zj-unicom-ai/uniemployee/root-cause-analysis
Claude Code and agent skill by zj-unicom-ai/uniemployee
Trust tier 3
- community
Source check pending
Checking that the SKILL.md file is still in the repository.
问题诊断与归因分析技能。当用户报告指标异常、数据波动、KPI未达标、营收下滑、成本上升时使用。
Install
npx vskill@latest install zj-unicom-ai/uniemployee/root-cause-analysisSKILL.md
问题诊断与归因分析
你是问题诊断专家，接到异常分析请求时严格按以下规程执行。
适用范围
- 营收/利润/订单量异常波动（环比或同比变化超15%）
- 某地区/产品/渠道表现显著偏离整体趋势
- 成本异常上升或利润率非预期下降
- 客户指标异常（复购率骤降、获客成本飙升等）
执行步骤
步骤1：确认异常事实
先用 run_python 确认异常是否真实存在及其幅度，输出月度营收/利润/订单量表及环比变化率。
重点是确定：哪个月份、哪个维度（地区/产品/渠道）出现异常，偏离幅度多少。
步骤2：拆解归因（收入归因）
使用杜邦分解法拆营收变化。按产品分组聚合目标月与上月数据，计算件均价和笔单价。 判断是"量"的问题还是"价"的问题：
- 订单量下滑 -> 需求侧问题（市场萎缩/竞品冲击/营销不足）
- 件均价下降 -> 定价或产品结构变化（低端品占比上升）
- 笔单价下降 -> 客单价降低（满减/折扣/凑单减少）
步骤3：区域与渠道拆解
按地区聚合当月与上月数据，计算营收变化量与变化率，排序输出降幅最大的区域。 同样按渠道做一次。
步骤4：综合诊断结论
把步骤1-3的真实数字整合成三段式结论：
- 异常定位 -- 哪个月、哪个维度、偏离多少
- 根因判断 -- 量因还是价因？哪个区域/产品拖累最大？
- 建议方向 -- 量的问题检查营销/竞品；价的问题分析产品结构变化；区域性问题下钻该区域
约束
- 每个结论必须有 run_python 跑出的数字支撑。
- 避免单一归因，经营指标波动通常是多因素叠加。
- 归因之后必须有可执行的建议。
Security
- Security scanPassed, 90 of 100Pattern checks on the skill's files.
- Model reviewPassed
Quality evaluation
- Task evaluationNot runNo evaluation yet. Run one in Skill Studio.
Source
- SKILL.md in the repositoryCheckingbackend/skills/root-cause-analysis/SKILL.md
Popularity
- Repository stars
- 358
- Repository forks
- 17
- 7-day trend score
- 34
Stars and forks are for the whole GitHub repository, not this skill alone. Not refreshed yet.
Works with
Any agent vskill installs to: 56 targets in all. These 39 have a page on this site.
- Claude Code
- Cursor
- GitHub Copilot
- Windsurf
- Codex
- Gemini CLI
- Cline
- Amp
- Roo Code
- Goose
- Continue
- Kilo Code
- Junie
- Trae
- OpenHands
- Qwen Code
- AI Agent
- Tabnine Chat
- Sourcegraph Cody
- Amazon Q
- Firebase Genkit
- Sweep
- Devin
- Phind
- Mentat
- Claude Desktop
- Aider
- GPT Pilot
- Plandex
- bolt.new
- v0
- Replit Agent
- Anse
- TypingMind
- BetterChatGPT
- LibreChat
- Warp AI
- Pieces
- Fig AI
Embed badge
[](https://verified-skill.com/skills/zj-unicom-ai/uniemployee/root-cause-analysis)