analysis-anomaly

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

1. 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
2. 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
3. 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"

  # 基本信息
  metric_name: "dau_conversion_rate"
  current_value: 12.3
  expected_range: [15.0, 20.0]
  deviation: -27%

  # 严重程度
  severity: "P1"  # P0/P1/P2/P3

  # 归因信息
  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

  # 辅助信息
  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

# 指标异常检测配置
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

• 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

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