data-engineering-data-driven-feature

データ主導の機能開発

分析、実装、実験に特化したエージェントを活用し、データインサイト、A/B テスト、継続的な測定に基づいて機能を開発します。

[Extended thinking: このワークフローでは、初期のデータ分析と仮説の策定から、分析機能を統合した機能の実装、A/B テストの基盤整備、リリース後の分析に至るまで、包括的なデータ主導型開発プロセスをオーケストレーションします。各フェーズでは、専門のエージェントを活用して、データインサイトに基づいて機能を開発し、測定に必要な計測を適切に設定し、管理された実験を通じて検証します。このワークフローでは、最新のプロダクト分析手法、テストにおける統計的厳密性、ユーザーの行動から継続的に学ぶことを重視します。]

このスキルを使う場合

• データ主導の機能開発タスクやワークフローに取り組む場合
• データ主導の機能開発に関するガイダンス、ベストプラクティス、チェックリストが必要な場合

このスキルを使わない場合

• タスクがデータ主導の機能開発と無関係な場合
• この範囲外の別のドメインやツールが必要な場合

手順

• 目標、制約、必要な入力を明確にします。
• 関連するベストプラクティスを適用し、結果を検証します。
• 実行可能な手順と検証方法を提示します。

以下の Task／エージェント名と設定は、オーケストレーション用インターフェースの例であり、ツールがインストール済みであることを保証するものではありません。分析の対象は、必要な同意を得たイベントと承認済みの保持期間に限定してください。すべてのユーザー入力や機微なセッション内容を記録してはなりません。主要指標、ランダム化の単位、検出力／MDE、期間、停止ルールと多重検定ルールは、事前に登録してください。通常の固定期間における有意性を基準として、ダッシュボードを継続的に確認することは、有効な停止ルールではありません。設計された逐次解析法を使うか、計画した期間まで実施してください。ベイズ分析が自動的に迅速な意思決定につながるわけではありません。事前分布と決定損失を明示する必要があります。以下に示すサンプルサイズ、期間、ロールアウト率、エラー目標は例であり、普遍的に保証されるものではありません。

フェーズ 1：データ分析と仮説の策定

1. 探索的データ分析

• subagent_type="machine-learning-ops::data-scientist" を指定して Task ツールを使用します
• Prompt: "Perform exploratory data analysis for feature: $ARGUMENTS. Analyze existing user behavior data, identify patterns and opportunities, segment users by behavior, and calculate baseline metrics. Use modern analytics tools (Amplitude, Mixpanel, Segment) to understand current user journeys, conversion funnels, and engagement patterns."
• 出力：可視化、ユーザーセグメント、行動パターン、ベースライン指標を含む EDA レポート

2. ビジネス仮説の策定

• subagent_type="business-analytics::business-analyst" を指定して Task ツールを使用します
• コンテキスト：データサイエンティストによる EDA の調査結果と行動パターン
• Prompt: "Formulate business hypotheses for feature: $ARGUMENTS based on data analysis. Define clear success metrics, expected impact on key business KPIs, target user segments, and minimum detectable effects. Create measurable hypotheses using frameworks like ICE scoring or RICE prioritization."
• 出力：仮説文書、成功指標の定義、予想 ROI の算出

3. 統計的実験の設計

• subagent_type="machine-learning-ops::data-scientist" を指定して Task ツールを使用します
• コンテキスト：ビジネス仮説と成功指標
• Prompt: "Design statistical experiment for feature: $ARGUMENTS. Calculate required sample size for statistical power, define control and treatment groups, specify randomization strategy, and plan for multiple testing corrections. Consider Bayesian A/B testing approaches for faster decision making. Design for both primary and guardrail metrics."
• 出力：実験設計文書、検出力分析、統計的検定計画

フェーズ 2：機能アーキテクチャと分析設計

4. 機能アーキテクチャの計画

• Task ツールを使用し、subagent_type="data-engineering::backend-architect" を指定します
• コンテキスト：ビジネス要件と実験設計
• プロンプト："次の機能のアーキテクチャを、A/B テストに対応する形で設計してください：$ARGUMENTS。機能フラグの統合（LaunchDarkly、Split.io、または Optimizely）、段階的なロールアウト戦略、安全性を確保するためのサーキットブレーカー、コントロールロジックとトリートメントロジックの明確な分離を含めてください。リアルタイムの設定更新に対応するアーキテクチャにしてください。"
• 出力：アーキテクチャ図、機能フラグのスキーマ、ロールアウト戦略

5. アナリティクスの計測設計

• Task ツールを使用し、subagent_type="data-engineering::data-engineer" を指定します
• コンテキスト：機能アーキテクチャと成功指標
• プロンプト："次の機能について、包括的なアナリティクス計測を設計してください：$ARGUMENTS。ユーザーインタラクションのイベントスキーマを定義し、セグメンテーションと分析に必要なプロパティを指定し、ファネル追跡とコンバージョンイベントを設計し、コホート分析機能を計画してください。適切なイベント分類体系を用いて、最新の SDK（Segment、Amplitude、Mixpanel）で実装してください。"
• 出力：イベント追跡計画、アナリティクススキーマ、計測ガイド

6. データパイプラインのアーキテクチャ

• Task ツールを使用し、subagent_type="data-engineering::data-engineer" を指定します
• コンテキスト：アナリティクス要件と既存のデータインフラストラクチャ
• プロンプト："次の機能のデータパイプラインを設計してください：$ARGUMENTS。ライブ指標向けのリアルタイムストリーミング（Kafka、Kinesis）、詳細な分析向けのバッチ処理、データウェアハウスとの統合（Snowflake、BigQuery）、該当する場合は ML 用のフィーチャーストアを含めてください。適切なデータガバナンスと GDPR への準拠を確保してください。"
• 出力：パイプラインアーキテクチャ、ETL/ELT 仕様、データフロー図

フェーズ 3：計測を組み込んだ実装

7. バックエンドの実装

• Task ツールを使用し、subagent_type="backend-development::backend-architect" を指定します
• コンテキスト：アーキテクチャ設計と機能要件
• プロンプト："次の機能のバックエンドを、計測機能を完全に組み込んで実装してください：$ARGUMENTS。判断ポイントでの機能フラグの確認、すべてのユーザーアクションの包括的なイベント追跡、パフォーマンス指標の収集、エラー追跡と監視を含めてください。実験分析に適したログを実装してください。"
• 出力：アナリティクス、機能フラグ統合、監視設定を含むバックエンドコード

8. フロントエンドの実装

• Task ツールを使用し、subagent_type="frontend-mobile-development::frontend-developer" を指定します
• コンテキスト：バックエンド API とアナリティクス要件
• プロンプト："次の機能のフロントエンドを、アナリティクス追跡を組み込んで構築してください：$ARGUMENTS。すべてのユーザーインタラクションのイベント追跡、該当する場合はセッション録画との統合、パフォーマンス指標（Core Web Vitals）、適切なエラーバウンダリーを実装してください。コントロールグループとトリートメントグループで一貫したエクスペリエンスを確保してください。"
• 出力：アナリティクス、A/B テストのバリアント、パフォーマンス監視を含むフロントエンドコード

9. ML モデルの統合（該当する場合）

• Task ツールを使用し、subagent_type="machine-learning-ops::ml-engineer" を指定します
• コンテキスト：機能要件とデータパイプライン
• プロンプト："必要に応じて、次の機能に ML モデルを統合してください：$ARGUMENTS。低レイテンシのオンライン推論、モデルバージョン間の A/B テスト、モデルパフォーマンスの追跡、自動フォールバック機構を実装してください。ドリフト検出のためのモデル監視を設定してください。"
• 出力：ML パイプライン、モデルサービングインフラストラクチャ、監視設定

フェーズ 4：リリース前の検証

10. アナリティクスの検証

• Task ツールを使用し、subagent_type="data-engineering::data-engineer" を指定します
• コンテキスト：実装済みの追跡機能とイベントスキーマ
• プロンプト："次の機能のアナリティクス実装を検証してください：$ARGUMENTS。ステージング環境ですべてのイベント追跡をテストし、データの品質と完全性を確認し、ファネル定義を検証し、適切なユーザー識別とセッション追跡を確保してください。データパイプラインのエンドツーエンドテストを実行してください。"
• 出力：検証レポート、データ品質指標、追跡範囲の分析

11. 実験のセットアップ

• Task ツールを subagent_type="cloud-infrastructure::deployment-engineer" で使用します
• コンテキスト：機能フラグと実験設計
• プロンプト："次の内容について実験インフラストラクチャを設定してください：$ARGUMENTS。適切なターゲティングルールを設定した機能フラグを用意し、トラフィックの割り当て（5～10%から開始）を設定し、キルスイッチを実装し、主要指標の監視アラートを設定してください。ランダム化と割り当てロジックをテストしてください。"
• 出力：実験設定、監視ダッシュボード、ロールアウト計画

フェーズ 5：ローンチと実験

12. 段階的なロールアウト

• Task ツールを subagent_type="cloud-infrastructure::deployment-engineer" で使用します
• コンテキスト：実験設定と監視のセットアップ
• プロンプト："次の機能の段階的なロールアウトを実施してください：$ARGUMENTS。社内での試用から開始し、次にベータユーザー（1～5%）へ展開して、目標トラフィックまで段階的に増やしてください。エラー率、パフォーマンス指標、初期の兆候を監視してください。異常を検出した場合に自動ロールバックする仕組みを実装してください。"
• 出力：ロールアウトの実施、監視アラート、健全性指標

13. リアルタイム監視

• Task ツールを subagent_type="observability-monitoring::observability-engineer" で使用します
• コンテキスト：デプロイ済みの機能と成功指標
• プロンプト："次の内容について包括的な監視を設定してください：$ARGUMENTS。実験指標のリアルタイムダッシュボードを作成し、統計的有意性に関するアラートを設定し、悪影響を検出するためにガードレール指標を監視し、システムのパフォーマンスとエラー率を追跡してください。Datadog、New Relic、またはカスタムダッシュボードなどのツールを使用してください。"
• 出力：監視ダッシュボード、アラート設定、SLO の定義

フェーズ 6：分析と意思決定

14. 統計分析

• Task ツールを subagent_type="machine-learning-ops::data-scientist" で使用します
• コンテキスト：実験データと当初の仮説
• プロンプト："次の A/B テストの結果を分析してください：$ARGUMENTS。信頼区間を用いて統計的有意性を計算し、セグメントごとの効果を確認し、副次指標への影響を分析し、予想外のパターンを調査してください。頻度論的アプローチとベイズ的アプローチの両方を使用してください。該当する場合は多重検定を考慮してください。"
• 出力：統計分析レポート、有意性検定、セグメント分析

15. ビジネスインパクトの評価

• Task ツールを subagent_type="business-analytics::business-analyst" で使用します
• コンテキスト：統計分析とビジネス指標
• プロンプト："次の機能のビジネスインパクトを評価してください：$ARGUMENTS。実際の ROI と予想 ROI を計算し、主要なビジネス指標への影響を分析し、運用上のオーバーヘッドも含めて費用対効果を評価し、長期的な価値を予測してください。全面展開、反復改善、ロールバックのいずれを推奨するか判断してください。"
• 出力：ビジネスインパクトレポート、ROI 分析、推奨事項の文書

16. ローンチ後の最適化

• Task ツールを subagent_type="machine-learning-ops::data-scientist" で使用します
• コンテキスト：ローンチ結果とユーザーからのフィードバック
• プロンプト："データに基づいて、次の内容の最適化機会を特定してください：$ARGUMENTS。トリートメントグループのユーザー行動パターンを分析し、ユーザージャーニーの摩擦点を特定し、データに基づく改善案を提示し、後続の実験を計画してください。長期的な影響を把握するため、コホート分析を使用してください。"
• 出力：最適化の推奨事項、後続の実験計画

設定オプション

experiment_config:
  min_sample_size: 10000
  confidence_level: 0.95
  runtime_days: 14
  traffic_allocation: "gradual"  # gradual, fixed, or adaptive

analytics_platforms:
  - amplitude
  - segment
  - mixpanel

feature_flags:
  provider: "launchdarkly"  # launchdarkly, split, optimizely, unleash

statistical_methods:
  - frequentist
  - bayesian

monitoring:
  - real_time_metrics: true
  - anomaly_detection: true
  - automatic_rollback: true

成功基準

• データの網羅性：必要かつ承認済みのイベントが、検証済みのスキーマとプライバシー制御を用いて追跡されている
• 実験の妥当性：適切なランダム化、十分な統計的検出力、サンプル比率の不一致がないこと
• 統計的厳密性：明確な有意性検定、適切な信頼区間、多重検定の補正
• ビジネスインパクト：ガードレール指標を悪化させず、目標指標に測定可能な改善があること
• 技術的パフォーマンス：p95 レイテンシの悪化がなく、エラー率が 0.1% 未満であること
• 意思決定の迅速さ：計画した実験期間内に、明確な実施可否を決定できること
• 学習成果：今後の機能開発に向けた知見が文書化されていること

調整に関するメモ

• データサイエンティストとビジネスアナリストが協力して仮説を立てます
• エンジニアは、分析を後付けではなく最優先要件として実装します
• フィーチャーフラグを使うことで、完全なデプロイを行わずに安全に実験できます
• リアルタイム監視により、必要に応じて迅速に反復し、ロールバックできます
• 統計的な厳密さと、ビジネス上の実用性および市場投入までのスピードとのバランスを取ります
• 継続的な学習サイクルを通じて、次の機能開発サイクルにフィードバックを反映します

データ主導のアプローチで開発する機能：$ARGUMENTS

制限事項

• タスクが上記の説明に明確に合致する場合にのみ、このスキルを使用してください。
• 出力を、環境固有の検証、テスト、または専門家によるレビューの代わりとして扱わないでください。
• 必要な入力、権限、安全上の境界、または成功基準が不足している場合は、作業を中断して確認を求めてください。