product-analytics
作者 alirezarezvaniproduct-analytics 可協助 agent 在 Product Management 工作流程中定義 KPI，選擇 AARRR、North Star 或 HEART frameworks，設計 dashboards，並分析 retention、cohorts、funnels 與 feature adoption。
這項 skill 評分為 76/100，對希望讓 agent 以 KPI、dashboard、retention 與 adoption 為核心整理 product analytics 工作的目錄使用者來說，是相當穩健的上架候選。它具備清楚的觸發條件與可重複使用的參考資料；但由於現有證據中的安裝說明與具體執行範例有限，使用者仍應預期需要一些設定工作，且在特定資料情境的解讀上可能存在落差。
- 觸發範圍清楚：frontmatter 與「When To Use」章節明確涵蓋 KPI 定義、dashboard 設計、cohort/retention 分析、feature adoption，以及 funnel 解讀。
- 工作流程具可操作性：會引導 agent 選擇 framework、依產品階段定義 KPI、規劃 dashboard 層次、進行 cohort 分析並產出解讀。
- 支援素材實用：dashboard templates、metrics framework references，以及 metrics_calculator.py script，比一般 product analytics prompt 更有延展性。
- 未顯示安裝指令或 README，因此使用者可能需要依照 repository 結構自行判斷如何加入這項 skill。
- 操作指引在指標架構與 dashboard 設計上較完整，但對端到端 analytics 執行的支援相對有限；Python calculator 有幫助，不過目前證據未呈現詳細的資料 schema 範例或驗證指引。
product-analytics skill 概覽
product-analytics 適合用來做什麼
product-analytics skill 可協助 AI agent 定義產品 KPI、選擇指標框架、設計儀表板，並解讀留存、cohort、漏斗與功能採用資料。它適合產品經理、成長團隊、創辦人、分析師，以及需要結構化指標思考的 AI 輔助產品團隊；重點不是一次性的圖表建議，而是能支撐產品判斷的分析方法。
當你在問這類問題時，就適合使用它：「這個產品階段該衡量什麼？」、「這個功能真的被採用了嗎？」、「儀表板上應該放哪一種留存視角？」或「如何把模糊的 North Star 目標拆成可衡量的 input metrics？」
最適合的 product analytics 工作
這個 product-analytics skill 最擅長處理 Product Management 工作流程中，同時包含分析與決策的問題。適合的情境包括：
- 在 AARRR、North Star 與 HEART 框架之間做選擇
- 為 pre-PMF、成長期或成熟產品定義 KPI
- 建立高階主管、產品健康度或功能採用儀表板架構
- 圍繞註冊、啟用或功能曝光規劃 cohort retention analysis
- 將產品發布與生命週期階段納入脈絡，解讀指標變化
如果你只需要產生 SQL、設計資料倉儲模型，或設定特定 BI 工具，它就沒那麼適合。這個 skill 提供的是 product analytics 推理與範本，不是一整套 analytics engineering stack。
這個 skill 為什麼實用
這個 repository 不只包含單一 prompt 檔。核心的 SKILL.md 說明何時使用這個 skill 以及工作流程。references/metrics-frameworks.md 提供 AARRR、North Star 與 HEART 的可用框架指引。references/dashboard-templates.md 提供高階主管、產品健康度與功能採用視角的儀表板版型。scripts/metrics_calculator.py 則加入輕量的 command-line helper，可用 CSV 資料計算 retention、cohort 與 funnel。
這樣的組合讓 product-analytics skill 不只適合規劃，也能支援第一輪分析。
如何使用 product-analytics skill
product-analytics 安裝與優先閱讀的檔案
若要從 GitHub repository 安裝，請使用你的 skill manager 的 GitHub 安裝流程。例如，如果你的環境支援 npx skills add，實務上可使用這個指令：
npx skills add alirezarezvani/claude-skills --skill product-analytics
安裝後，請依序閱讀這些檔案：
SKILL.md— 範圍、工作流程、KPI 指引與解讀規則references/metrics-frameworks.md— AARRR、North Star、HEART 與 Goals-Signals-Metricsreferences/dashboard-templates.md— 儀表板結構與 KPI 區塊scripts/metrics_calculator.py— 可選用的 CSV-based 計算，用於 retention、cohorts 與 funnels
這個閱讀順序很重要，因為這個 skill 是以框架驅動的。如果跳過 references，agent 可能會產出一般化的 KPI 清單，而不是符合產品階段的 analytics 指引。
讓 product-analytics 使用效果更好的輸入
要讓 product-analytics 發揮得更好，請提供 agent 產品脈絡、階段、使用者區隔，以及你需要做的決策。較弱的 prompt：
Help me create product metrics.
較好的 prompt：
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.
若是 retention 或 funnel 相關工作，請提供 event names、cohort basis、time window 與 segments。舉例來說，signup cohort 與 first-feature-use cohort 會回答不同問題。
真正做分析時的建議流程
一開始應該請 skill 選擇或比較框架，而不是直接跳進指標。實用的順序如下：
- 定義產品階段與商業模式
- 選擇指標框架：AARRR 適合成長漏斗，North Star 適合策略對齊，HEART 適合 UX 品質
- 找出 first value moment 與 activation event
- 建立指標層級：North Star、input metrics、guardrails、diagnostic metrics
- 依照受眾設計儀表板層級
- 執行或要求 cohort、retention、funnel 或 feature adoption analysis
- 將指標變化轉譯成決策、實驗或 instrumentation gaps
如果你有 CSV 匯出檔，在要求 agent 計算 retention 或 funnel conversion 前，先檢查 scripts/metrics_calculator.py。這個 script 需要清楚的 user、cohort、activity 與 funnel 欄位；雜亂的 event logs 可能需要先做前處理。
product-analytics skill 常見問題
product-analytics 是給 Product Management 還是 data science 用的？
product-analytics skill 主要用於 Product Management、產品策略與 analytics planning。它協助定義要衡量什麼、為什麼重要，以及如何解讀變化。它也能支援分析師工作流程，特別是 cohort 與 funnel framing，但它無法取代 warehouse model、experimentation platform 或 statistical notebook。
對產品經理而言，最大的價值是把模糊目標轉成符合產品階段的 KPI 與儀表板需求，讓分析師或 BI 團隊可以落地實作。
它和一般 analytics prompt 有什麼不同？
一般 prompt 往往會回傳一長串常見指標：DAU、MAU、retention、conversion、churn、revenue。這個 skill 則讓 agent 採用更有主張的 product analytics 工作流程：框架選擇、依產品階段調整的 KPI 指引、儀表板分層、cohort 比較，以及功能採用解讀。
內建 references 也能降低模糊性。agent 不必從零發明儀表板，而是可以從高階主管、產品健康度與功能採用範本開始。
什麼情況不該使用這個 skill？
當你的問題純粹是技術實作，例如撰寫 production SQL、除錯 tracking SDK、設計 dbt models，或設定 Amplitude、Mixpanel、Looker、GA4 時，不應把 product-analytics 當成主要工具。它可以協助指定這些工具需要的 metrics 與 events，但不是 vendor implementation guide。
如果你完全沒有產品脈絡，也應避免使用。缺少生命週期階段、使用者旅程、關鍵事件或商業目標時，輸出會變得偏高層次，也較難直接行動。
如何改進 product-analytics skill 的使用效果
用更完整的脈絡提升 product-analytics 結果
最重要的改進是提供更好的輸入。請包含：
- Product type：SaaS、marketplace、consumer app、internal tool、content product
- Stage：pre-PMF、growth、mature、turnaround、launch
- Core user journey：signup、onboarding、value moment、repeat behavior
- Business model：subscription、usage-based、ads、transaction fee、enterprise sales
- Current concern：activation、retention、monetization、adoption、quality、churn
- Available data：event logs、CRM fields、billing data、surveys、support tickets
這能讓 product-analytics skill 避免套錯框架。例如，HEART 可能更適合 UX 品質問題，而 AARRR 更適合 acquisition-to-revenue funnel diagnosis。
留意常見失敗模式
常見的弱輸出包括 KPI 過多、沒有對應決策的 vanity metrics、沒有 owner 的儀表板設計，以及只根據單一快照做 retention analysis。請要求 agent 清楚區分：
- Executive metrics 與 diagnostic metrics
- Leading indicators 與 lagging outcomes
- Segment-level signal 與 blended averages
- Feature exposure 與真正的 feature adoption
- First use 與 repeat 或 sustained usage
好的 product analytics 答案應該說清楚每個指標支援哪一個決策。如果某個指標沒有 owner、threshold 或 action path，請要求 agent 修正。
第一版輸出後繼續迭代
拿到第一版回答後，用更聚焦的追問來改善：
- “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.”
若是資料佐證的工作，可視情況把框架輸出與 repository 的 scripts/metrics_calculator.py 搭配使用，接著請 skill 依脈絡解讀結果，而不是只重述百分比。