Data Analysis

Workflow для анализа данных от постановки задачи до выводов и визуализации. Следует методологии CRISP-DM с циклами валидации качества данных и полноты анализа.

Запуск

mcp__moira__start({ workflowId: "data-analysis" })

Процесс

flowchart LR
    A[Контекст] --> B[Проблема]
    B --> C[Сбор данных]
    C --> D[Подготовка]
    D --> E[EDA]
    E --> F[Инсайты]
    F --> G[Визуализация]
    G --> H[Выводы]

Шаги

Шаг	Действие	Результат
1. Контекст	Сбор бизнес-вопроса, контекста, источников данных, ограничений, аудитории	Документ контекста
2. Проблема	Формулировка research question, гипотезы, success criteria, scope	Постановка задачи
3. Сбор данных	Загрузка, изучение структуры, первичная проверка качества	Сырой dataset
4. Подготовка	Обработка missing values, типов, дубликатов, outliers, transformations	Чистый dataset
5. EDA	Распределения, корреляции, паттерны, preliminary insights	Отчёт EDA
6. Инсайты	Проверка гипотез, ответ на research question, recommendations	Ключевые инсайты
7. Визуализация	Создание графиков для key findings	Визуализации
8. Выводы	Executive summary, findings, recommendations, limitations	Финальный отчёт

Особенности

Циклы валидации

Цикл	Назначение	Критерии
Качество данных	Проверка готовности данных для EDA	Нет критических проблем качества
Полнота EDA	Проверка тщательности исследования	Все гипотезы проверены

Точки согласования

Точка	Решение
Постановка задачи	Подтверждение research question и scope
Выводы	Одобрение финальных findings и recommendations

Стандарты качества

Стандарт	Описание
Воспроизводимость	Анализ можно повторить с теми же результатами
Валидность	Методы подходят для данных и вопроса
Релевантность	Findings отвечают на бизнес-вопрос
Ясность	Результаты понятны аудитории
Actionability	Рекомендации практичны

Чеклист подготовки данных

Задача	Действие
Missing values	Определить, понять, обработать appropriately
Типы данных	Проверить и исправить типы колонок
Дубликаты	Обнаружить и удалить при необходимости
Outliers	Определить, исследовать, обработать
Transformations	Применить нужные transformations

Пример конфигурации ноды

{
  "id": "explore-data",
  "type": "agent-directive",
  "directive": "Проведи exploratory data analysis. Изучи распределения, корреляции и паттерны. Документируй preliminary insights.",
  "completionCondition": "EDA завершён с проанализированными распределениями, корреляциями и документированными preliminary insights",
  "connections": {
    "next": "validate-eda"
  }
}

Связанное

Research Workflow — Для качественных исследований с источниками
PRD Creation — Для data-driven продуктовых решений
Обзор шаблонов — Все доступные шаблоны