product-analytics-and-measurement

产品分析与度量

一套专门的工作方法，用于将预期的产品成果转化为可观测、受治理的证据。本技能涵盖完整的度量生命周期：从通过指标树和先行／滞后指标定义成功的标准，到通过事件分类体系和追踪计划明确如何追踪成功，再到验证埋点是否确实捕获了所声称的数据。

加载指南

当任务涉及以下任一内容时，加载本技能：

触发条件	加载内容
定义产品成果、北极星指标或成功指标	SKILL.md + references/metric-tree.md
设计事件分类体系或追踪计划	SKILL.md + templates/tracking-plan.md
审核或 QA 埋点质量	SKILL.md + templates/instrumentation-qa-checklist.md
构建产品漏斗、路径分析或队列定义	SKILL.md + references/metric-tree.md
制定仪表板契约或度量治理方案	SKILL.md + templates/outcome-review.md
解决团队间相互冲突的指标定义	SKILL.md + references/discovery-brief.md（所有权边界）
设计注重隐私的度量策略	SKILL.md

适用场景

• 你需要为产品（SaaS、内部工具、公共服务或消费级产品）定义可度量的成果、指标树以及先行／滞后指标。
• 你需要一份追踪计划，明确事件、属性、身份解析、会话边界、数据质量规则和所有权。
• 你需要验证现有埋点是否能生成可信的数据。
• 你需要一份仪表板契约，明确指标定义、数据源、刷新频率和所有权。
• 你需要制定产品成果评审周期，将度量结果与决策联系起来。

不适用场景

本技能不能替代：

• 数据架构——架构设计、存储选型以及基础设施层面的数据建模属于 ../data-architect/SKILL.md。
• 数据工程——管道实现、ETL/ELT、dbt 模型以及运营层面的数据质量监控属于 ../data-engineering/SKILL.md。
• 统计推断——实验设计、假设检验、因果推断和模型选择属于 ../data-scientist/SKILL.md。
• 可观测性——系统健康状况、延迟、错误预算和基础设施监控属于 ../site-reliability-engineering/SKILL.md。
• 商业智能——仪表板构建、报告生成以及将数据可视化本身作为目的。本技能负责为 BI 提供的度量契约和指标定义，而非 BI 层本身。

本技能也不规定通用基准阈值。输出中引用的每项目标指标、留存曲线或转化率都会标注为特定情境下的数据，并与所讨论的具体产品、市场、发展阶段和商业模式相关联。

核心概念

指标树

将北极星指标或主要成果逐层拆解为其组成驱动因素。树中的每个节点都应：

• 可观测——可通过埋点或已定义的数据源进行度量。
• 可执行——指标变化能指出具体的产品或运营应对措施。
• 有负责人——恰好由一个团队或角色负责其定义、收集和解读。

指标树区分先行指标（具有预测性，对变化敏感）和滞后指标（用于确认，变化缓慢），并为每项指标配备至少一个反向指标（用于检测不利副作用的护栏指标）。参见 references/metric-tree.md。

事件与跟踪计划

事件是带有时间戳、执行者和属性的已记录操作或状态变更。跟踪计划是确保事件可信的契约：

• 事件名称与分类体系 — 命名规范保持一致、带有版本，并包含标准事件目录。
• 属性 — 类型化字段，注明允许值、必填项与可选项，以及默认行为。
• 身份解析 — 说明如何跨会话、设备和身份验证状态识别执行者（匿名 ID、登录 ID、合并身份）。
• 会话定义 — 超时规则、活动边界，以及跨平台的会话连续性。
• 数据质量规则 — 验证检查（空值率、新鲜度、基数范围、分布漂移）。
• 负责人 — 谁定义事件、谁负责埋点、谁使用事件，以及事件出问题时通知谁。

参见 templates/tracking-plan.md。

埋点 QA

指标显示在仪表板上之前，必须验证生成该指标的埋点。QA 清单涵盖：

• 客户端 — 事件在正确的触发条件下触发，属性值与 UI 状态一致，不重复触发，不缺少必需属性。
• 服务端 — 事件接收、转换正确性、身份关联、时间戳完整性。
• 数据管道 — 架构兼容性、无静默丢弃、延迟符合 SLA、去重行为。
• 端到端 — 根据原始事件计算出的指标，与手动走查产品时观察到的值一致。

参见 templates/instrumentation-qa-checklist.md。

注重隐私的度量

每项度量设计都必须考虑：

• 同意边界 — 同意前与同意后分别测量什么；哪些内容绝不测量。
• 数据最小化 — 只收集指标所需的数据；避免收集推测性属性。
• 聚合阈值 — 仅当群组达到最低规模时才报告指标。
• 保留与删除 — 原始事件的保留期限；收到数据删除请求后如何继续度量。
• 法规辖区意识 — 标注指标收集何时跨越法规边界（GDPR、CCPA 等）。

仪表板契约

没有契约的仪表板迟早会引发争议。仪表板契约明确：

• 指标定义 — 确切的公式、数据来源和筛选条件。
• 刷新频率 — 仪表板的更新频率，以及可接受的数据陈旧程度。
• 负责人 — 谁对准确性负责，以及数字看起来不对时应联系谁。
• 受众与决策 — 谁使用此仪表板，以及它为哪项决策提供依据。
• 阈值与告警 — 指标值达到何种情况时需要调查（不是通用基准，而是针对具体产品设定的阈值）。

决策节奏

没有决策节奏的度量只是表演。本技能将帮助确定以下节奏：

• 每日 — 运营指标、异常检测、自动化告警。
• 每周 — 先行指标、实验结果解读、漏斗健康状况。
• 每月 — 结果回顾、指标树健康状况、反向指标检查。
• 每季度 — 重新评估北极星指标、重构指标树、废弃跟踪计划。

工作方法

1. 从结果出发，而不是从事件出发。 明确成功的标准，并在设计任何跟踪方案之前，将其拆解为指标树。
2. 在做出承诺之前验证可测量性。 如果无法从现有数据源或可行接入的数据源中观测某项指标，就应将其舍弃；不要在未记录数据接入限制的情况下编造替代指标。
3. 将跟踪计划设计为一份契约。 每个事件都必须定义负责人、架构、质量规则和使用方。不要留下无人负责的事件。
4. 在信任仪表板之前，先对数据接入进行 QA。 在指标进入决策周期之前，对每个新增或变更的事件运行数据接入 QA 检查清单。
5. 为每项指标配对一项反向指标。 对于每一项会影响决策的指标，至少定义一项能够揭示不利副作用的反向指标。
6. 为每个阈值标注适用情境。 说明该阈值所依据的产品、市场、阶段和商业模式。
7. 定期审查度量治理。 弃用未使用的事件，停用过时的指标，并在产品战略转变时更新指标树。

文件索引

路径	加载时机
references/discovery-brief.md	了解职责边界，以及此技能与现有目录技能的关联
references/metric-tree.md	构建或审查指标树、定义先行／滞后指标、选择反向指标
templates/tracking-plan.md	设计事件分类体系或编写跟踪计划契约
templates/instrumentation-qa-checklist.md	在信任指标之前，审计或验证数据接入质量
templates/outcome-review.md	开展产品成果审查或设置度量决策周期
evals/evals.json	在具有代表性的场景中评估技能的输出质量

相关技能

指向（可解析的现有技能）

• ../data-engineering/SKILL.md — 用于在运营层面实施数据管道、ETL/ELT、dbt 模型和数据质量监控。
• ../data-scientist/SKILL.md — 用于统计推断、实验设计、假设检验、因果推断和模型选择。
• ../product-strategy/SKILL.md — 用于定义北极星指标、产品愿景、PMF 评估和路线图优先级排序。
• ../go-to-market/SKILL.md — 用于增长建模、CAC/LTV、按渠道进行队列分析，以及 PLG/SLG 漏斗指标。
• ../financial-modeling/SKILL.md — 用于单位经济效益、ARR/MRR、流失率、NDR 和 SaaS 运营指标定义。

输入（文字引用尚未纳入的技能）

此技能产出度量契约、指标树和跟踪计划，为以下技能提供依据：

• product-roadmapping-and-portfolio — 以实测结果为依据做出路线图决策。
• product-experimentation — 基于可信的度量基础设计实验并解读结果。
• product-adoption — 采用漏斗、激活指标和价值实现时间度量。
• conditional-customer-success — 客户账户健康度评分和客户成果跟踪。
• product-lifecycle-learning — 上线后的学习循环和以指标为依据的迭代。