agentsclimarketplace

Planning north star

Skill LuckyOneTwoThree/pm-skill/pm-02-strategy/skills/planning-north-star

102 AI Agent Skills for the full product lifecycle. Compatible with Trae / Claude Code. 9 modules from discovery to launch to growth. | 102 个覆盖产品全生命周期的 AI Agent Skills，兼容 Trae / Claude Code，9 大模块从探索发现到上线增长。

Install
npx -y skills add LuckyOneTwoThree/pm-skill --skill planning-north-star

Assembled from the repository path, not quoted from the project. Check it against their README if it does not work.

2 things to look at

  • no licenseNo license file was found in the repository. Code published without one is not open source by default, so using it at work is a question for whoever answers licensing questions where you are.
  • 6 stars6 stars. Stars are a popularity signal and not a quality one, but at this level it is likely that nobody has read this closely except its author, and you would be relying on your own review.

What its author says it does

Copied from the file, not written here

当需要确定产品核心指标、OKR北极星指标、指标体系设计时使用。北极星指标选择。AI辅助选择最能衡量产品成功和用户价值的指标。这是人类决策点，AI提供数据支撑，人类最终选择。关键词：北极星指标、核心指标、指标选择、产品成功指标、NSM、关键指标、看什么数据。

SKILL.md

9.0 KB, as published. Nobody here has run it

北极星指标选择

核心原则

  1. 多候选比较——生成3-5个候选指标，四维度评分后推荐，人类最终选择
  2. 价值-商业双锚——北极星必须同时关联用户价值和商业成功，缺一不可
  3. 输入变量可驱动——推荐指标必须拆解为3个可量化、可追踪、可影响的输入变量
  4. 防操纵设计——评估指标被操纵、失效、误导的风险并给出预警

交互模式

👤→🤖 人类执行AI辅助

输入

输入项类型必填来源说明
用户价值数据JSON是user-research-user-modeling / user-research-voice-analysis探索阶段用户价值数据
BMC商业模式画布JSON是output/pm-strategy/business-model-canvas/bmc.json价值主张、收入来源
业务现状数据JSON○用户提供当前业务指标、用户规模

执行步骤

Step 1: 候选指标生成

基于输入数据生成3-5个北极星指标候选：

  • 从BMC中提取价值主张关键词，映射为可量化指标
  • 从用户价值数据中提取用户核心行为，转化为行为指标
  • 从业务现状数据中提取现有指标，评估是否适合作为北极星
  • 每个候选指标必须包含：指标名称、计算公式、数据来源、更新频率

Step 2: 四维度评分

对每个候选指标按4个维度进行1-5分评分：

维度评分标准
与核心价值关系5分=直接衡量用户价值实现 3分=间接关联 1分=无关联
与商业成功相关性5分=与收入/增长强相关 3分=弱相关 1分=无关
可操作性5分=团队可直接影响 3分=部分影响 1分=无法影响
可衡量性5分=数据定义清晰+自动采集 3分=需人工采集 1分=无法采集

综合得分 = 0.3×价值关系 + 0.3×商业相关 + 0.2×可操作性 + 0.2×可衡量性

Step 3: 推荐与备选

  • 综合得分≥4.0的指标作为推荐北极星指标
  • 综合得分3.0-4.0的指标作为备选指标
  • 综合得分<3.0的指标标注淘汰原因
  • 推荐指标需与BMC价值主张和OKR对齐验证

Step 4: 输入变量定义

为推荐指标定义3个关键输入变量（驱动因素）：

  • 每个输入变量必须可量化、可追踪、可影响
  • 输入变量与北极星指标的因果关系需明确
  • 标注每个输入变量的数据来源和采集方式

输出

存储路径：output/pm-strategy/planning-north-star/

输出文件：north_star.json

输出校验规则

字段路径类型必填说明
north_star_metric.recommended.metric_namestring是推荐北极星指标名称
north_star_metric.recommended.definitionstring是指标定义和计算公式
north_star_metric.recommended.relationship_to_valuestring是与用户价值的关系说明
north_star_metric.recommended.relationship_to_businessstring是与商业成功的关系说明
north_star_metric.recommended.measurement.data_sourcestring是数据来源
north_star_metric.recommended.measurement.calculationstring是计算公式
north_star_metric.recommended.measurement.frequencystring是更新频率
north_star_metric.alternativesarray是至少2个备选指标
north_star_metric.alternatives[].fit_scorenumber是备选指标适配评分0-1
north_star_metric.analysis_summary.recommendation_rationalestring是推荐理由
north_star_metric:
  recommended:
    metric_name: "Weekly Active Users (WAU)"
    definition: "过去7天内至少访问1次的独立用户数"
    relationship_to_value: "衡量用户持续使用产品的频率，反映产品为用户提供的持续价值"
    relationship_to_business: "与广告收入和付费转化高度相关，是增长引擎的关键指标"
    actionability: "高-可通过产品优化、内容运营、推送策略提升"
    measurement:
      data_source: "用户行为日志"
      calculation: "COUNT(DISTINCT user_id WHERE last_active <= 7 days)"
      frequency: "每日更新"
      owner: "增长团队"
  alternatives:
    - metric_name: "Daily Active Users (DAU)"
      pros: "实时性强，响应快"
      cons: "波动大，稳定性差"
      fit_score: 0.75
    - metric_name: "Monthly Active Users (MAU)"
      pros: "稳定性好，反映长期用户基础"
      cons: "响应慢，难以及时发现问题"
      fit_score: 0.70
    - metric_name: "User Engagement Score"
      pros: "综合反映用户参与度"
      cons: "定义主观，难以标准化"
      fit_score: 0.65
  analysis_summary:
    recommendation_rationale: "WAU平衡了实时性和稳定性，与用户价值和产品商业成功都有强关联，且团队有明确的提升路径"
    implementation_notes: "需要建立用户ID体系和7天活跃计算逻辑，建议与DAU并行监测"
    warning: "注意区分新用户和老用户的活跃模式差异"

AI辅助分析内容

AI应该提供以下分析支撑：

  1. 指标候选池

    • 基于BMC分析可能的指标
    • 基于用户价值数据分析关联指标
    • 基于行业benchmark推荐指标

  2. 相关性分析

    • 各指标与收入的相关性分析
    • 各指标与留存的相关性分析
    • 指标间的相关性矩阵

  3. 趋势分析

    • 各候选指标的历史趋势
    • 指标变化的归因分析
    • 预测指标未来的变化

  4. 风险评估

    • 指标操纵风险
    • 指标失效风险
    • 指标误导风险

决策流程

1. 人类发起需求
2. AI分析并推荐指标候选
3. 人类评估候选指标
4. AI提供详细分析支撑
5. 人类讨论并选择
6. AI记录决策和理由
7. 人类确认最终指标

决策规则

  1. 人类决策：北极星指标选择是人类决策点
  2. AI支撑：AI只提供分析支撑，不做最终决策
  3. 多方参与：建议产品、技术、业务多方参与讨论

质量检查

  • 至少3个指标候选已分析
  • 每个候选有5个维度评估
  • 相关性分析已完成
  • 风险评估已提供
  • 最终选择有人类确认记录
  • 选择理由已记录

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
用户价值数据（voice-analysis / persona）用户提供产品描述 → 推荐北极星候选缺乏用户价值数据，指标与用户价值关联度可能偏弱
bmc.json用户提供产品描述 → 推荐北极星候选缺乏BMC数据，指标与商业模型关联度可能偏弱
用户价值数据 + bmc.json用户提供产品描述 → 推荐北极星候选整体置信度降低，指标缺乏价值-商业双锚定
所有上游文件均缺失提示用户先执行前序阶段，或基于用户提供的产品描述推荐北极星候选整体置信度显著降低，推荐仅为行业通用参考
业务现状数据（用户提供）若用户未提供业务现状数据，提示用户提供或跳过该输入相关步骤缺乏基线数据，无法评估指标现状

数据获取说明

本Skill需要用户价值数据和BMC数据，请通过以下方式之一提供：

  1. 直接描述产品核心价值和业务模式
  2. 上传persona.json / voice-analysis.json / bmc.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

上游变更影响表

上游变更影响范围响应策略
bmc.json价值主张变更候选指标与价值主张的关联需重新评估重新执行Step 1-2，更新候选指标和评分
bmc.json收入模式变更指标与商业成功相关性重新评分商业相关维度
persona/voice-analysis用户价值更新候选指标池和用户价值关联重新执行Step 1，更新候选指标

下游通知机制表

变更类型影响范围通知方式
北极星指标变更planning-okr、planning-roadmap输出文件版本号+变更摘要
输入变量定义变更planning-okr输出文件版本号+变更摘要
候选指标评分变更planning-okr输出文件版本号+变更摘要

Keep looking

Skills are one crate of 328,083. Ordering is by how many stacks a row turns up in, so the top of any crate is what has actually been picked rather than what has the most stars.