User research behavior analysis

行为数据自动分析

核心原则

1. 行为不说谎——用户实际行为比自我报告更可靠，以行为数据为事实基准
2. 漏斗是症状不是病因——漏斗断裂点指向问题表现，需深挖流失用户的最后行为和特征
3. Aha Moment是因果不是相关——候选行为必须通过预测力验证，相关性≠因果性
4. 异常是信号不是噪音——指标突变/渐变/周期异常都需归因，不可忽略或简单平滑

交互模式

🤖 AI自动执行 — 无需人类介入，全程自动化完成

---

输入

输入项	类型	必填	来源	说明
event_data	JSON	是	用户提供	用户行为事件日志（点击、浏览、提交等）
funnel_data	JSON	是	用户提供	转化漏斗各步骤数据
heatmap_data	JSON	○	用户提供	页面热力图数据（点击热力图、滚动热力图）
analysis_config	object	○	用户提供	分析配置（异常灵敏度、漏斗粒度、队列维度）

输入格式

{
  "data_sources": [
    {
      "type": "event_data",
      "location": "string",
      "time_range": "string",
      "events_tracked": ["string"],
      "daily_active_users": "number"
    },
    {
      "type": "funnel_data",
      "location": "string",
      "funnel_steps": ["string"],
      "time_range": "string"
    },
    {
      "type": "heatmap_data",
      "location": "string",
      "pages_covered": ["string"],
      "time_range": "string"
    }
  ],
  "analysis_config": {
    "anomaly_sensitivity": "high|medium|low",
    "funnel_granularity": "daily|weekly|monthly",
    "cohort_dimensions": ["string"]
  }
}

数据源说明：

• event_data：用户行为事件日志（点击、浏览、提交等）
• funnel_data：转化漏斗各步骤数据
• heatmap_data：页面热力图数据（点击热力图、滚动热力图）

---

执行步骤

Step 1：漏斗健康度诊断

• 计算漏斗各步骤转化率
• 识别转化率异常低的步骤（低于行业基准或历史均值1个标准差）
• 分析各步骤流失用户的特征（最后行为、停留时长、设备等）
• 计算漏斗整体健康度评分（0-100）
• 输出：漏斗诊断报告，包含各步骤转化率、流失分析、健康度评分

Step 2：行为路径分析

• 提取用户实际行为路径（非预设路径）
• 识别高频路径和异常路径
• 发现用户"绕路"行为（走了非预期路径到达目标）
• 识别用户"迷失"行为（在多个页面间反复跳转）
• 输出：行为路径图，标注高频路径、绕路、迷失点

Step 3：功能使用深度分析

• 统计各功能的使用率（触达用户数 / 活跃用户数）
• 分析功能使用深度（仅发现 → 尝试 → 深度使用 → 付费转化）
• 识别高价值但低使用率的功能（发现障碍）
• 识别低价值但高使用率的功能（可能误导用户）
• 输出：功能使用矩阵（使用率 × 价值度）

Step 4：异常检测

• 对关键行为指标进行时序异常检测
• 检测维度：日活、留存、核心功能使用率、转化率
• 异常类型：突变（单日大幅变化）、渐变（持续趋势变化）、周期异常（与历史周期不符）
• 关联异常与可能的原因（版本发布、外部事件、数据问题）
• 输出：异常事件列表，包含异常类型、影响范围、可能原因、置信度

---

输出

输出文件：output/pm-discovery/user-research-behavior-analysis/behavior-analysis.json

输出Schema：

{
  "type": "object",
  "required": ["funnel_health", "aha_moment_candidates", "feature_usage", "metadata"],
  "properties": {
    "funnel_health": {"type": "object", "description": "漏斗健康度诊断，含各步骤转化率和健康度评分"},
    "aha_moment_candidates": {"type": "array", "description": "Aha Moment候选列表"},
    "feature_usage": {"type": "array", "description": "功能使用深度分析列表"},
    "behavior_paths": {"type": "object", "description": "行为路径分析，含高频路径、绕路和迷失模式"},
    "anomalies": {"type": "array", "description": "异常事件检测列表"},
    "metadata": {"type": "object", "description": "分析元数据，含时间戳和置信度"}
  }
}

输出校验规则：

字段路径	类型	必填	说明
funnel_health.overall_score	number	是	漏斗整体健康度评分，0-100
funnel_health.steps	array	是	漏斗各步骤数据，每项须含step_name、conversion_rate、drop_off_rate、confidence
funnel_health.steps[].is_anomaly	boolean	是	该步骤是否异常
funnel_health.steps[].confidence	number	是	步骤置信度，0-1
funnel_health.trend	string	是	趋势枚举：improving/stable/declining
aha_moment_candidates	array	是	Aha Moment候选列表，每项须含behavior_pattern、correlation_with_retention、predictive_power、confidence
aha_moment_candidates[].correlation_with_retention	number	是	与留存的相关性，<0.3标记"预测力不足"
aha_moment_candidates[].predictive_power	number	是	预测力评分，0-1
aha_moment_candidates[].confidence	number	是	候选置信度，0-1
feature_usage	array	是	功能使用列表，每项须含feature_name、adoption_rate、value_score、usage_vs_value_quadrant、confidence
feature_usage[].usage_vs_value_quadrant	string	是	象限枚举：high_value_high_use/high_value_low_use/low_value_high_use/low_value_low_use
feature_usage[].confidence	number	是	功能置信度，0-1
behavior_paths.top_paths	array	否	高频路径列表
behavior_paths.detour_patterns	array	否	绕路模式列表
behavior_paths.lost_patterns	array	否	迷失模式列表
anomalies	array	否	异常事件列表，每项须含metric、anomaly_type、detected_date、magnitude、possible_causes、confidence
anomalies[].anomaly_type	string	是	异常类型枚举：spike/gradual/cyclical
anomalies[].confidence	number	是	异常置信度，0-1
metadata.analysis_timestamp	string	是	分析时间戳
metadata.data_quality_flags	string[]	是	数据质量标记
metadata.confidence_overall	number	是	整体置信度，0-1

{
  "funnel_health": {
    "overall_score": "number",
    "steps": [
      {
        "step_name": "string",
        "conversion_rate": "number",
        "drop_off_rate": "number",
        "is_anomaly": "boolean",
        "anomaly_description": "string",
        "lost_user_profile": {
          "last_action": "string",
          "avg_time_spent": "number",
          "device_distribution": {}
        },
        "confidence": "number"
      }
    ],
    "trend": "improving|stable|declining"
  },
  "aha_moment_candidates": [
    {
      "behavior_pattern": "string",
      "correlation_with_retention": "number",
      "user_segment": "string",
      "threshold": "string",
      "predictive_power": "number",
      "confidence": "number"
    }
  ],
  "feature_usage": [
    {
      "feature_name": "string",
      "discovery_rate": "number",
      "adoption_rate": "number",
      "depth_distribution": {
        "discover_only": "number",
        "try_once": "number",
        "regular_use": "number",
        "power_use": "number"
      },
      "value_score": "number",
      "usage_vs_value_quadrant": "high_value_high_use|high_value_low_use|low_value_high_use|low_value_low_use",
      "confidence": "number"
    }
  ],
  "behavior_paths": {
    "top_paths": [
      {
        "path": ["string"],
        "user_count": "number",
        "avg_completion_time": "number"
      }
    ],
    "detour_patterns": [
      {
        "description": "string",
        "affected_user_ratio": "number",
        "possible_cause": "string"
      }
    ],
    "lost_patterns": [
      {
        "description": "string",
        "affected_user_ratio": "number",
        "loop_pages": ["string"]
      }
    ]
  },
  "anomalies": [
    {
      "metric": "string",
      "anomaly_type": "spike|gradual|cyclical",
      "detected_date": "string",
      "magnitude": "number",
      "possible_causes": ["string"],
      "impact_scope": "string",
      "confidence": "number"
    }
  ],
  "metadata": {
    "analysis_timestamp": "string",
    "data_quality_flags": ["string"],
    "confidence_overall": "number"
  }
}

---

决策规则

条件	动作
关键指标日级环比变化 > 15%	触发告警，标记为"需立即关注"，暂停自动流程通知人类
漏斗健康度评分 < 40	标记"漏斗严重不健康"，建议进入深度诊断
Aha Moment候选预测力 < 0.3	标记"预测力不足"，不作为Aha Moment推荐
功能使用率 < 5% 且价值度高	标记"发现障碍"，建议进入可用性分析
数据源缺失关键步骤	标记"数据不完整"，漏斗分析降级为"部分分析"

---

质量检查

检查项	标准	不达标处理
漏斗数据完整性	所有步骤有数据	缺失步骤标记"数据缺失"，健康度评分标注"不完整"
Aha Moment候选有预测力验证	与留存的相关性 ≥ 0.3	低于0.3的候选标记"预测力不足"
行为路径样本量	≥ 1000条路径	不足时标记"样本量不足"，结论降级
异常检测假阳性控制	异常事件需有人工可理解的原因假设	无原因假设的异常标记"待确认"
所有输出标注置信度	100%	缺失置信度的字段补填默认值0.3并标记
热力图数据时效性	最近30天内	超期标记"数据过期"

---

降级策略

当上游文件不存在时，本Skill仍可独立执行：

缺失的上游输入	降级方案	输出影响
所有数据源均缺失	提示用户先提供行为数据，或基于用户提供的事件数据/漏斗数据直接执行分析	funnel_health、feature_usage等字段为空，置信度降为0
若用户未提供event_data	提示用户提供行为事件日志，否则缺乏核心行为数据来源	aha_moment_candidates和behavior_paths无法生成，功能使用分析缺失
若用户未提供funnel_data	提示用户提供漏斗数据，否则无法执行漏斗健康度诊断	funnel_health字段标注"数据缺失"，整体健康度评分不可用
若用户未提供heatmap_data	跳过该输入相关步骤，热力图数据不参与分析	行为路径分析缺少热力图维度，页面级洞察缺失
若用户未提供analysis_config	跳过该输入相关步骤，使用默认分析配置	使用默认配置，异常检测灵敏度和漏斗粒度可能非最优

数据获取说明

本Skill需要行为数据（事件日志、漏斗数据、热力图数据），请通过以下方式之一提供：

1. 直接粘贴事件数据或漏斗步骤数据
2. 上传CSV/Excel/JSON文件
3. 提供数据文件路径

• AI不负责外部数据采集，仅负责分析

---

上游变更响应

上游变更影响

本Skill为起始Skill，无上游文件依赖，不涉及上游变更影响。

下游通知机制

下游Skill	通知触发条件	通知方式	通知内容
user-research-user-modeling	behavior-analysis.json更新完成	写入output文件	通知行为分群、Aha Moment、功能使用数据已就绪
user-research-report	behavior-analysis.json更新完成	写入output文件	通知漏斗健康度、行为路径、异常检测数据已就绪