product-analytics

product-analytics skill 개요

product-analytics의 용도

product-analytics skill은 AI agent가 제품 KPI를 정의하고, 지표 프레임워크를 선택하며, 대시보드를 설계하고, 리텐션·코호트·퍼널·기능 채택 데이터를 해석하도록 돕습니다. 단발성 차트 아이디어가 아니라 체계적인 지표 사고가 필요한 프로덕트 매니저, 그로스 팀, 창업자, 애널리스트, AI 보조 프로덕트 팀에 적합합니다.

예를 들어 “지금 제품 단계에서 무엇을 측정해야 할까?”, “이 기능이 실제로 채택되고 있나?”, “대시보드에는 어떤 리텐션 관점을 넣어야 할까?”, “모호한 North Star 목표를 측정 가능한 입력 지표로 어떻게 바꿀까?” 같은 질문을 다룰 때 사용하면 좋습니다.

product-analytics에 잘 맞는 작업

이 product-analytics skill은 문제가 분석적이면서 동시에 의사결정과 연결되는 Product Management 워크플로에서 가장 강합니다. 특히 다음 작업에 잘 맞습니다.

• AARRR, North Star, HEART 프레임워크 중 선택
• pre-PMF, 성장 단계, 성숙 제품의 KPI 정의
• 경영진용, 제품 건강도, 기능 채택 대시보드 구조 설계
• 가입, 활성화, 기능 노출을 기준으로 한 코호트 리텐션 분석 계획
• 제품 출시와 라이프사이클 단계에 비추어 지표 변동 해석

반대로 SQL 생성만 필요하거나, 데이터 웨어하우스 모델링, 특정 BI 도구 설정이 핵심이라면 적합도가 낮습니다. 이 skill은 product analytics 관점의 사고 방식과 템플릿을 제공하지만, 완전한 analytics engineering 스택은 아닙니다.

이 skill이 실무에 유용한 이유

이 repository에는 단일 프롬프트 파일 이상의 자료가 포함되어 있습니다. 핵심 파일인 SKILL.md는 skill을 언제 사용해야 하는지와 워크플로를 설명합니다. references/metrics-frameworks.md는 AARRR, North Star, HEART에 대한 실무형 프레임워크 가이드를 제공합니다. references/dashboard-templates.md는 경영진용, 제품 건강도, 기능 채택 관점의 대시보드 레이아웃을 제공합니다. scripts/metrics_calculator.py는 CSV 데이터로 리텐션, 코호트, 퍼널 계산을 간단히 수행할 수 있는 command-line helper를 추가합니다.

이 조합 덕분에 product-analytics skill은 계획 수립뿐 아니라 1차 분석에도 유용합니다.

product-analytics skill 사용 방법

product-analytics 설치와 먼저 읽을 파일

GitHub repository에서 설치하려면 사용 중인 skill manager의 GitHub 설치 흐름을 사용하세요. 예를 들어 환경에서 npx skills add를 지원한다면 실무적으로는 다음 command를 사용할 수 있습니다.

npx skills add alirezarezvani/claude-skills --skill product-analytics

설치 후에는 아래 파일을 순서대로 읽는 것이 좋습니다.

1. SKILL.md — 범위, 워크플로, KPI 가이드, 해석 규칙
2. references/metrics-frameworks.md — AARRR, North Star, HEART, Goals-Signals-Metrics
3. references/dashboard-templates.md — 대시보드 구조와 KPI 블록
4. scripts/metrics_calculator.py — 리텐션, 코호트, 퍼널을 위한 선택적 CSV 기반 계산

이 읽기 순서가 중요한 이유는 이 skill이 프레임워크 중심으로 설계되어 있기 때문입니다. references를 건너뛰면 agent가 제품 단계에 맞는 분석 가이드 대신 일반적인 KPI 목록을 내놓을 수 있습니다.

product-analytics 활용도를 높이는 입력 정보

product-analytics를 제대로 활용하려면 agent에게 제품 맥락, 단계, 사용자 세그먼트, 내려야 할 결정을 함께 제공하세요. 약한 프롬프트는 다음과 같습니다.

Help me create product metrics.

더 나은 프롬프트는 다음과 같습니다.

Use the product-analytics skill. We are a B2B SaaS product in growth stage. Users sign up, invite teammates, create a project, and publish reports. Our suspected activation event is “created first project with at least one teammate.” We need a product health dashboard for the PM and leadership team. Define a North Star candidate, input metrics, activation and retention KPIs, and dashboard layers. Call out missing data and risks.

리텐션이나 퍼널 작업을 할 때는 event 이름, 코호트 기준, 기간, 세그먼트를 포함하세요. 예를 들어 가입 코호트와 첫 기능 사용 코호트는 서로 다른 질문에 답합니다.

실제 분석에 권장되는 워크플로

바로 지표를 만들라고 요청하기보다, 먼저 skill이 프레임워크를 선택하거나 비교하게 하세요. 유용한 순서는 다음과 같습니다.

1. 제품 단계와 비즈니스 모델 정의
2. 지표 프레임워크 선택: 성장 퍼널에는 AARRR, 전략적 정렬에는 North Star, UX 품질에는 HEART
3. 첫 가치 경험과 활성화 이벤트 식별
4. 지표 계층 설계: North Star, 입력 지표, 가드레일, 진단 지표
5. 대상 독자에 맞는 대시보드 레이어 설계
6. 코호트, 리텐션, 퍼널, 기능 채택 분석 실행 또는 요청
7. 지표 변화를 의사결정, 실험, 계측 공백으로 번역

CSV export가 있다면 agent에게 리텐션이나 퍼널 전환을 계산해 달라고 요청하기 전에 scripts/metrics_calculator.py를 먼저 확인하세요. 이 script는 명확한 사용자, 코호트, 활동, 퍼널 컬럼을 기대합니다. 정리되지 않은 event log는 전처리가 필요할 수 있습니다.

product-analytics skill FAQ

product-analytics는 Product Management용인가요, data science용인가요?

product-analytics skill은 주로 Product Management, 제품 전략, 분석 계획 수립을 위한 도구입니다. 무엇을 측정할지, 왜 중요한지, 지표 변화를 어떻게 해석할지 정의하는 데 도움을 줍니다. 코호트와 퍼널의 틀을 잡는 등 애널리스트 워크플로도 지원할 수 있지만, 데이터 웨어하우스 모델, 실험 플랫폼, 통계 notebook을 대체하지는 않습니다.

프로덕트 매니저에게 가장 큰 장점은 모호한 목표를 제품 단계에 맞는 KPI와 대시보드 요구사항으로 바꿔, 애널리스트나 BI 팀이 구현할 수 있게 만든다는 점입니다.

일반적인 analytics 프롬프트보다 나은 점은 무엇인가요?

일반적인 프롬프트는 DAU, MAU, retention, conversion, churn, revenue처럼 폭넓은 지표 목록을 반환하는 경우가 많습니다. 이 skill은 agent에게 더 명확한 product analytics 워크플로를 제공합니다. 프레임워크 선택, 제품 단계별 KPI 가이드, 대시보드 레이어링, 코호트 비교, 기능 채택 해석까지 포함합니다.

포함된 references도 모호함을 줄여 줍니다. agent가 처음부터 대시보드를 상상해 만드는 대신, 경영진용, 제품 건강도, 기능 채택 템플릿을 출발점으로 사용할 수 있습니다.

이 skill을 쓰지 않는 편이 좋은 경우는 언제인가요?

문제가 production SQL 작성, tracking SDK 디버깅, dbt 모델 설계, Amplitude, Mixpanel, Looker, GA4 설정처럼 순수하게 기술적인 경우에는 product-analytics를 주 도구로 쓰지 않는 것이 좋습니다. 이런 도구에 필요한 지표와 event를 명세하는 데는 도움이 되지만, 특정 vendor 구현 가이드는 아닙니다.

제품 맥락이 전혀 없을 때도 사용을 피하는 편이 좋습니다. 라이프사이클 단계, 사용자 여정, 핵심 event, 비즈니스 목표가 없으면 결과는 높은 수준의 일반론에 머물고 실행 가능성이 떨어집니다.

product-analytics skill 개선 방법

더 강한 맥락으로 product-analytics 결과 개선하기

가장 중요한 개선점은 더 나은 입력입니다. 다음 정보를 포함하세요.

• 제품 유형: SaaS, marketplace, consumer app, internal tool, content product
• 단계: pre-PMF, growth, mature, turnaround, launch
• 핵심 사용자 여정: signup, onboarding, value moment, repeat behavior
• 비즈니스 모델: subscription, usage-based, ads, transaction fee, enterprise sales
• 현재 관심사: activation, retention, monetization, adoption, quality, churn
• 사용 가능한 데이터: event logs, CRM fields, billing data, surveys, support tickets

이 정보가 있으면 product-analytics skill이 맞지 않는 프레임워크를 선택하는 일을 피할 수 있습니다. 예를 들어 UX 품질 문제에는 HEART가 더 적합할 수 있고, acquisition-to-revenue 퍼널 진단에는 AARRR이 더 적합합니다.

흔한 실패 패턴 점검하기

흔히 나오는 약한 결과에는 너무 많은 KPI, 의사결정과 연결되지 않는 vanity metrics, 담당자가 없는 대시보드 설계, 단일 snapshot에 기반한 리텐션 분석이 있습니다. agent에게 다음을 분리하도록 요구하세요.

• 경영진 지표와 진단 지표
• 선행 지표와 후행 결과 지표
• 세그먼트 수준 신호와 합쳐진 평균값
• 기능 노출과 진정한 기능 채택
• 첫 사용과 반복 또는 지속 사용

좋은 product analytics 답변은 각 지표가 어떤 의사결정을 뒷받침하는지 알려줘야 합니다. 어떤 지표에 owner, threshold, action path가 없다면 agent에게 수정하라고 요청하세요.

첫 결과 이후 반복 개선하기

첫 답변을 받은 뒤에는 구체적인 후속 요청으로 개선하세요.

• “Reduce this to 5 executive metrics and 10 diagnostic metrics.”
• “Rewrite for a pre-PMF product with low traffic.”
• “Add instrumentation events needed to calculate each KPI.”
• “Separate dashboard views for PM, leadership, and growth team.”
• “Identify which metrics are guardrails versus success metrics.”
• “Turn this into an experiment readout template.”

데이터 기반 작업에서는 적절한 경우 프레임워크 결과를 repository의 scripts/metrics_calculator.py와 결합한 뒤, 단순히 비율을 다시 말하게 하기보다 그 결과를 맥락 속에서 해석하도록 skill에 요청하세요.