app-analytics

app-analytics 概览

app-analytics 是一个实用的技能，帮助你搭建、读取并优化移动应用分析，让你回答真正的业务问题，而不只是采集更多事件。它最适合那些需要更清晰的衡量方案、想要复核现有分析栈，或者需要用于产品、增长、订阅或付费获客决策的 app-analytics Data Analysis。

当你已经了解应用场景，但需要结构化方法时，app-analytics 最有价值：该跟踪什么、哪些工具重要，以及如何在不过度建设的前提下解读表现。它关注的不是泛泛的“加上分析埋点”建议，而是帮你选对信号、避开误导性指标，并更快得出决策。

app-analytics 能帮你做什么

当你需要定义分析栈、验证事件跟踪、解读商店和应用内指标，或把获客数据与后续结果连接起来时，可以使用 app-analytics。尤其适合你正在在 App Store Connect、Firebase、Mixpanel、Amplitude、RevenueCat 或归因工具之间做选择的情况。

适合哪些人使用

这个 app-analytics 技能适合创始人、产品经理、增长负责人和分析师，只要你需要一套可落地的衡量方案。它也很适合你接手了一个混乱的埋点体系，想先搞清楚哪些东西真正重要，再去改仪表盘或埋点实现。

什么时候最适合用它

如果你当前的任务是理解表现、埋点、或者诊断为什么漏斗、cohort 或 campaign 表现不佳，就选 app-analytics。若你只需要商店页实验或留存策略，可能会有更专门的技能更适合作为第一站。

如何使用 app-analytics 技能

安装并打开正确的文件

进行 app-analytics install 时，先用你目录里的标准 skills 命令添加该技能，然后先打开 SKILL.md。之后如果存在，再查看 app-marketing-context.md，因为这个技能在给出衡量建议之前，默认需要更广泛的营销或产品上下文。

提供决策上下文

最好的 app-analytics 用法不是笼统提问，而是先给一个简短但具体的 brief。写清你现在在用哪些工具、最关心哪些问题、数据要支持什么决策，以及是否有付费获客。比如：“我们使用 Firebase 和 App Store Connect，需要判断 onboarding 之后 activation 是否在下滑，而且我们在投 Meta ads，所以归因质量很重要。”

把粗糙的问题改写成有效提示词

像“帮我做分析”这样的弱提示，通常只会得到泛泛而谈的建议。更强的 app-analytics 指令可以这样写：“请检查我们当前的 stack，告诉我 activation 和 retention 还缺哪些指标，并建议一个订阅应用在付费获客场景下，应该在 Firebase 和 Mixpanel 里跟踪的最小事件集。” 这种写法能给技能明确的任务、范围和工具背景。

按工作流顺序阅读

先看初始评估问题，再把工具和具体工作对应起来：App Store Connect 负责商店指标，Firebase 负责应用内事件和漏斗，Mixpanel 或 Amplitude 负责 cohort 和产品分析，RevenueCat 负责订阅收入，如果需要归因则用 Adjust 或 AppsFlyer。这个顺序很重要，因为用于 Data Analysis 的 app-analytics 只有在衡量目标与实际要做的决策绑定时，效果才最好。

app-analytics 技能 FAQ

需要先有完整的分析栈吗？

不需要。app-analytics 可以帮你决定该安装什么、该延后什么。很多情况下，真正有价值的是先识别出最小可用的 stack，再去叠加更多工具和更多噪音。

这只适合付费获客团队吗？

不是，但付费获客是一个重要分岔点。如果你投放广告，归因质量会改变你该信什么，所以 app-analytics 技能会更有价值。如果你不投广告，就可以更专注于产品事件、漏斗和留存。

它和普通提示词有什么不同？

普通提示词可能只会给你宽泛的分析建议。app-analytics 技能更适合你想要一个可复用的搭建方式和更清晰的决策路径：该衡量什么、哪些工具该负责哪些指标，以及当数据看起来不对时应该先查什么。

app-analytics 适合新手吗？

适合，只要你能描述自己的应用、工具和目标。你不需要提前掌握所有分析术语，但输入越具体，输出通常越有用。

如何改进 app-analytics 技能

提供最少但最有用的上下文

最大的质量提升来自提供 app 类型、变现模式、渠道组合和当前工具。一个靠付费广告获客的订阅应用，和一个只靠自然增长的免费工具应用，app-analytics 的用法会很不一样。

要的是衡量方案，不只是指标

当你把 event model、funnel logic 和工具分工一起提出来时，这个技能最容易发挥作用。比如：“定义 activation funnel，列出要跟踪的 events，并告诉我每个指标应该由哪个工具负责。” 这样得到的是可以直接落地的方案，而不是一份愿望清单式的 dashboard。

明确你遇到的失败模式

如果 tracking 已经有了，但数据不好用，就直接说明哪里出了问题：重复事件、归因缺失、activation 定义不清，还是 cohort 可信度低。这样 app-analytics 就能聚焦在具体缺口，而不是重复最佳实践。

一次只围绕一个决策迭代

拿到第一轮回答后，把问题收窄到单一结果：更好的 onboarding 衡量、更干净的 install attribution、更可靠的订阅分析，或者更强的留存分析。app-analytics 的提升速度最快的方式，就是每次迭代只测试一个决策、一个漏斗，或一个报表缺口。