product-analytics

product-analytics skill 概览

product-analytics 适合解决什么问题

product-analytics skill 可以帮助 AI agent 定义产品 KPI、选择指标框架、设计 dashboard，并解读留存、cohort、funnel 和功能采用率数据。它面向 product managers、growth teams、founders、analysts，以及需要结构化指标思考的 AI-assisted product teams，而不是只想临时要一张图表建议的场景。

当你在问这些问题时，可以使用它：“这个产品阶段应该衡量什么？”“这个功能真的被用户采用了吗？”“dashboard 上应该放哪种留存视图？”或者“如何把一个模糊的 North Star 目标拆成可衡量的 input metrics？”

最适合 product analytics 的工作场景

这个 product-analytics skill 最擅长 Product Management 工作流：问题既有分析成分，也需要支持决策。适合的场景包括：

• 在 AARRR、North Star 和 HEART 框架之间做选择
• 为 pre-PMF、growth 或 mature products 定义 KPI
• 搭建 executive、product health 或 feature adoption dashboard 结构
• 围绕 signup、activation 或 feature exposure 规划 cohort retention analysis
• 结合产品发布和生命周期阶段解读指标变化

如果你只需要生成 SQL、做 warehouse modeling，或完成某个 BI 工具的具体配置，它的帮助会有限。这个 skill 提供的是 product analytics 推理和模板，不是一整套 analytics engineering stack。

这个 skill 为什么实用

这个 repository 不只是一个 prompt 文件。核心文件 SKILL.md 说明了何时使用该 skill 以及推荐工作流。references/metrics-frameworks.md 提供了 AARRR、North Star 和 HEART 的可用框架指南。references/dashboard-templates.md 给出了 executive、product health 和 feature adoption 视图的 dashboard 布局。scripts/metrics_calculator.py 则提供了一个轻量级命令行辅助工具，可基于 CSV 数据计算 retention、cohort 和 funnel。

这样的组合让 product-analytics skill 既能用于规划，也能支持第一轮分析。

如何使用 product-analytics skill

product-analytics 安装方式和优先阅读文件

要从 GitHub repository 安装，请使用你的 skill manager 的 GitHub 安装流程。例如，如果你的环境支持 npx skills add，实用命令是：

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

安装后，建议按以下顺序阅读文件：

1. SKILL.md — 范围、工作流、KPI 指南和解读规则
2. references/metrics-frameworks.md — AARRR、North Star、HEART 和 Goals-Signals-Metrics
3. references/dashboard-templates.md — dashboard 结构和 KPI 模块
4. scripts/metrics_calculator.py — 可选的 CSV 计算工具，用于 retention、cohorts 和 funnels

这个阅读顺序很重要，因为该 skill 是框架驱动的。如果跳过 references，agent 可能会输出泛泛的 KPI 清单，而不是贴合产品阶段的 analytics 指导。

让 product-analytics 使用效果更好的输入

想让 product-analytics 用得更好，需要给 agent 产品背景、所处阶段、用户分群，以及你要做的决策。较弱的 prompt：

Help me create product metrics.

更好的 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.

如果要做 retention 或 funnel 分析，请包含 event names、cohort basis、time window 和 segments。举例来说，signup cohort 与 first-feature-use cohort 回答的是不同问题。

真实分析中的推荐工作流

开始时先让 skill 选择或比较框架，不要直接跳到指标清单。一个实用顺序是：

1. 定义产品阶段和商业模式
2. 选择指标框架：AARRR 适合 growth funnels，North Star 适合战略对齐，HEART 适合 UX quality
3. 识别 first value moment 和 activation event
4. 构建指标层级：North Star、input metrics、guardrails、diagnostic metrics
5. 根据受众设计 dashboard layers
6. 执行或请求 cohort、retention、funnel 或 feature adoption analysis
7. 将指标变化转化为决策、实验或 instrumentation gaps

如果你有 CSV 导出数据，在让 agent 计算 retention 或 funnel conversion 之前，先查看 scripts/metrics_calculator.py。该脚本需要清晰的 user、cohort、activity 和 funnel columns；混乱的 event logs 可能需要先做预处理。

product-analytics skill 常见问题

product-analytics 是给 Product Management 还是 data science 用的？

product-analytics skill 主要服务于 Product Management、产品战略和 analytics planning。它帮助你定义要衡量什么、为什么重要，以及如何解读指标变化。它也可以支持 analyst workflows，尤其是在 cohort 和 funnel 框架设计上，但不能替代 warehouse model、experimentation platform 或 statistical notebook。

对产品经理来说，最大的价值是把模糊目标转化为符合产品阶段的 KPI 和 dashboard requirements，方便 analysts 或 BI teams 落地实现。

它比普通 analytics prompt 好在哪里？

普通 prompt 往往会返回一大串宽泛指标：DAU、MAU、retention、conversion、churn、revenue。这个 skill 会给 agent 一个更有判断力的 product analytics 工作流：框架选择、按阶段给出的 KPI 指南、dashboard 分层、cohort 对比，以及 feature adoption 解读。

内置 references 也能减少模糊性。agent 不需要从零发明一个 dashboard，而是可以把 executive、product health 和 feature adoption templates 作为起点。

什么时候不应该使用这个 skill？

当你的问题是纯技术问题时，不要把 product-analytics 当作主要工具，例如编写生产级 SQL、调试 tracking SDKs、设计 dbt models，或配置 Amplitude、Mixpanel、Looker、GA4。它可以帮助你明确这些工具需要的 metrics 和 events，但它不是 vendor implementation guide。

如果你没有任何产品背景，也应避免使用。缺少 lifecycle stage、user journey、key events 或 business goal 时，输出会偏高层，行动性也会下降。

如何改进 product-analytics skill 的效果

用更强的上下文提升 product-analytics 结果

最重要的改进是提供更好的输入。请包含：

• 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

这样 product-analytics skill 才能避免套错框架。例如，HEART 可能更适合 UX quality 问题，而 AARRR 更适合诊断 acquisition-to-revenue funnel。

留意常见失败模式

常见的弱输出包括 KPI 过多、只有 vanity metrics 却没有决策用途、dashboard design 没有 owner，以及基于单次快照做 retention analysis。你应该推动 agent 区分：

• Executive metrics 与 diagnostic metrics
• Leading indicators 与 lagging outcomes
• Segment-level signal 与 blended averages
• Feature exposure 与真正的 feature adoption
• First use 与 repeat 或 sustained usage

好的 product analytics 回答应该说明每个指标支持什么决策。如果某个指标没有 owner、threshold 或 action path，就要求 agent 修改。

在第一版输出后继续迭代

拿到第一版回答后，用有针对性的 follow-up 改进它：

• “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.”

对于有数据支撑的工作，可以在合适时结合 repository 中的 scripts/metrics_calculator.py 使用框架输出，然后让 skill 在上下文中解读结果，而不是只复述百分比。