Menu
当需要进行数据异常检测、漏斗分析或留存分析时使用。数据分析指挥官，调度analysis-anomaly/funnel/retention/data-analysis-report。关键词：数据分析、异常检测、漏斗分析、留存分析、Aha Moment、看数据、数据不好、数据洞察。
Install with Codex or Claude Copy this prompt, paste it into Codex, Claude, or another assistant, and let it review the skill page and install it for you.
Based on SOC occupation classification
当需要评估获客渠道或优化获客漏斗时使用。用户获取指挥官，调度 acquisition-analysis（获客分析一体化），实现从渠道评估到漏斗优化的闭环。关键词：用户获取、获客渠道、漏斗优化、渠道评估、获客策略、acquisition-analysis、拉新、获客。
当需要识别和工程化Aha Moment时使用。Aha Moment自动工程化Pipeline，分析留存数据和行为数据，自动识别Aha Moment候选，测量到达率，识别最短路径，输出Onboarding优化建议。关键词：Aha Moment、激活时刻、用户激活、到达率、Onboarding优化、什么时候觉得好用、体验核心价值、爽点在哪。
当需要优化用户Onboarding流程时使用。Onboarding自动优化Pipeline，分析Onboarding数据和用户分群，自动生成个性化引导策略，设计A/B测试方案。关键词：Onboarding、新用户引导、引导优化、个性化引导、用户激活、新手引导、上手快、引导太长。
当需要识别Aha Moment或设计Onboarding流程时使用。用户激活指挥官，调度activation-aha/onboarding。关键词：用户激活、Aha Moment、Onboarding、新用户引导、新手引导、激活率。
当需要管理Sprint周期或追踪敏捷执行时使用。敏捷执行指挥官，调度 agile-sprint-planning、agile-daily-sync、agile-review 子Skill执行。agile-review 已合并 retrospective-auto 的自动回顾能力。关键词：敏捷执行、Sprint规划、每日站会、Sprint评审、敏捷管理、Sprint复盘、迭代复盘、敏捷开发、复盘报告、自动回顾。
当需要自动化Sprint评审和复盘报告时使用。Sprint评审与复盘报告一体化，Step 1完成Sprint评审（产出清单整理、Demo准备清单、反馈收集分类、数据收集、问题识别、改进建议生成），Step 2生成完整复盘报告（Sprint目标达成分析、交付质量评估、团队速率趋势、改进行动项、下一Sprint建议），Step 3完成上线复盘（效果复盘、工程质量复盘、过程复盘、改进行动项生成）。关键词：Sprint Review、Sprint Retro、迭代评审、迭代回顾、敏捷复盘、评审会、复盘报告、Sprint复盘、改进行动项、做得怎么样、上线复盘、发布复盘、效果评估、持续改进。
| name | analysis-orchestrator |
| description | 当需要进行数据异常检测、漏斗分析或留存分析时使用。数据分析指挥官，调度analysis-anomaly/funnel/retention/data-analysis-report。关键词：数据分析、异常检测、漏斗分析、留存分析、Aha Moment、看数据、数据不好、数据洞察。 |
| metadata | {"module":"产品度量运营","sub-module":"数据分析","type":"orchestrator","version":"7.1","domain_tags":["通用"],"trigger_examples":["帮我分析一下数据","数据有异常，排查一下","做一下漏斗分析","分析一下用户留存","数据不好，找找原因"]} |
用数据减少决策中的猜测
数据分析的价值不在于产出报告，而在于将不确定性转化为可量度的风险，将直觉判断转化为证据支撑的决策。
编排协议遵循 orchestrator-protocol.md 统一标准。
pipeline: analysis-orchestrator
version: 7.1
post_pipeline:
- action: stage-summary
output: output/phase-reports/pm-metrics-ops/analysis-orchestrator.md
stages:
- id: phase-1
name: "异常检测"
depends_on: []
skills: [analysis-anomaly]
gate:
condition: "异常检测Pipeline持续运行，无中断"
fail_action: "立即修复检测Pipeline，启动备用监控"
- id: phase-2
name: "漏斗分析"
parallel_with: [phase-3]
skills: [analysis-funnel]
gate:
condition: "核心业务漏斗已定义且数据完整"
fail_action: "补充漏斗定义，确保核心路径覆盖"
- id: phase-3
name: "留存分析"
parallel_with: [phase-2]
skills: [analysis-retention]
gate:
condition: "至少产出1个Aha Moment候选行为"
fail_action: "扩大行为搜索范围或延长分析周期"
- id: phase-4
name: "数据分析报告"
depends_on: [phase-1, phase-2, phase-3]
skills: [data-analysis-report]
gate:
condition: "报告执行摘要完整，至少3条行动建议"
fail_action: "补充分析或标注建议补充数据"
Skill: analysis-anomaly
输入:
metrics_system: metrics-system → metrics.json
real_time_data: 数据仓库/实时计算平台
alert_rules: 用户提供
event_calendar: 用户提供（可选）
输出: output/pm-metrics-ops/analysis-anomaly/
验证: 异常检测覆盖所有关键指标；异常等级分类正确（P0/P1/P2）；根因分析有数据支撑；建议措施可操作
模式: 🤖
Skill: analysis-funnel
输入:
funnel_definition: 用户提供
event_data: 用户提供
segment_config: 用户提供（可选）
comparison_period: 用户提供（可选）
输出: output/pm-metrics-ops/analysis-funnel/
验证: 漏斗步骤定义完整、无遗漏；转化率计算基于全量数据；流失节点识别附带原因假设；多维下钻覆盖至少3个维度
模式: 🤖
Skill: analysis-retention
输入:
user_behavior_data: 用户提供
segment_definition: 用户提供（可选）
cohort_config: 用户提供（可选）
baseline_date: 用户提供（可选）
输出: output/pm-metrics-ops/analysis-retention/
验证: 留存计算基于全量用户而非抽样；Cohort分析覆盖时间、渠道、行为三个维度；Aha Moment候选通过显著性检验；流失预警模型准确率>70%
模式: 🤖
Skill: data-analysis-report
输入:
funnel_analysis: output/pm-metrics-ops/analysis-funnel/
retention_analysis: output/pm-metrics-ops/analysis-retention/
anomaly_detection: output/pm-metrics-ops/analysis-anomaly/
decision_dace: decision-dace → decision_insight.json（可选）
metrics_system: metrics-system → metrics_system.json（可选）
analysis_time_range: 用户提供
product_info: 用户提供（可选）
输出: output/pm-metrics-ops/data-analysis-report/
验证: 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
模式: 🤖→👤
遵循 orchestrator-protocol.md 阶段总结协议。
| 参数 | 值 |
|---|---|
| 子Skill输出路径 | output/pm-metrics-ops/ |
| 总结输出路径 | output/phase-reports/pm-metrics-ops/analysis-orchestrator.md |
下游衔接: primary: decision-orchestrator（数据分析完成，将分析洞察转化为可执行决策） alternatives: - target: experiment-orchestrator reason: 分析发现需A/B测试验证的假设 condition: 数据分析发现因果关系不确定，需实验验证时 - target: iteration-orchestrator reason: 分析结论直接影响迭代优先级 condition: 数据分析产出明确的迭代方向建议时 special_cases: []
| 卡口 | 条件 | 未通过处理 |
|---|---|---|
| 异常检测7×24运行 | 异常检测Pipeline持续运行，无中断 | 立即修复检测Pipeline，启动备用监控 |
| 漏斗核心路径覆盖 | 核心业务漏斗已定义且数据完整 | 补充漏斗定义，确保核心路径覆盖 |
| 留存Aha Moment候选已识别 | retention-analysis输出文件已生成且非空 | 扩大行为搜索范围或延长分析周期 |
| 数据洞察报告已生成 | 数据洞察报告文件已生成且非空 | 补充分析或标注"建议补充数据" |
| 阶段总结已生成 | output/phase-reports/pm-metrics-ops/analysis-orchestrator.md 已生成且6项结构均非空 | 补充缺失结构项后重新生成 |
| 决策点 | 触发条件 | 决策内容 |
|---|---|---|
| P0异常即时确认 | P0级异常检测触发 | 确认异常真实性，决定响应策略 |
| 条件 | Action |
|---|---|
| P0异常 | 即时推送 + 电话告警 |
| P1异常 | 2小时内Slack/企微通知 |
| P2异常 | 每日汇总报告 |
| P3波动 | 仅记录，不告警 |
| 异常类型 | 处理策略 |
|---|---|
| 子Skill输出校验失败 | 暂停下游阶段执行，输出校验失败报告，提示人类修正后重试当前阶段 |
| P0异常检测触发 | 立即中断当前阶段，优先处理P0异常，处理完成后恢复原流程 |
| 上游数据源不可用 | 按子Skill降级策略执行，记录降级信息，在最终输出中标注降级影响范围 |
| 分析结果无行动建议 | 阻断传递到下游，要求当前子Skill补充行动建议 |
| 人类决策超时未响应 | 暂停流程，保留当前阶段状态，支持人类恢复后从断点继续 |
| 阶段总结生成失败 | 基于已完成的子Skill输出生成部分总结，缺失项标注"数据缺失"，不阻塞编排完成 |