Pm data

Preamble (run first)

bash "$(dirname "${BASH_SOURCE[0]}")"/check-update.sh 2>/dev/null || true
# 读取技能包版本号
SKILL_ROOT="$(cd "$(dirname "${BASH_SOURCE[0]}")" 2>/dev/null && pwd)" || true
if [ -f "$SKILL_ROOT/VERSION" ]; then echo "📦 super-pm $(cat "$SKILL_ROOT/VERSION")"; fi
# 检查方案设计目录
mkdir -p docs/02-方案设计

# 检查前置文档
echo "📊 正在检查前置文档..."

if [ -f "docs/02-方案设计/PRD产品需求文档.md" ]; then
  echo "✅ PRD文档 - 已找到"
else
  echo "⏳ PRD文档 - 未找到"
fi

if [ -f "docs/01-需求调研/MVP方案.md" ]; then
  echo "✅ MVP方案 - 已找到"
else
  echo "⏳ MVP方案 - 未找到"
fi

---

跨 Agent 交互规则

当流程要求与用户交互时：

1. 如果当前环境支持 AskUserQuestion，使用 AskUserQuestion（最佳体验）。
2. 如果当前环境不支持 AskUserQuestion，必须用普通聊天消息提出同样问题。
3. 一次只问一个问题。
4. 提问后必须停止当前回合，等待用户回答（STOP and WAIT）。
5. 不得在用户回答前生成文档、写入 docs。
6. 已有 docs 文件不能替代本轮用户回答。

---

执行流程

步骤 1: 确定数据指标范围

使用 AskUserQuestion 询问：

您需要设计哪方面的数据指标？

A) 整体数据指标体系（北极星指标+关键指标+过程指标） B) 产品核心指标（如DAU、GMV、留存率） C) 功能埋点方案（具体功能的数据采集） D) 业务分析指标（如转化漏斗、用户分群） E) 其他（请手动输入）

💡 提示：

• 产品规划阶段 → 推荐整体数据指标体系
• 功能开发阶段 → 推荐功能埋点方案
• 产品优化阶段 → 推荐业务分析指标

记录到变量 DATA_SCOPE

---

步骤 2: 读取前置数据

根据指标范围读取相应文档：

必需文档：

• PRD产品需求文档（如果存在）
• MVP方案（如果存在）

可选文档：

• 需求调研报告（业务目标）
• 优先级报告

---

步骤 3: 定义北极星指标

使用 AskUserQuestion 引导：

🎯 北极星指标定义

基于产品目标，推荐的北极星指标：

选项1：{指标名称} - {定义} 选项2：{指标名称} - {定义}

您倾向于选择哪个？

A) 选择选项1 B) 选择选项2 C) 我有其他想法（请手动输入）

常见北极星指标参考：

产品类型	北极星指标
电商	GMV（成交总额）
内容	日活跃用户数
社交	用户互动次数
工具	完成任务数
教育	完课率

---

步骤 3.5: GSM 目标→信号→指标推导（v2.5新增）

在确定北极星指标后，使用 GSM 方法推导关键指标，确保指标定义从业务目标出发，而非直接推荐。

GSM 三步法：

G - Goal（业务目标）

北极星指标对应的业务目标是什么？

使用 AskUserQuestion 引导：

🎯 GSM 推导 - 业务目标

北极星指标对应的业务目标是什么？

A) 提升用户活跃度（DAU/MAU增长） B) 提升用户留存（留存率增长） C) 提升付费转化（付费率/ARPU增长） D) 提升用户传播（K因子/推荐率增长） E) 其他（请手动输入）

S - Signal（成功信号）

用户达成目标时的可观察行为是什么？

📶 GSM 推导 - 成功信号

用户达成目标时的可观察行为是什么？

A) 用户每天打开 App 3 次以上（活跃信号） B) 用户在 7 天内完成首次付费（转化信号） C) 用户连续 30 天有使用行为（留存信号） D) 用户主动邀请好友使用（传播信号） E) 其他（请手动输入）

M - Metric（量化指标）

从信号推导出 3-5 个可量化指标。

GSM 推导表示例：

目标 (Goal)	信号 (Signal)	指标 (Metric)
提升用户活跃度	用户每天打开 App 3 次以上	DAU、人均启动次数
提升付费转化	用户在 7 天内完成首次付费	7日付费转化率、首单时间
提升用户留存	用户连续 30 天有使用行为	30日留存率、月活跃天数
提升用户传播	用户主动邀请好友使用	K因子、邀请转化率

与步骤4的关系：GSM 推导出的 Metric 是步骤4要展开定义的关键指标候选。步骤3.5 回答"为什么是这些指标"，步骤4 回答"这些指标如何定义、计算、取数"。

---

步骤 4: 设计关键指标

基于北极星指标，设计3-5个关键指标。

📊 您的产品类型是什么？

A) 电商产品 B) 内容产品 C) 社交产品 D) 工具产品 E) 其他（请手动输入）

根据选择推荐对应指标（电商例：DAU、转化率、客单价、复购率、留存率）。

对每个关键指标进行详细定义（指标定义、统计口径、计算公式、数据来源、基准值）。

---

步骤 5: 设计过程指标

📈 过程指标设计：

• 用户获取：新增用户数、获客渠道分布、CAC、注册转化率
• 用户活跃：DAU/MAU、人均使用时长、人均使用次数、功能使用率
• 用户留存：次日/7日/30日留存率、流失用户比例
• 用户转化：转化漏斗各环节转化率、平均转化周期

是否需要其他过程指标？

在现有过程指标基础上，使用 HEART 模型补充用户体验度量，避免只覆盖业务过程而忽略体验结果。

HEART 补充维度：

HEART 维度	与现有过程指标关系	建议指标
Happiness（满意度）	现有步骤未覆盖	NPS、CSAT、用户满意度评分、投诉率
Engagement（参与度）	合并到用户活跃指标	DAU/MAU、人均使用时长、人均使用次数、核心行为频次
Adoption（采用度）	合并到功能使用指标	新功能使用率、首次使用转化率、功能渗透率
Retention（留存）	合并到用户留存指标	次日/7日/30日留存率、回访率、流失率
Task Success（任务成功）	现有步骤未覆盖	任务完成率、错误率、完成时间、客服求助率

整合要求：

• Engagement、Adoption、Retention 不单独重复建类，分别合并到用户活跃、功能使用、用户留存指标中。
• Happiness、Task Success 作为过程指标体系的体验补充维度新增。
• 每个 HEART 指标同样需要定义统计口径、计算公式、数据来源和监控频率。

---

步骤 6: 设计转化漏斗

🔍 核心转化漏斗设计：

您的产品核心流程是什么？

A) 电商购买流程 B) 内容消费流程 C) 社交互动流程 D) 工具使用流程 E) 其他（请手动输入）

根据选择设计对应的转化漏斗，识别瓶颈环节和优化方向。

---

步骤 7: 设计数据监控方案

⚡ 数据监控方案：

实时监控：DAU、请求量、接口成功率、页面加载时间 告警规则：DAU异常下降>20% / 接口成功率<99% / 页面加载>3秒

定期分析：

• 日报（每天9点）：核心指标+转化漏斗
• 周报（每周一）：趋势+留存+功能使用
• 月报（每月1号）：总结+增长+收入+竞品

是否需要调整监控方案？

---

步骤 8: 输出数据指标体系文档

使用 Write 工具创建 docs/02-方案设计/数据指标体系.md，参考 references/output-template.md 模板，填充用户输入的数据。

文档包含：

1. 指标体系概述（设计目标、设计原则）
2. 北极星指标（定义、目标值）
3. 关键指标体系（分层架构、详细定义）
4. 过程指标体系（用户获取/活跃/留存/转化）
5. 转化漏斗分析（漏斗图、优化方向）
6. 数据监控方案（实时监控、定期分析）
7. 数据工具与平台
8. 数据治理（质量保障、安全合规）

---

步骤 9: 深度数据分析（v2.0新增）

详情参考 references/depth-analysis.md。

9.1 趋势分析

• 同比分析（与去年同期对比）
• 环比分析（与上月对比）
• 趋势预测（未来3个月线性回归预测）

9.2 异常检测

• 自动异常识别（DAU突然下降等）
• 异常归因分析（分渠道/设备/版本下钻）

9.3 归因分析

• 转化率提升归因（各优化项贡献度）
• 用户流失归因（原因分布+优化建议）

---

步骤 10: 生成深度分析报告

在文档中补充深度分析章节，包含趋势分析、异常检测、归因分析、预测分析。

步骤 11: 数据可视化建议

• 核心仪表盘设计（实时监控看板、周报看板）
• 可视化图表类型（折线图、柱状图、漏斗图等）

步骤 12: 数据驱动决策建议

• 周数据复盘会 / 月数据总结会
• 基于数据的产品迭代决策机制

---

兜底机制

场景: 无前置文档

如果PRD和MVP方案都不存在：

⚠️ 未找到前置文档

您可以选择： A) 手动输入产品信息（快速模式） B) 执行 /pm-docs 生成PRD C) 执行 /pm-mvp 制定MVP方案

---

注意事项

1. 北极星指标必须反映产品核心价值
2. 每个关键指标需明确统计口径和计算公式
3. 埋点方案需与开发团队对齐实施
4. 查看完整输出模板：references/output-template.md
5. 查看深度分析模板：references/depth-analysis.md

---

输出质量对比

✅ Good 示例：

- 有数据引用：「根据 Q4 数据，留存率从 35% 降至 28%」
- 有验证来源：「数据来源：Google Analytics, 2025-12-01」
- 有明确建议：「建议将新手引导步骤从 5 步减少至 3 步」

❌ Bad 示例：

- 模糊结论：「数据表明留存率有所下降」
- 无来源：「根据经验，这个功能很重要」
- 没有行动建议：「留存是个问题」

---

常见误区 / Red Flags — STOP

出现以下情况立即停止并回溯：

误区	正确做法
使用"应该"、"大概"、"看起来"做结论	必须基于实际数据和验证
未运行检查就声称已完成	先验证，再陈述
因时间紧迫跳过关键步骤	没有例外，时间紧更要严格
"这次应该没问题"的想法	每次都要重新验证

---

产出质量检查 / Verification Checklist

• 前置依赖已满足（输入文档/数据已收集）
• 核心步骤已全部执行
• 输出文档已生成到 docs/ 目录
• 每个判断都有数据/证据支撑
• 已推荐 2-3 个后续 skill

⚠️ 任何一项未通过 → 补全后再标记完成。

---