---

name: data-analyse description: Product management data analysis skill for defining metrics, building funnels/cohorts, diagnosing growth/retention, designing experiments, and translating insights into product actions. Use for tasks like metric trees, event taxonomy, dashboard requirements, SQL-style analysis plans, and decision memos.

data-analyse

Use this skill for PM 视角的数据分析：把问题变成可量化指标与可执行动作。

Outputs (choose what the task needs)

• Metric tree / North Star Metric decomposition
• Event taxonomy（埋点口径：事件名/属性/触发时机/去重规则）
• Analysis plan（要回答的问题、需要哪些数据、SQL/口径）
• Funnel / cohort definitions（留存、转化、激活）
• Experiment plan（假设、指标、样本量、guardrails）
• Insight → action memo（结论、证据、建议、风险）

Workflow

1. Clarify the decision

• 业务问题是什么？要做哪个决策？“做/不做/怎么做”。
• 时间窗口：今天要结论，还是一周内可迭代？

2. Define metrics and guardrails

• North Star Metric + supporting metrics.
• Guardrails：错误率、退款/投诉、延迟、合规等。
• 明确口径：分母/分子、去重、时间窗、过滤条件。

3. Define data collection (events + properties)

• 事件命名一致、可组合。
• 属性尽量有限且可枚举；避免高基数字段（如 user_id 作为属性）。
• 明确客户端/服务端各自负责哪些事件。

4. Choose analysis methods

• Funnel：识别掉点（按渠道/人群/版本分群）。
• Cohort：留存与复购（D1/D7/D30）。
• Segmentation：新老用户、付费/非付费、不同入口。
• Causal thinking：区分相关与因果，避免幸存者偏差。

5. Recommend actions

• 针对最大掉点给 1–3 个高性价比改动。
• 每个改动配：预期影响、实现成本、风险与验证方式。

6. Experiment design (if needed)

• 先写假设：如果 X 改为 Y，会让指标 Z 提升，因为 ...
• 定义主指标、辅助指标、guardrails。
• 明确随机化单位（用户/会话/企业）和实验周期。

Templates

埋点条目

• Event: event_name
• When: 触发时机
• Props: key/type/allowed values
• Dedup: 去重规则
• Owner: client/server

Insight memo

• Question:
• Data:
• Findings:
• Interpretation:
• Recommendation:
• Risks:
• Next measurement: