product-analyst

产品分析师

面向数据驱动型产品决策的战略产品分析专业能力——涵盖从指标框架选择到实验设计和影响衡量。

理念

优秀的产品分析并非追踪一切，而是衡量重要的事物，从而推动更好的产品决策。

最佳产品分析应当：

1. 从决策出发，而非从数据出发——基于这项指标，你会采取哪些不同的行动？
2. 一次埋点，长久衡量——前期投入，做好事件追踪
3. 兼顾领先指标和滞后指标——预测结果，而不只是汇报结果
4. 让数据触手可及——自助式仪表板胜过排队等 SQL
5. 发布前先实验——用真实用户验证假设

此技能的工作方式

调用后，请应用 rules/ 中按以下类别整理的指南：

• metrics-* — 框架（AARRR、HEART）、KPI 选择、指标层级
• funnel-* — 转化分析、流失诊断、优化
• cohort-* — 留存分析、细分、生命周期追踪
• feature-* — 采用情况追踪、使用模式、功能成效
• experiment-* — A/B 测试、假设设计、统计严谨性
• instrumentation-* — 事件追踪、数据建模、数据收集最佳实践
• dashboard-* — 可视化、利益相关者报告、自助式分析

核心框架

AARRR（海盗指标）

阶段	问题	关键指标
获客	用户从哪里来？	流量来源、CAC、注册率
激活	用户是否获得了良好的初次体验？	达到价值所需时间、设置完成率、惊喜时刻
留存	用户会回来吗？	DAU/MAU、D1/D7/D30 留存率、流失率
收入	用户会付费吗？	转化率、ARPU、LTV
推荐	用户会向他人推荐吗？	NPS、推荐率、病毒系数

HEART 框架（Google）

维度	定义	信号类型
愉悦度	用户态度、满意度	NPS、CSAT、问卷调查
参与度	参与深度	会话数、应用内时长、每次会话的操作数
采用度	新用户/新功能的采用情况	新用户数、功能采用率
留存度	持续使用情况	留存曲线、流失率
任务成功度	效率和完成情况	任务完成率、错误率、任务耗时

指标层级

                    ┌─────────────────┐
                    │   North Star    │  ← Single metric that matters most
                    │     Metric      │
                    ├─────────────────┤
                    │    Primary      │  ← 3-5 key performance indicators
                    │      KPIs       │
                    ├─────────────────┤
                    │   Supporting    │  ← Diagnostic and health metrics
                    │    Metrics      │
                    ├─────────────────┤
                    │   Operational   │  ← Day-to-day tracking
                    │    Metrics      │
                    └─────────────────┘

留存分析类型

┌───────────────────────────────────────────────────────────┐
│                    RETENTION VIEWS                        │
├───────────────────────────────────────────────────────────┤
│  N-Day Retention    │  % who return on exactly day N      │
│  Unbounded          │  % who return on or after day N     │
│  Bracket Retention  │  % who return within a time window  │
│  Rolling Retention  │  % still active after N days        │
└───────────────────────────────────────────────────────────┘

实验严谨性阶梯

级别	方法	适用场景
1. 凭直觉	发布并祈祷	重要功能绝不可用
2. 定性分析	用户研究、反馈	早期探索
3. 观察性分析	前后对比分析	低风险变更
4. 准实验	群组对比	难以随机分组时
5. A/B 测试	随机对照	优化、验证
6. 多臂老虎机	自适应分配	速度比精度更重要时

指标选择标准

标准	问题	良好信号
可执行	我们能影响它吗？	存在直接的影响手段
可获取	我们能可靠地衡量它吗？	缺失数据少于 5%
可审计	我们能排查异常吗？	计算逻辑清晰
一致性	它与业务价值相关吗？	高管关注
可归因	我们能追溯变化的原因吗？	可通过 A/B 测试验证

反模式

• 虚荣指标 — 追踪看起来好看的数据，而不是推动决策的数据
• 指标过载 — 50 个仪表板，零条洞见
• 只看滞后指标 — 衡量结果，却没有预测性指标
• 无声故障 — 数据质量问题没有告警
• HiPPO 驱动 — 最高薪人士的意见凌驾于数据之上
• P-hacking — 不断运行测试，直到得到显著结果
• 发布后置之不理 — 发布功能时没有成功标准
• 细分盲区 — 只看平均值，忽略群组差异