Data analysis report

数据洞察报告自动生成

核心原则

1. 数据说话，洞察驱动——数据是起点，洞察是终点，行动是目的
2. 异常优先——异常比常态更值得关注，异常是改进的信号
3. 归因深挖——不只说"是什么"，更要回答"为什么"
4. 可执行结论——每条洞察必须对应一个可执行的行动

交互模式

🤖→👤 AI建议人类审批

输入

输入项	类型	必填	来源	说明
漏斗分析	JSON	○	output/pm-metrics-ops/analysis-funnel/funnel-analysis.json	漏斗健康度、转化率、流失点
留存分析	JSON	○	output/pm-metrics-ops/analysis-retention/retention-analysis.json	留存曲线、流失预警、 cohorts
异常检测	JSON	○	output/pm-metrics-ops/analysis-anomaly/anomaly-analysis.json	异常指标、归因、影响范围
决策洞察	JSON	○	output/pm-metrics-ops/decision-dace/decision_insight.json	数据驱动的决策建议
度量体系	JSON	○	output/pm-metrics-design/metrics-system/metrics_system.json	指标定义和基线
分析时间范围	string	是	用户提供	如"2025年Q1""最近30天"
产品/业务信息	string	○	用户提供	产品名称、核心业务指标

执行步骤

Step 1: 数据概览与核心指标

整合度量体系和分析数据，生成数据概览：

核心指标仪表盘：

指标	当前值	环比变化	同比变化	趋势	状态
北极星指标				↑↓→	🟢🟡🔴
核心转化率
留存率(D7/D30)
DAU/MAU
ARPU

数据质量声明：

• 数据覆盖范围
• 数据完整性评估
• 已知的数据偏差

Step 2: 漏斗健康度分析

整合漏斗数据，生成漏斗分析章节：

全链路漏斗：

曝光 → 点击 → 注册 → 激活 → 首次付费 → 复购
  ↓      ↓      ↓      ↓       ↓         ↓
 95%   45%   32%   68%    25%      40%

关键发现：

• 最大流失环节（流失率最高的步骤）
• 最大提升空间（转化率提升对整体影响最大的步骤）
• 环比变化最大的环节
• 异常波动点

每个关键发现包含：

• 数据事实（精确数字）
• 环比/同比对比
• 可能原因（至少2个假设）
• 验证建议

Step 3: 留存与生命周期分析

整合留存数据，生成留存分析章节：

留存曲线描述：

• 次日/7日/30日留存率
• 留存曲线形态（L型/下降型/稳定型）
• cohorts对比（不同批次用户的留存差异）

生命周期阶段划分：

阶段	定义	占比	特征
新手期	注册后0-3天		高活跃、高流失风险
成长期	4-14天		功能探索、习惯形成
成熟期	15-90天		稳定使用、价值感知
衰退期	90天+活跃下降		使用频率降低
流失期	连续N天未活跃		需召回策略

流失预警：

• 高风险用户特征
• 流失前行为信号
• 召回窗口期

Step 4: 异常归因分析

整合异常检测数据，生成异常分析章节：

异常事件清单：

时间	指标	异常类型	偏离程度	影响范围	归因	置信度
		突增/突降/趋势偏移	±X%	用户量/收入	内因/外因	高/中/低

归因分析框架：

• 内因：产品变更、技术故障、运营活动
• 外因：市场变化、竞品动作、季节因素
• 数据因：统计偏差、数据缺失、口径变更

Step 5: 洞察与行动建议

整合所有分析数据，提炼洞察和行动建议：

洞察提炼规则：

• 每条洞察 = 数据事实 + 业务含义 + 行动方向
• 洞察按业务影响排序

行动建议模板：

优先级	建议	目标指标	预期提升	实施难度	验证方式
P0				低/中/高	A/B测试/前后对比
P1
P2

建议分类：

• 速赢（Quick Win）：低难度、高影响
• 核心优化：中难度、高影响
• 长期投入：高难度、高影响
• 观察项：需更多数据验证

Step 6: 报告组装

报告结构：

# {产品名}数据分析报告（{时间范围}）

## 执行摘要
- 核心指标一览
- 3条关键发现
- Top1行动建议

## 1. 数据概览
### 1.1 核心指标仪表盘
### 1.2 数据质量声明

## 2. 漏斗分析
### 2.1 全链路漏斗
### 2.2 关键流失点
### 2.3 提升机会

## 3. 留存分析
### 3.1 留存曲线
### 3.2 生命周期阶段
### 3.3 流失预警

## 4. 异常分析
### 4.1 异常事件清单
### 4.2 归因分析

## 5. 洞察与行动建议
### 5.1 核心洞察
### 5.2 行动建议（按优先级）

## 附录
- 数据来源与口径
- 指标定义
- 统计方法说明

输出

存储路径：output/pm-metrics-ops/data-analysis-report/

输出文件：

文件	格式	说明
data-analysis-report.md	Markdown	完整数据分析报告
data-analysis-report.json	JSON	结构化数据（供下游Skill引用）

输出Schema：

{
  "type": "object",
  "required": ["report_metadata", "executive_summary", "insights", "recommendations"],
  "properties": {
    "report_metadata": {"type": "object", "description": "报告元数据，包含产品名、时间范围和数据来源"},
    "executive_summary": {"type": "object", "description": "执行摘要，包含关键指标、发现和首要建议"},
    "funnel_analysis": {"type": "object", "description": "漏斗分析，包含完整漏斗、最大流失和机会点"},
    "retention_analysis": {"type": "object", "description": "留存分析，包含关键节点和生命周期阶段"},
    "anomaly_analysis": {"type": "object", "description": "异常分析，包含事件和归因"},
    "insights": {"type": "array", "description": "洞察列表，包含数据事实、业务含义和行动方向"},
    "recommendations": {"type": "array", "description": "建议列表，包含优先级、预期提升和验证方式"}
  }
}

data-analysis-report.json 结构：

{
  "report_metadata": {
    "product": "产品名",
    "time_range": "分析时间范围",
    "generated_at": "时间戳",
    "data_sources": [],
    "data_quality": ""
  },
  "executive_summary": {
    "key_metrics": [],
    "key_findings": [],
    "top_recommendation": ""
  },
  "funnel_analysis": {
    "full_funnel": [],
    "biggest_drop": {},
    "biggest_opportunity": {},
    "key_findings": []
  },
  "retention_analysis": {
    "d1": 0, "d7": 0, "d30": 0,
    "curve_shape": "",
    "lifecycle_stages": [],
    "churn_warnings": []
  },
  "anomaly_analysis": {
    "events": [],
    "attributions": []
  },
  "insights": [
    {
      "id": "INS-001",
      "fact": "数据事实",
      "implication": "业务含义",
      "action_direction": "行动方向"
    }
  ],
  "recommendations": [
    {
      "id": "REC-001",
      "description": "建议描述",
      "target_metric": "目标指标",
      "expected_lift": "预期提升",
      "difficulty": "低/中/高",
      "category": "速赢/核心优化/长期投入/观察项",
      "priority": "P0/P1/P2",
      "validation_method": "验证方式"
    }
  ]
}

输出校验规则

字段路径	类型	必填	说明
report_metadata	object	是	报告元数据
report_metadata.product	string	是	产品名称
report_metadata.time_range	string	是	分析时间范围
report_metadata.data_sources	array	是	数据来源列表
report_metadata.data_quality	string	是	数据质量声明
executive_summary	object	是	执行摘要
executive_summary.key_findings	array	是	关键发现列表，至少3条
executive_summary.top_recommendation	string	是	首要建议
funnel_analysis	object	否	漏斗分析章节
retention_analysis	object	否	留存分析章节
anomaly_analysis	object	否	异常分析章节
insights	array	是	洞察列表，至少1条
insights[].id	string	是	洞察编号
insights[].fact	string	是	数据事实
insights[].implication	string	是	业务含义
insights[].action_direction	string	是	行动方向
recommendations	array	是	建议列表，至少3条
recommendations[].id	string	是	建议编号
recommendations[].priority	string	是	优先级，枚举值：P0/P1/P2
recommendations[].validation_method	string	是	验证方式

上游变更响应

当上游输入发生变更时，本Skill的响应策略：

上游变更	影响范围	响应策略
漏斗分析数据更新	漏斗分析章节	更新漏斗数据，重新评估流失点和提升机会
留存分析数据更新	留存分析章节	更新留存数据，重新评估生命周期和流失预警
异常检测数据更新	异常分析章节	更新异常事件和归因，重新评估洞察
决策洞察更新	洞察和建议章节	更新洞察和建议，标记需人类确认
度量体系变更	核心指标仪表盘	更新指标定义和基线，重新评估数据概览

当分析报告自身变更时，对下游的通知机制：

报告变更类型	通知范围	通知方式
P0建议新增	decision-dace	标记P0建议，触发DACE Conclude
关键发现变更	decision-culture	标记发现变更，触发报告推送
数据质量声明变更	全部下游	标记质量变更，触发数据源检查

---

决策规则

条件	决策
仅有漏斗数据	聚焦漏斗分析，留存和异常章节标注"缺乏数据"
仅有留存数据	聚焦留存和生命周期，漏斗章节标注"缺乏数据"
无异常数据	跳过异常分析章节，标注"无异常检测数据"
所有分析数据均缺失	基于产品信息和AI知识生成框架性报告，标注"缺乏实证数据"
时间范围>1年	建议拆分为季度报告

质量检查

• 执行摘要包含3条关键发现+Top1建议
• 核心指标仪表盘完整
• 漏斗分析包含最大流失点和提升机会
• 留存分析包含生命周期阶段
• 每条洞察有数据事实+业务含义
• 行动建议至少3条，每条有优先级和验证方式
• 数据口径和局限性已说明

降级策略

缺失的上游输入	降级方案	输出影响
funnel-analysis缺失	漏斗章节标注"缺乏漏斗数据"	缺少转化分析
retention-analysis缺失	留存章节标注"缺乏留存数据"	缺少生命周期分析
anomaly-analysis缺失	跳过异常分析章节	缺少异常归因
decision-dace缺失	行动建议基于数据分析推导	建议可能不够深入
metrics-system缺失	核心指标基于用户提供信息	指标定义可能不完整

• 若用户未提供分析时间范围，提示用户提供或跳过该输入相关步骤
• 若用户未提供产品/业务信息，提示用户提供或跳过该输入相关步骤