Analytics

数据复盘（analytics）

把"发了哪些内容、数据怎么样"变成"下一步该发什么"。产出复盘报告 + 爆款规律， 并回流给 trend-topic-radar 让选题更准，形成闭环。

何时使用

• 周期性复盘（周报/月报）。
• 想知道某条内容为什么火/为什么没火。
• 需要基于数据给运营建议、调整选题方向时。

数据从哪来（三选一，默认第 1 种）

1. 手动导出/录入（默认，最安全）：把各平台创作者后台的数据导出或截图，填入 数据/entries.csv（模板见 templates/data-entry.csv）。截图可交给 AI 读取后转成表格。
2. 浏览器只读（进阶，可选）：用 OpenClaw 浏览器接管你已登录的创作者后台，只读数据页面，绝不发帖/改动。遇到登录/验证码时报"需人工处理"，不猜测。
3. 官方 API（若某平台有开放数据 API 再接）。

前置：读取配置

读同目录 config.yaml（无则读 config.example.yaml）：review_cycle（周期）、kpi（核心指标）、 hit_multiplier（爆款判定倍数）、data_source（数据来源方式）、platforms。 产品线/人群从 ../trend-topic-radar/config.yaml 取，保持一致。

工作流

复制以下清单并逐步推进：

数据复盘 Task Progress:
- [ ] 1. 收集本周期数据（导出/录入/只读抓取）
- [ ] 2. 清洗为统一表格，按平台归一
- [ ] 3. 相对该账号基线判定：爆款/平款/哑弹
- [ ] 4. 拆解爆款共性 → 更新爆款规律库
- [ ] 5. 诊断哑弹原因
- [ ] 6. 产出复盘报告（周报/月报）
- [ ] 7. 回流：写「给选题雷达的建议」

步骤 1-2：收集与清洗

汇总本周期每条内容的字段（能拿到多少填多少，缺失标"无数据"，不编造）： 平台、发布日期、关联选题、标题、曝光/播放、点赞、评论、收藏、转发、涨粉、完播率或阅读完成率、 转化信号（主页访问/私信/加粉/点击）。不同平台指标名不同，按 reference.md 归一。

步骤 3：判定表现（相对基线，不用绝对数字）

对每个平台，用该账号该指标的中位数作基线：

• 爆款：核心指标 ≥ hit_multiplier × 中位数（默认 3×）
• 哑弹：< 0.5 × 中位数
• 其余为平款 这样避免受账号体量影响，聚焦"相对自己"的好坏。

步骤 4：拆解爆款共性

对爆款提炼共性并写入 爆款规律库/patterns.md（累积沉淀）： 选题方向、钩子类型、标题句式、形式（口播/演示/剧情/图文）、时长、发布时间、平台。 找"重复出现≥2 次"的特征作为可复用规律。

步骤 5：诊断哑弹

对哑弹给可能原因（钩子弱/选题偏/发布时间差/与人设不符/平台不匹配），给可验证的改进假设。

步骤 6：产出复盘报告

按 templates/review-report.md 生成，写入 复盘报告/YYYY-Www.md（周报）或 YYYY-MM.md（月报）。 含：数据概览、Top3/Bottom3、爆款规律、哑弹诊断、下一步建议。

步骤 7：回流选题雷达（闭环关键）

在报告末尾输出**「给选题雷达的建议」**：本周期验证有效的选题方向/钩子、应加码或规避的方向。 同步更新 爆款规律库/patterns.md。选题雷达下次产出时会参考这些规律（见 reference.md 的闭环说明）。

边界（务必遵守）

• 浏览器方式只读，绝不发帖/点赞/私信/改设置。
• 不编造数据；缺失即标"无数据"。
• 结论要能落到可执行动作，不空谈。

相关资源

• 指标定义 / 数据获取 / 爆款判定 / 闭环说明：reference.md
• 复盘报告模板：templates/review-report.md
• 数据录入模板：templates/data-entry.csv
• 配置样例：config.example.yaml