| name | analysis-anomaly |
| description | 当需要自动检测和归因指标异常时使用。自动化数据分析引擎，AI自动执行7×24小时运行，负责指标健康检查、异常检测、自动归因和洞察推送。当发现指标异常时输出完整的异常报告。关键词：异常检测、数据分析、自动归因、指标监控、异常报告、指标异常、数据异常、异常告警、数据出问题了、指标突然掉了、数据波动。 |
| metadata | {"module":"产品度量运营","sub-module":"数据分析","type":"pipeline","version":"2.1","domain_tags":["互联网","SaaS","通用"],"trigger_examples":["今天DAU突然掉了30%，帮我查查什么原因","指标异常告警了，帮我归因分析","数据波动太大，看看哪里出了问题"],"interaction_mode":"ai_auto"} |
自动化数据分析引擎
核心原则
- 异常比常态更值得关注：每个异常都是改进的信号，7×24小时不间断检测确保不遗漏
- 归因比检测更重要：发现异常只是起点，四步归因法（真实性→范围→关联→结论）将异常转化为行动
- 告警分级而非一刀切：P0即时推送+电话、P1两小时内、P2每日汇总、P3仅记录，规则前置减少噪音
交互模式
🤖 AI自动执行（数据分析类）
输入
| 输入项 | 类型 | 必填 | 来源 | 说明 |
|---|
| 指标体系 | JSON | 是 | output/pm-metrics-design/metrics-system/metric_system.json | 需要监控的核心指标列表及定义 |
| 实时数据流 | JSON | 是 | 数据仓库/实时计算平台 | 指标时序数据 |
| 告警规则 | JSON | 是 | 用户提供 | 各类指标异常的阈值配置 |
| 事件日历 | JSON | ○ | 用户提供 | 产品改动、运营活动、市场事件等外部事件 |
执行步骤
Step 1：每小时核心指标健康检查
每小时定时执行
├── 获取所有核心指标当前值
├── 计算同比（上周同期）、环比（上小时）变化
├── 对比预设阈值和历史波动范围
└── 标记需要关注的指标
Step 2：异常检测
| 检测方法 | 说明 |
|---|
| 统计阈值 | 基于历史数据设定上下限（如±3σ） |
| 趋势偏离 | 与历史趋势的显著偏离 |
| 环比异常 | 与近期数据的大幅波动 |
| 同比异常 | 与去年同期相比的显著变化 |
Step 3：自动归因
异常自动归因四步法：
1. 确认真实性
├── 排除数据延迟问题
├── 排除数据管道故障
├── 排除统计噪声（自然波动）
└── 确认为真实异常
2. 定位范围
├── 影响多少用户
├── 影响哪些功能/页面
├── 影响哪些平台/渠道
└── 持续多长时间
3. 关联外部事件
├── 产品改动（版本发布、功能开关）
├── 运营活动（促销、推送、弹窗）
├── 市场事件（竞品动作、热点事件）
└── 环境因素（节假日、天气、突发事件）
4. 生成归因结论
├── 最可能原因（most_likely_cause）
├── 置信度（confidence）
├── 支持证据（evidence）
└── 建议行动（recommended_action）
Step 4：洞察推送
根据异常严重程度推送：
- P0（严重）：即时推送 + 电话告警
- P1（重要）：2小时内通知
- P2（一般）：每日汇总
- P3（提示）：仅记录
输出
输出文件路径：output/pm-metrics-ops/analysis-anomaly/
输出Schema：
{
"type": "object",
"required": ["metric_name", "current_value", "severity", "attribution"],
"properties": {
"metric_name": {"type": "string", "description": "异常指标名称"},
"current_value": {"type": "number", "description": "当前值"},
"expected_range": {"type": "array", "description": "预期范围"},
"deviation": {"type": "string", "description": "偏离程度"},
"severity": {"type": "string", "description": "严重程度：P0/P1/P2/P3"},
"attribution": {"type": "object", "description": "归因信息，包含真实性判断、相关事件和推荐行动"},
"trend_chart_url": {"type": "string", "description": "趋势图URL"},
"raw_data_url": {"type": "string", "description": "原始数据URL"}
}
}
anomaly_report:
timestamp: "2024-01-15T10:30:00Z"
metric_name: "dau_conversion_rate"
current_value: 12.3
expected_range: [15.0, 20.0]
deviation: -27%
severity: "P1"
attribution:
is_real: true
scope:
affected_users: 150000
affected_platforms: ["iOS", "Android"]
affected_features: ["首页推荐"]
duration: "ongoing"
related_events:
- type: "product_release"
name: "v2.5.0发布"
time: "2024-01-15T08:00:00Z"
confidence: 0.85
- type: "marketing_campaign"
name: "新年促销活动"
time: "2024-01-14T00:00:00Z"
confidence: 0.3
most_likely_cause: |
v2.5.0版本中首页推荐算法改动，
导致推荐内容与用户兴趣匹配度下降
confidence: 0.85
evidence:
- "异常发生在版本发布后2小时内"
- "iOS和Android同时下降，排除端侧问题"
- "非活动时段，排除营销影响"
recommended_action: |
1. 立即检查v2.5.0首页推荐算法改动
2. 如果2小时内无法定位，准备回滚
3. 准备A/B测试验证假设
needs_human_confirmation: true
trend_chart_url: "output/pm-metrics-ops/analysis-anomaly/charts/dau_conversion_20240115.png"
raw_data_url: "output/pm-metrics-ops/analysis-anomaly/data/dau_conversion_20240115.json"
存储路径
output/pm-metrics-ops/analysis-anomaly/
├── anomaly_reports/
│ ├── YYYYMMDD_HHMMSS_anomaly_{metric}.yaml
│ └── summary_{date}.yaml
├── charts/
│ └── {metric}_{date}.png
└── data/
└── {metric}_{date}.json
配置示例
anomaly_detection:
core_metrics:
- name: "dau"
threshold_type: "absolute"
min_value: 1000000
max_value: null
alert_on: "below"
- name: "dau_conversion_rate"
threshold_type: "statistical"
std_multiplier: 3
min_change_pct: 5
alert_on: "both"
- name: "revenue_daily"
threshold_type: "relative"
vs_last_week_pct: -15
alert_on: "below"
notification:
channels:
- type: "slack"
url: "${SLACK_WEBHOOK}"
- type: "phone"
for_severity: ["P0"]
输出校验规则
| 字段路径 | 类型 | 必填 | 说明 |
|---|
| anomaly_report | object | 是 | 异常报告根对象 |
| anomaly_report.metric_name | string | 是 | 异常指标名称 |
| anomaly_report.current_value | number | 是 | 当前值 |
| anomaly_report.expected_range | array | 是 | 预期范围，[min, max] |
| anomaly_report.deviation | string | 是 | 偏离程度 |
| anomaly_report.severity | string | 是 | 严重程度，枚举值：P0/P1/P2/P3 |
| anomaly_report.attribution | object | 是 | 归因信息 |
| anomaly_report.attribution.is_real | boolean | 是 | 是否为真实异常 |
| anomaly_report.attribution.scope | object | 是 | 影响范围 |
| anomaly_report.attribution.most_likely_cause | string | 是 | 最可能原因 |
| anomaly_report.attribution.confidence | number | 是 | 置信度，0-1 |
| anomaly_report.attribution.recommended_action | string | 是 | 建议行动 |
| anomaly_report.attribution.needs_human_confirmation | boolean | 是 | 是否需人类确认 |
| anomaly_report.trend_chart_url | string | 否 | 趋势图URL |
| anomaly_report.raw_data_url | string | 否 | 原始数据URL |
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 |
|---|
| 指标体系变更 | 监控指标列表和阈值 | 更新监控指标列表，重新加载告警规则，标记需人类确认 |
| 告警规则变更 | 异常检测阈值和推送策略 | 重新加载告警规则，更新检测参数 |
| 事件日历变更 | 归因关联的外部事件 | 更新事件关联数据，重新评估未确认异常的归因 |
| 数据源变更 | 数据获取和计算逻辑 | 更新数据源配置，验证数据完整性 |
当异常报告自身变更时，对下游的通知机制：
| 报告变更类型 | 通知范围 | 通知方式 |
|---|
| P0/P1异常新增 | decision-dace, data-analysis-report | 标记异常新增，触发洞察转化 |
| 归因结论变更 | decision-dace | 标记归因变更，触发DACE Conclude |
| 严重级别升级 | 全部下游 | 标记级别升级，触发对应告警策略 |
决策规则
| 条件 | Action |
|---|
| P0异常（核心指标↓ > 10%） | 即时推送 + 电话告警 + 自动创建Incident |
| P1异常（指标↓ 3-10%） | 2小时内推送 + Slack通知 |
| P2异常（指标↓ 1-3%） | 每日汇总 |
| P3波动（指标↓ < 1%） | 记录，持续监控 |
| 需要人工确认 | 发送确认请求，等待响应 |
质量检查
降级策略
上游文件缺失降级方案
| 缺失范围 | 降级方案 | 输出影响 |
|---|
| 指标体系缺失 | 提示用户提供指标数据和异常描述，基于描述进行归因分析 | 异常检测范围基于用户描述，可能遗漏未关注指标 |
| 实时数据流缺失 | 用户提供指标数据和异常描述 → 基于描述归因分析 | 无法自动检测异常，依赖用户主动发现 |
| 指标体系 + 实时数据流均缺失 | 用户提供指标数据和异常描述 → 基于描述归因分析 | 输出基于描述的归因分析报告，标注"待验证" |
- 若用户未提供告警规则，提示用户提供或跳过该输入相关步骤
- 若用户未提供事件日历，提示用户提供或跳过该输入相关步骤
数据获取说明
当上游文件缺失时，需用户提供以下信息以支撑降级生成：
- 指标数据：异常指标的名称、当前值、基线值、变化幅度
- 异常描述：观察到的异常现象和发生时间
- 近期变更（可选）：可能相关的产品改动或运营活动
执行频率
- 正常运行：每小时执行一次
- P0异常期间：每15分钟更新状态
- 例行报告：每日8:00生成日报
