS (.sav) / Parquet
• 类型自动识别 + 量表归一化（文本量表自动转数值）
• 样本质量清洗：速答/直线作答/低质量开放题检测
• 频率分析 / 交叉分析 / 多选题聚合
• 李克特 / NPS / CSAT / CES 量表分析
• 显著性检验：自动派发 t 检验 / ANOVA / 卡方

高级分析

• 驱动因素分析 + IPA 重要性-表现矩阵
• Penalty-Reward 分析
• 用户分群（K-Means / 层次聚类）+ Persona 自动生成
• 决策树可读规则 / 随机森林 / Permutation 重要性
• XGBoost / LightGBM
• 关联规则（Apriori / FP-Growth）
• 因子分析 EFA / PCA / Cronbach's α 信度

市场研究专题

方法	用途
Van Westendorp PSM	价格敏感度测试
Gabor-Granger	价格弹性分析
Conjoint (CBC) + WTP	联合分析 + 支付意愿
MaxDiff	最大差异度量（功能优先级排序）
Kano 模型	需求分类（基本/期望/兴奋型）
TURF	组合覆盖最大化
品牌漏斗 + 品牌力指数	品牌健康度诊断

依赖

基础: pandas numpy scipy plotly openpyxl kaleido
统计: statsmodels factor-analyzer
SPSS:  pyreadstat
ML:    scikit-learn xgboost lightgbm mlxtend
聚类:  kmodes（可选，混合数值+类别聚类）
降维:  umap-learn（可选，可视化）

按需安装，仅做基础分析不需要 xgboost/lightgbm。

安装到 OpenClaw

cd ~/.agents/skills
git clone https://github.com/huangzhenhao90/survey_data_analysis.git survey-data-analysis

许可

MIT License