# Pm Beta Data Analysis

> 数据分析技能。解读埋点数据，进行漏斗分析和留存分析，输出结构化数据报告。适用于产品决策、效果评估、增长分析等场景。当用户需要分析产品数据、评估功能效果、制定增长策略时使用此skill。

- Skill: `fengqiliu/pm-beta-data-analysis` (Agent Skill, multi-file: 2 files)
- Install (CLI): `npx skillmds@latest add fengqiliu/pm-beta-data-analysis`
- Raw SKILL.md: https://api.skillmd.com/api/skills/fengqiliu/pm-beta-data-analysis/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Coding & Dev Tools
- Author: fengqiliu (https://skillmd.com/u/fengqiliu)
- Updated: 2026-09-17
- Page: https://skillmd.com/skills/fengqiliu/pm-beta-data-analysis

---


# 数据分析

系统化进行埋点数据解读、漏斗分析、留存分析与报告输出。

## 核心模块

### 1. 埋点数据解读

**埋点基础概念**

| 类型 | 说明 | 适用场景 |
|------|------|---------|
| 曝光埋点 | 页面/元素被用户看到 | 评估内容分发效率 |
| 点击埋点 | 用户点击行为 | 分析功能使用率 |
| 页面浏览(PV) | 页面访问次数 | 评估页面热度 |
| 访问次数(UV) | 独立访客数 | 评估用户规模 |

**数据准确性校验**

```
数据可信度检查清单：

[ ] 数据波动是否在合理范围内（异常值检测）
[ ] 同一指标在不同平台数据是否一致
[ ] 事件口径定义是否清晰且统一
[ ] 分母定义是否正确（DAU/MAU/新增用户）
[ ] 时间口径是否对齐（自然日/活跃日/自定义）

校验公式：
数据差异率 = |平台A数据 - 平台B数据| / 平台A数据
差异率 > 5% → 需要排查原因
差异率 > 20% → 数据不可用，需重新统计
```

**关键指标计算**

```markdown
【DAU计算】
DAU = 当日启动用户数（去重）
    = 昨日留存用户 + 当日新增用户 + 回流用户

【活跃度】
DAU/MAU比值 = 月活跃天数 / 30（反映用户粘性）
> 0.2：产品粘性较好
< 0.1：用户流失严重

【人均行为】
人均使用时长 = 总使用时长 / DAU
人均点击次数 = 总点击次数 / DAU
人均使用天数 = 月使用天数总和 / MAU
```

**埋点数据解读框架**

```
数据波动分析 STAR 法则：

S - Situation（背景）
  这个数据是什么时候开始监控的？
  同期有没有运营活动/版本更新/外部事件？

T - Trend（趋势）
  数据是突然变化还是渐进变化？
  环比、同比变化幅度是多少？

A - Action（行动）
  数据变好的原因是什么？能否复用？
  数据变差的原因是什么？能否止损？

R - Result（结论）
  当前数据处于什么水位？
  下一个观察周期是什么时候？
```

### 2. 漏斗分析

**漏斗分析基础**

漏斗分析用于分析用户从起点到终点每一步的转化情况。

**通用电商转化漏斗**

```
浏览商品 → 点击商品 → 加入购物车 → 提交订单 → 支付成功
  100%        60%         30%          15%         10%
           ↓-40%       ↓-30%        ↓-15%       ↓-5%
```

**漏斗分析步骤**

Step 1：定义核心漏斗
- 确定起点事件（用户进入场景）
- 确定终点事件（用户完成目标）
- 拆解中间关键步骤（3-7步为宜）

Step 2：计算转化率
```markdown
Step转化率 = Step_N完成人数 / Step_(N-1)完成人数 × 100%

整体转化率 = 终点完成人数 / 起点进入人数 × 100%

流失率 = 1 - 转化率
```

Step 3：定位流失点
```
流失严重程度判断：

流失率 > 30% → 重大流失点，需立即分析
流失率 15%-30% → 中度流失点，本版本优化
流失率 < 15% → 轻度流失点，持续观察
```

**流失原因归因框架**

| 流失原因类别 | 典型表现 | 排查方向 |
|-------------|---------|---------|
| 功能问题 | 某一步骤转化率异常低 | 操作门槛高、Bug、功能缺失 |
| 内容问题 | 浏览→点击转化率低 | 内容不吸引、分发策略偏差 |
| 价格问题 | 购物车→订单转化率低 | 价格敏感、促销信息不清 |
| 体验问题 | 中途放弃、操作中断 | 页面加载慢、交互不流畅 |
| 竞品问题 | 特定渠道流失率高 | 竞品在特定场景有优势 |

**案例分析模板**

```markdown
【漏斗分析报告】

分析场景：[如：首页到支付成功]
分析周期：[2024-01-01 至 2024-01-07]
对比基准：[上周/上月/同类产品]

漏斗数据：
步骤1：浏览商品    UV=10000  基准=10000  变化=±0%
步骤2：点击商品    UV=5800   基准=6200   变化=-6.5% ↓
步骤3：加入购物车  UV=3100   基准=3300   变化=-6.1% ↓
步骤4：提交订单    UV=1500   基准=1600   变化=-6.3% ↓
步骤5：支付成功    UV=1050   基准=1100   变化=-4.5% ↓

核心发现：
1. 【重大流失】步骤2→3（点击→加购）流失率47%，行业均值35%
   原因假设：商品详情页不够吸引，或购物车入口不明显

2. 【持续下降】各步骤转化率均低于基准，可能存在系统性问题

验证假设：
- [ ] 商品详情页停留时长是否正常？
- [ ] 商品图片/价格是否符合用户预期？
- [ ] 购物车按钮是否足够显眼？

建议行动：
P0：优化商品详情页主图和促销信息展示
P1：增加"加购成功"动效反馈
P2：分析流失用户画像，针对性优化
```

### 3. 留存分析

**留存分析基础**

| 指标 | 定义 | 用途 |
|------|------|------|
| 次日留存率 | 新增用户在次日活跃的比例 | 评估新用户体验 |
| 7日留存率 | 新增用户在第7天活跃的比例 | 评估早期粘性 |
| 30日留存率 | 新增用户在第30天活跃的比例 | 评估产品价值 |
| 留存曲线 | 留存率随时间变化的曲线 | 分析流失阶段 |

**留存率计算**

```markdown
N日留存率 = 第N天回访的留存用户数 / 第0天新增用户数 × 100%

用户分群留存 = 特定行为用户第N天留存率

计算示例：
1月1日新增用户 = 1000人
1月2日回访用户 = 350人 → 次日留存率 = 35%
1月8日回访用户 = 200人 → 7日留存率 = 20%
1月31日回访用户 = 120人 → 30日留存率 = 12%
```

**留存曲线分析**

```
留存曲线三阶段：

[快速下降期] Day 0-7
- 流失最快，主要因新用户预期不符或体验不达预期
- 关注：新手引导、首日体验、核心功能曝光

[平稳期] Day 7-30
- 流失放缓，留下的是真正目标用户
- 关注：功能深度、内容丰富度、社交关系

[稳定期] Day 30+
- 流失率极低，用户已形成使用习惯
- 关注：版本更新干扰、功能迭代、竞品影响
```

**留存分析方法**

**1. 分群留存对比**

```markdown
分群维度：
- 渠道来源（应用市场/微信/广告）
- 首次行为（浏览/搜索/分享/购买）
- 用户属性（年龄/地域/设备）
- 行为特征（活跃时段/功能偏好）

分析模板：
渠道A 次日留存 35% vs 渠道B 次日留存 28%
→ 渠道A用户质量更高
→ 加大渠道A投放，优化渠道B落地页
```

**2. 行为留存分析**

```
留存相关行为分析：

高留存用户特征（相关性，非因果）：
- 完成新手引导
- 设置头像/昵称
- 首次发布内容
- 关注/添加好友
- 完成首次付费

关键行为识别：
→ 如果用户执行了X行为，留存率从Y%提升到Z%
→ X行为可能是"aha moment"

应用：
→ 引导新用户尽快完成关键行为
→ 评估不同版本的"aha moment"达成率
```

**3. 留存下降归因**

```markdown
留存下降排查清单：

[ ] 版本更新影响
  - 哪个版本之后留存开始下降？
  - 新版本有什么功能/体验变化？

[ ] 外部因素
  - 竞品是否有大动作？
  - 是否有负面舆情？

[ ] 运营因素
  - 近期是否有拉活活动？
  - 是否导入了非目标用户？

[ ] 内容因素
  - 内容质量是否下降？
  - 内容供给是否充足？
```

### 4. 报告输出框架

**数据报告结构**

```markdown
## 数据分析报告

### 报告信息
- 报告名称：[分析主题]
- 分析周期：[YYYY-MM-DD 至 YYYY-MM-DD]
- 报告人：[姓名]
- 数据来源：[埋点平台/数据库]

### 一、核心结论（先放结论）
> 3-5句话概括本次分析的核心发现和建议

### 二、关键指标看板

| 指标 | 本期 | 上期 | 环比 | 同期 | 同比 |
|------|------|------|------|------|------|
| DAU | 1000  | 950  | +5.3% | 800  | +25% |
| 留存率 | 35%  | 36%  | -1pp  | 32%  | +3pp |

### 三、异动分析

#### 3.1 显著上升指标
- [指标名]：[变化幅度]
- 原因分析：[归因说明]
- 是否可信：[是/否，需进一步验证]

#### 3.2 显著下降指标
- [指标名]：[变化幅度]
- 原因分析：[归因说明]
- 是否可信：[是/否，需进一步验证]

### 四、深度分析

#### 4.1 [主题1]
[分析内容、图表、结论]

#### 4.2 [主题2]
[分析内容、图表、结论]

### 五、结论与建议

| 优先级 | 建议内容 | 预期效果 | 验证方式 |
|--------|---------|---------|---------|
| P0 | 建议1 | 效果1 | 验证方式1 |
| P1 | 建议2 | 效果2 | 验证方式2 |

### 六、附录

- 数据口径说明
- 埋点事件定义
- 分析方法论
```

**周报数据指标体系**

```
日常监控指标（每日更新）：

用户规模
- DAU / MAU
- 新增用户数
- 累计用户数

用户活跃
- 人均使用时长
- 人均启动次数
- 核心功能渗透率

用户留存
- 次日留存率
- 7日留存率
- 30日留存率

业务指标
- 付费人数 / 付费率 / ARPU
- GMV / 订单数 / 客单价
- 消息发送量 / 内容发布量

质量指标
- 页面加载时长
- 错误率 / 崩溃率
- 客服工单量
```

**数据预警机制**

```
预警规则：

【P0级告警】立即通知，需2小时内响应
条件：DAU较昨日下跌 > 20%
条件：核心功能使用率下跌 > 30%
条件：崩溃率 > 5%

【P1级告警】4小时内处理
条件：DAU较昨日下跌 > 10%
条件：支付转化率下跌 > 20%
条件：错误率 > 1%

【P2级告警】24小时内处理
条件：指标变化超过2个标准差
条件：单一渠道转化异常
```

## 输出规范

- 日报仅更新核心指标，异常指标重点说明
- 周报包含异动分析、专题分析、下周计划
- 月报包含趋势分析、竞品对比、策略建议
- 所有数据结论需标注数据来源、口径、时间
- 建议需附带预期效果和验证方式