古法编程

利用 AI 构建产品分析体系：从事件埋点到北极星指标

通过 AI 专家级的产品分析框架，将琐碎的用户行为转化为可量化的指标，解决产品迭代中“凭感觉决策”的问题，实现基于数据的增长驱动。

为什么需要这个技能

很多产品在增长过程中陷入误区：要么埋点过于随意，导致数据无法分析；要么关注虚荣指标（如累计注册数），而忽略了真实的留存和价值交付。

本技能为 AI 注入了专业的产品分析方法论，使其能够帮你设计标准化的事件命名体系（Taxonomy）、构建科学的转化漏斗、计算 Cohort 留存，并指导你通过 A/B 测试验证假设，最终推导并追踪决定产品生死存亡的“北极星指标”。

适用场景

  • 埋点方案设计：需要定义一套可扩展、规范的事件追踪体系时。
  • 转化漏洞诊断：分析用户在注册、激活到付费过程中的流失节点。
  • 留存分析：通过 Cohort 分析判断产品是否达到了 PMF（产品市场契合点）。
  • 决策验证：在上线新功能前设计 A/B 测试，并计算统计学显著性（P-value）。
  • 战略对齐：定义北极星指标及其拆解的 OKR 体系。

核心工作流

  1. 定义事件体系：遵循 [对象]_[过去分词] 规范（如 user_signed_up），确保事件含义唯一且清晰。
  2. 构建转化漏斗：定义从 Landing Page 到 Aha Moment 的关键步骤，识别drop-off（流失率）最高的环节。
  3. 留存与分群分析：计算周/月留存矩阵，对比不同渠道或特征用户的行为差异。
  4. 北极星指标推演：寻找能同时代表用户价值和业务增长的核心指标，并将其量化为可追踪的 SQL 或 Dashboard。
  5. 闭环验证：通过 ab_test_significance 等工具计算实验结果，决定是否全量推送。

关键实现参考

标准事件命名 

# 正确示例：[object]_[past_verb]
AURI_EVENTS = {
    "user_signed_up":        {"props": ["source", "medium", "campaign"]},
    "aha_moment_reached":    {"props": ["trigger", "session_number"]},
    "upgrade_completed":      {"props": ["tier", "plan", "revenue"]},
}

PostHog 集成示例 

from posthog import Posthog
import os

posthog = Posthog(
    project_api_key=os.environ["POSTHOG_API_KEY"],
    host="https://app.posthog.com"
)

def track(user_id: str, event: str, properties: dict = None):
    posthog.capture(distinct_id=user_id, event=event, properties=properties or {})

下载和安装

下载 analytics-product 中文版 Skill ZIP

解压后将目录放入你的 AI 工具 skills 文件夹，重启工具后即可使用。具体路径参考内附的 USAGE.zh.md。

你可能还需要

暂无推荐