ai-pm-data

name	ai-pm-data
description	数据分析技能。提供数据指标设计、数据洞察分析、仪表盘生成三大能力。从数据中发现产品需求和优化机会。 当用户说「分析数据」「上传Excel」「数据洞察」「数据可视化」「做仪表盘」「数据看板」 「指标设计」「埋点方案」「从数据里找需求」「数据报表」时，立即使用此技能。
argument-hint	[数据文件路径 | 命令: insight/metrics/dashboard]
allowed-tools	Read Write Edit Bash(mkdir) Bash(ls) Bash(python3)

ai-pm-data — 数据分析技能

命令路由

根据 $ARGUMENTS 路由：

输入	执行
metrics	数据指标设计
insight {文件路径}	数据洞察分析
dashboard	项目仪表盘
feedback {文件}	用户反馈文本分析（主题+情感+Top痛点 → 候选需求清单）
直接传入文件路径	自动执行 insight
无参数	显示帮助

---

1. metrics — 数据指标设计

基于 PRD 设计指标体系、埋点方案。

用法:

/ai-pm data metrics           # 读取当前项目 PRD
/ai-pm data metrics abtest    # 追加 A/B 测试设计

流程:

读取当前 PRD（由 _status.json.active_prd 指定；首次默认名为 05-PRD-v1.0.md）
    ↓
提取可量化目标
    ↓
设计指标体系（北极星 → 一级 → 二级 → 过程指标）
    ↓
设计埋点方案（事件名、属性、触发时机）
    ↓
输出 09-analytics/analytics-requirement.md

输出: {项目目录}/09-analytics/analytics-requirement.md

北极星收敛（设计指标体系前先做）：别一上来铺一堆指标。先收敛出唯一一个能证明用户真拿到价值的领先指标（客户中心、可短期撬动），再配 3-5 个输入指标。⚠️ 砍掉美式"必须导向营收/增长"的权重——B/G 端北极星不是营收，判据是「对齐产品愿景 + 用户感知到的价值」（如效率类产品 = 用户真用它解决了问题的频次）。

---

2. insight — 数据洞察分析

上传数据文件（Excel/CSV），通过 EDA 发现业务洞察。

用法:

/ai-pm data insight ./data.xlsx
/ai-pm data insight ./data.csv --focus=conversion

分析步骤:

1. 数据探索 — 加载文件，检查结构、字段、缺失值
2. 关键指标 — 描述统计、分布特征
3. 异常检测 — 识别异常值、数据质量问题
4. 趋势分析 — 时间序列、周期性规律
5. 产品洞察 — 提炼可操作的产品改进建议

强制规范 — Excel 读取:

# 必须用 data_only=True，否则读到的是公式而非值
import openpyxl
wb = openpyxl.load_workbook(file_path, data_only=True)

执行方式: 用 python3 直接执行分析脚本，脚本写入结果文件后退出。

输出:

• {项目目录}/09-analytics/data-insight-report.md — 洞察报告（含 Top 3 洞察摘要）
• {项目目录}/09-analytics/data-driven-requirements.md — 数据驱动需求
• {项目目录}/09-analytics/dashboard/index.html — 可视化仪表盘

---

3. dashboard — 项目仪表盘

生成当前项目的全景视图 HTML，展示进度和关键指标。

用法:

/ai-pm data dashboard

输出: {项目目录}/09-analytics/dashboard/index.html

---

4. feedback — 用户反馈文本分析

把一堆非结构化反馈（评论 / 工单 / 调研开放题）→ 自动分主题 + 标情感 + 挑 Top 痛点 + 附用户原话。

用法:

/ai-pm data feedback ./反馈.csv

步骤:

1. 读文本（CSV/Excel 评论、工单导出；Excel 仍用 openpyxl data_only=True），按主题聚类
2. 每个主题标情感倾向（正/负/中）+ 出现频次
3. 挑 Top 痛点，每条附 2-3 句真实用户原话
4. 标小样本风险（量太小别下结论）

出口 = 候选需求清单：产出做成「带主题/痛点/频次/情感的候选需求」，直接喂 /ai-pm priority 当输入——「收集反馈 → 提炼痛点 → 排优先级」一条顺下来，但本步不替优先级做判断排序。

输出: {项目目录}/09-analytics/feedback-analysis.md

---

HTML 仪表盘规范

数据仪表盘为展示型产物，默认使用 AI 情境定制：生成时自动注入项目自带 ai-pm-frontend-design，并在用户本机存在时追加 impeccable:frontend-design 作为增强。必须读取本地设计内核的 ai-pm-frontend-design/references/dashboard-design.md 和 ai-pm-frontend-design/references/quality-gate.md，先判断仪表盘服务的决策类型，再选择图表、信息层级和视觉表达。若项目已加载公司规范（templates/ui-specs/.active-spec），则优先使用公司规范。

Chart.js 规范:

// indexAxis:'y' 必须在 options 顶层，不能放在 scales 里
{
  type: 'bar',
  data: { ... },
  options: {
    indexAxis: 'y',   // ← 正确位置：options 顶层
    scales: {
      x: { ... },
      y: { ... }
    }
  }
}

卡片样式:

.card {
  background: white;
  border-radius: 12px;
  padding: 24px;
  box-shadow: 0 2px 8px rgba(0,0,0,0.08);
}

布局: CSS Grid，响应式，最大宽度 1200px，左右 padding 24px。

---

分析维度参考

• 用户行为：活跃度、留存率、转化漏斗
• 用户分层：RFM 模型、生命周期阶段、价值分层
• 时间模式：日/周/月趋势、时段分布、季节性
• 异常检测：突变点、离群值、数据质量问题

---

数据严谨度（真做留存分析 / A-B 实验时强制；普通描述统计/趋势/仪表盘不触发）

读取 references/data-rigor-frameworks.md：

• 留存别看被新用户稀释的整体留存率，按批次分群（cohort）看留存曲线——跌到走平=有粘性，一路跌到底=尝鲜不留。
• A/B别拿波动当效果——盯样本量 / 最小可检验差异（MDE）/ 置信，结论三动作：上线 / 继续观察 / 砍掉。
• PM 只到业务判断层；具体检验方法、MDE/样本量怎么算由数据侧定，不写统计实现。

---

Anti-Pattern

• Excel 文件不用 data_only=True → 读到公式字符串
• indexAxis:'y' 放在 scales 里 → 图表渲染错误
• 仪表盘设计方向不明确，沦为通用 AI 审美（蓝白配色 + 圆角卡片）
• 分析结论不落到具体产品建议（只描述数据，不给洞察）

输出语言铁律（2026-07-12 波2 N4）

分析产出（报告/结论/图表标注）一律简体中文；术语/英文指标名首次出现带一句大白话解释；长分析禁止中途切换语言（实证：07-08/09 两天 4 次「看不懂,说中文」）。展示以客观数据表为主、少下形容词判断。