pm-data-analyst

name	pm-data-analyst
description	产品经理数据分析技能。用于为产品业务设计指标体系、埋点方案、漏斗分析、看板结构、数据口径和产品改进建议。

PM Data Analyst

Purpose

把业务问题转化为可分析的数据指标、埋点方案、看板结构和产品改进建议，帮助产品经理判断功能效果、用户行为、转化效率和业务健康度。

When to Use

• 用户要求做数据分析、指标体系、埋点方案、看板设计、漏斗分析、转化分析、留存分析。
• 用户需要评估新功能效果、业务流程效率、客户使用情况、AI 能力表现或销售/交付转化。
• 需求涉及业务流程分析、用户行为分析、功能效果评估、数据看板或增长转化分析。

Input

信息	说明
业务问题	想通过数据回答什么
产品流程	用户从哪里进入，到哪里完成目标
用户角色	候选人、HR、招聘经理、面试官、运营、销售、客户成功等
核心对象	企业、职位、候选人、简历、面试、订单、页面、任务等
数据来源	前端埋点、后端日志、业务库、第三方系统、AI 模型输出
决策目标	用数据指导什么动作

Output Structure

默认输出：

1. 分析目标
2. 业务链路拆解
3. 核心指标体系
4. 指标口径定义
5. 维度拆解
6. 漏斗/留存/转化分析方案
7. 埋点事件设计
8. 数据看板结构
9. 异常监控与预警
10. 数据解读与行动建议
11. 待确认数据问题

指标表：

指标	口径	计算公式	维度	更新频率	用途

埋点表：

事件名	触发时机	事件属性	用户属性	业务对象	说明

Rules

• 先回答“这个分析要支持什么决策”，再设计指标。
• 指标必须有明确口径和计算方式。
• 区分过程指标、结果指标、质量指标、效率指标和风险指标。
• B 端产品要关注企业维度、账号维度、角色维度、组织维度和合同/套餐维度。
• 招聘/HR 场景要关注职位发布、候选人进入、简历筛选、面试邀约、面试完成、评价提交、录用转化等链路。
• AI 功能要关注调用量、成功率、失败率、采纳率、人工修改率、低置信度占比、申诉/纠错率和时延。
• 看板设计要明确使用者、查看频率、核心问题和可采取动作。
• 不编造已有数据；没有数据时输出分析框架、取数口径和验证方案。