基于DDC方法论的建筑行业数据孤岛检测工具，纯Python标准库实现，帮助企业识别数据源断点、重复数据与集成机会，输出可执行的整合路线图。
说明：
## 核心用法
Data Silo Detection 是一款面向建筑行业的数据治理分析工具，基于 Data-Driven Construction (DDC) 方法论第1.2章开发。用户通过定义组织内的数据源（DataSource），包括系统类型、所属业务域、数据实体、连接关系等元信息，调用 `DataSiloDetector.detect_silos()()` 方法即可完成全面分析。工具会自动构建连接图谱，检测孤立数据源、跨域断点、重复数据实体及关键数据流缺口，最终输出包含优先级行动项和分阶段整合路线图的完整分析报告。
## 显著优点
**方法论权威性**：直接引用 DDC 专著《现代建筑中的技术与管理》及配套网站，具备学术和行业双重背书。工具内置建筑行业10大核心业务域（设计、成本、进度、质量、安全、采购、现场、文档、财务、人力）及8类关键共享实体（项目、预算、材料、人工等）的预定义关系模型，大幅降低配置成本。
**零依赖轻量化**：完全基于 Python 标准库（dataclasses、typing、collections 等）实现，无需安装任何第三方包，杜绝供应链攻击风险，可在隔离环境直接运行。
** actionable 输出**：不仅识别问题，更自动生成四阶段整合路线图（0-3月速赢、3-6月核心集成、6-12月高级集成、12月+优化），并量化连通性评分，便于向管理层汇报。
## 潜在缺点与局限性
**静态分析工具**：本 Skill 仅为分析框架，不执行实际的数据集成或系统连接操作。用户需额外使用 ETL 管道、API 网关等工具完成真正的数据打通。
**依赖人工输入质量**：检测效果高度依赖用户准确填报数据源的连接关系、数据实体清单等元信息。若输入不完整（如遗漏个人Excel文件），分析结果将产生偏差。
**行业适配边界**：预定义的业务域关系和关键实体针对建筑施工场景优化，若用于制造业、金融业等其他行业，需大量自定义配置。
**无实时数据校验**：重复数据检测仅基于元信息比对，无法自动计算实际数据差异率（discrepancy_rate 字段固定为0），需人工介入核实。
## 适合的目标群体
– 建筑企业的 CIO/数据架构师，负责制定数字化转型路线图
– 施工总包商的项目管理办公室（PMO），需整合多项目分散数据
– 工程咨询公司的数据治理顾问，为客户提供现状诊断服务
– 高校工程管理专业师生，作为数据管理课程的教学案例
## 使用风险
**性能风险**：当数据源数量超过500个时，全连接图谱的构建复杂度为 O(n2)，可能出现响应延迟，建议分批分析或预过滤低优先级系统。
**误报风险**：工具将”个人数据存储”（如个人Excel）一律标记为 MEDIUM 级别孤岛，但某些敏感数据（如薪酬测算）本就应限制访问，需人工复核 severity 评级。
**示例代码风险**：文档中的文件写入示例（`open(“silo_report.md”, “w”)`）若被直接复制到生产环境，可能覆盖现有文件，建议添加路径校验。
会员专属
