pm-analytics

产品分析技能

此技能的行为方式（请先阅读）

这是一项生成式流程技能（用于规划或执行分析，也可以评议分析）。分析是 AI 助手最容易自信地得出错误结论的领域：Claude 会报告虚荣指标（页面浏览量、注册总数），把相关性当作因果关系，把两天的峰值或n=20 的样本当作趋势，引用平均值（掩盖了所有有意思的细分群体），最后停留在“以下是数据”，而不是提出决策。没人会据此采取行动的仪表板，或建立在偏差上的洞察，还不如不做分析。

因此，此技能会把关以下事项：

1. 明确背景——分析将为哪项决策或问题提供依据、对应的目标是什么，以及有哪些可用数据（这些因素决定要衡量什么以及采用哪种方法）。
2. 应用始终适用的核心原则——先提问题，选择可执行的指标，区分信号与噪声，进行细分，结合定量与定性分析，并以建议收尾。
3. 呈现取决于背景的决策（分析方法、领先指标与滞后指标、工具、归因模型、群组类型、留存窗口）及其权衡；由用户选择。

接下来会交由 pm-okr-metric-validity-audit 检查（所选指标是否有效，而非虚荣指标），并交由 pm-assumption-rigor-audit 检查（因果主张和分析结果是否经得起审视）。

范围：此技能负责分析流程——衡量什么、漏斗／群组／细分／用户旅程、从噪声中辨别信号，以及从数据到决策的叙述。它将指标定义是否严谨有效交由 pm-okr-metric-validity-audit，将受控变更的统计分析（样本量、显著性、护栏指标）交由 pm-experimentation-ab，将 OKR/KPI 产物交由 pm-okrs-kpis，并将用于探究定性“原因”的探索性研究交由 pm-discovery。

---

第 0 步——分析前明确背景

如果尚不清楚，请先询问；如果在未得到答复的情况下继续，请说明假设：

• 这项分析将为哪项决策或问题提供依据？ 从问题而非数据出发——“为什么激活率下降了？”或“哪个新手引导步骤导致用户流失？”没有关联决策的分析只会产生噪声。
• 它对应什么目标？ 将指标与业务／用户目标关联起来，确保衡量的是重要事项，而非方便追踪的事项。
• 有哪些数据，这些数据可信吗？ 事件覆盖情况、时间范围、可用的细分维度、已知的追踪缺口。数据稀少或有偏，会改变你能够诚实得出的结论。

---

始终适用的核心原则（适用于任何分析）

衡量重要事项

• 先提问题，再看数据。 遵循分析生命周期：设定衡量目标 → 收集 → 分析 → 采取行动。每项洞察都为下一个问题提供依据。
• 优先选择可执行指标，而非虚荣指标。 页面浏览量和注册用户总数能让演示文稿更好看，却无法指导决策。检验方法是：“如果这个数字显著变化，我是否确切知道该怎么做？” 如果不知道，它就是虚荣指标。优先选择与行为相关的指标（首周激活、功能采用率、留存率）。
• 一个主要指标 + 护栏指标。 将分析与一项成功指标关联，同时监控健康度／护栏指标，避免为了“获胜”而牺牲其他方面。（这些指标是否严谨有效，应由 okr-metric-validity 负责检查。）

诚实地解读数据

• 区分信号与噪声。 不要对小幅或短期波动过度反应；使用滚动窗口（30/90/365 天）和移动平均值，并在采取行动前，寻找不同时间段和细分群体中反复出现的模式。
• 避开数据陷阱——明确指出陷阱，并做好防范：
  • 相关性 ≠ 因果关系——两个指标同步变化（推送通知 ↑、使用量 ↑），可能都由第三个因素驱动（例如节日活动）。寻找作用机制；通过实验确认原因（experimentation-ab）。
  • 幸存者偏差——只分析留下来的用户，会掩盖其他用户离开的原因。问问哪些人没有出现在数据中。
  • 小样本诱惑——样本量 n=10 时提升 50%，到 n=1,000 时可能就消失了。等待数据充足后再下结论。
  • 选择偏差——在查看数据 之前 确定成功指标；记录所有分析，而不只是那些看起来有利的分析。
• 平均值会骗人——要细分。 “典型用户”通常并不存在。按设备、新用户与回访用户、获客来源和行为拆分结果；有意思的发现几乎总藏在某个子群体中（整体提升 10% 可能掩盖了移动端下降 5%）。

将数字转化为决策

• 先找出“为什么”，再结合定量与定性分析。 数字揭示了 发生了什么；与有趣模式背后的用户交谈（差点转化的用户、流失的重度用户），了解 为什么——然后回到数据中验证你听到的情况。
• 以洞察 → 影响 → 行动收尾。 先用业务语言说明问题，而不是直接给出原始指标（“新用户找不到核心功能，每月约损失 5 万美元”比“DAU 下降 15%”更好）；选择能清晰呈现关键洞察的可视化方式，并以具体、明确负责人且可衡量的建议收尾。不能改变决策的分析，就还没有完成。

依具体情况决定（说明，不要自动应用）

逐项说明权衡，并给出与步骤 0 相关的建议；由用户选择。运行所有类型的分析，或提取所有指标，都是错误做法。

决策	适用情况	避免／调整的情况	默认建议
分析方法	对已知流程中逐步流失的情况使用 漏斗；对行为／留存如何随时间变化的情况使用 群组分析；对比不同群体的情况使用 细分分析；对非线性、跨触点行为使用 旅程／路径分析	将漏斗分析强加于探索性行为，或简单漏斗就能回答问题时仍使用路径分析	根据问题选择方法；转化用漏斗，留存用群组分析，用细分分析解释差异
领先指标与滞后指标	目标罕见／见效慢时，用领先指标（激活、功能采用率）尽早采取行动；用滞后指标（MRR、LTV）验证结果	仅依据滞后指标指导日常工作（行动太晚）	两者结合：用领先指标指导行动，用滞后指标确认行动是否奏效
工具／平台	网站流量用 GA；产品事件／行为分析用 Mixpanel/Amplitude；用 Segment 统一数据管道；深入分析／历史数据用数据仓库（BigQuery/Snowflake）；实时监控用实时工具	产品分析工具当下就能回答的问题，却过度设计数据仓库管道	使用现有的事件分析工具；只有在需要深入分析／历史数据时才添加数据仓库
群组类型	用 行为群组（是否执行了操作 X）寻找“顿悟时刻”；用 时间群组 隔离版本发布／季节性因素；用 获客群组 比较渠道质量	将某一种群组类型的结论当成能回答所有三类问题	用行为群组寻找激活驱动因素；用时间群组衡量变化的影响
留存窗口	日常使用的产品采用 N 日窗口；使用频率较低的产品采用每周／每月窗口；自然周期（如周日制定膳食计划）采用自定义窗口	对每周使用一次的产品采用日留存视角（造成误报）	让窗口与产品自然的使用节奏相匹配
归因模型	简单转化归因采用末次点击；多个触点共同发挥作用时采用线性／时间衰减归因	用户旅程由上游渠道发起、却在其他渠道转化时仍采用末次点击（低估上游渠道贡献）	用户旅程跨越多个渠道时采用多触点归因（线性／时间衰减）；末次点击仅用于简单情况
定性研究深度	模式明确时采用轻量研究（支持工单、会话笔记）；重大决策的关键在于弄清“为什么”时采用深入研究（访谈）	面对代价高昂／不可逆的决策，仅依据定量数据采取行动	根据决策的重要程度安排定性研究深度；对于出乎意料的数据，始终用用户的原话进行合理性核验

---

验证结果（编排）

交接时使用每个视角对应的可安装技能 name。只有在该技能已安装时才调用；如果未安装，本技能的核心内容已包含这些规则，无需因此阻塞，直接继续。

产出或修订后，应将内容交给审计视角，而不是直接宣布完成。这些是候选视角——请根据 docs/orchestration-policy.md 中的方针来决定如何处理，或将整个文档交由 pm-product-review 审查。这里，assumption-rigor 是始终相关的视角（自动运行）；其他视角则是可选项，根据文档实际包含的内容决定是否采用。如果用户调用此技能是为了处理某个特定事项，请遵守该范围。

• pm-assumption-rigor-audit（自动运行）——因果关系是否成立（还是把相关性伪装成因果性）？解读是否客观（不存在选择偏差）？关键结论是否有证据支持，而非仅仅断言？
• pm-okr-metric-validity-audit（可选——如果文档提及或依赖指标）——这些指标是否可执行、有效（而非虚荣指标）、定义是否准确，且是否与目标相关？本技能将严格的指标定义标准交由该视角审查。

**组合方式（依据 docs/orchestration-policy.md §9）：**若要以统计严谨性（样本量、显著性、护栏、窥视数据）验证某项变更，则后续可选用 pm-experimentation-ab（提议后续生成，不要自动生成）；若要基于分析做出高风险、不可逆的决策，则由 pm-decision-quality-audit 检查决策流程。如果审计发现冲突，应以目标为准：分析旨在推动更好的决策——如果它依赖虚荣指标、未经细分的平均值或未经证实的因果关系，应在采取行动之前先修正。

---

常见的正确与错误做法

❌ 不要	✅ 应该
从数据说起	从决策／问题出发，再进行衡量
报告虚荣指标（页面浏览量、注册总数）	使用可执行的指标——“指标一旦变化，我就知道该采取什么行动”
把相关性当成因果性	寻找作用机制；通过实验确认因果关系
对两天的激增或 n=20 作出反应	使用滚动窗口；等待可重复的规律／足够的样本
只分析留下来的用户	追问哪些人不在其中——防范幸存者偏差
挑选有利于自己的细分结果	预先承诺成功指标；记录所有分析
只引用平均值	按设备／来源／行为细分——平均值会掩盖真相
只报告是什么，不解释为什么	将定量分析与定性分析结合起来，并用其中一方验证另一方
止步于数字	最后给出洞见 → 影响 → 行动，并明确负责人和可衡量的目标
在此处重新发明 A/B 测试的统计方法	将显著性／护栏交由 experimentation-ab 处理
未经检查就发布分析结果	交由 okr-metric-validity + assumption-rigor 审查

---

来源课程（Uxcel）

• 分析策略与规划
• 分析工具与平台
• 客户旅程分析
• 深入挖掘数据
• 分析结果的叙事表达
• 用户漏斗分析
• 群组与细分分析