# P7a Data Flywheel Builder

> 数据飞轮构建器

- Skill: `gabrielmoreira/p7a-data-flywheel-builder` (Agent Skill)
- Install (CLI): `npx skillmds@latest add gabrielmoreira/p7a-data-flywheel-builder`
- Raw SKILL.md: https://api.skillmd.com/api/skills/gabrielmoreira/p7a-data-flywheel-builder/raw
- Safety review: pending (external: skill-scanner PASS, skillspector PASS)
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: AI & ML
- Author: gabrielmoreira (https://skillmd.com/u/gabrielmoreira)
- Updated: 2026-09-21
- Page: https://skillmd.com/skills/gabrielmoreira/p7a-data-flywheel-builder

---



# 数据飞轮构建器

## 一句话定位

评估你的产品是否具备数据飞轮，以及如何让飞轮转得更快——使用→数据→模型→产品→更多用户→更多数据。

## 何时触发

- 需要评估产品的长期竞争壁垒
- 想建立数据驱动的增长系统
- 竞争对手有数据飞轮优势，你需要追赶或超越
- 需要向投资人/管理层展示数据飞轮价值

## 输入

产品描述 + 当前数据收集状况 + 模型使用方式。

**示例输入**：
```
产品: AI 客服 SaaS
数据: 每月处理 10 万次对话
模型: 用 GPT-4 做意图识别和回复生成
问题: 数据没有回流到模型，每次都在调 API
```

## 飞轮四要素评估

### 要素 1: 数据收集广度

**评估问题**：
- 你能收集多少维度的用户行为数据？
- 数据是全触点的还是只覆盖部分环节？
- 数据是实时的还是延迟的？

**评分标准**：
```
1分: 只有基础使用数据（登录、点击）
2分: 覆盖核心使用路径数据
3分: 全触点、多维度行为数据
4分: 全触点 + 实时 + 多模态数据
5分: 全触点 + 实时 + 多模态 + 上下文数据
```

### 要素 2: 数据质量

**评估问题**：
- 数据的准确性如何？
- 数据标注质量如何？
- 数据的时效性如何？

**评分标准**：
```
1分: 数据噪声大、无标注
2分: 数据基本准确、部分标注
3分: 数据准确、标注完整
4分: 数据准确 + 标注完整 + 实时更新
5分: 数据准确 + 标注完整 + 实时更新 + 质量自动检测
```

### 要素 3: 反馈闭环速度

**评估问题**：
- 从数据收集到模型更新的周期是多长？
- 是自动化还是人工操作？
- 模型更新的频率是多少？

**评分标准**：
```
1分: 季度更新，人工操作
2分: 月度更新，部分自动化
3分: 周度更新，主要自动化
4分: 日度更新，全自动化
5分: 实时更新，自动训练+自动部署
```

### 要素 4: 产品化能力

**评估问题**：
- 模型输出能否直接转化为产品功能？
- 转化周期多长？
- 产品功能改进是否可量化？

**评分标准**：
```
1分: 模型输出与产品功能脱节
2分: 模型输出需要大量人工处理才能产品化
3分: 模型输出可以半自动产品化
4分: 模型输出可以自动产品化
5分: 模型输出自动产品化 + 效果自动验证
```

## 飞轮强度评分

```
飞轮强度 = (数据收集广度 × 0.25) + (数据质量 × 0.25) + (反馈闭环速度 × 0.25) + (产品化能力 × 0.25)

5.0: 飞轮自转（TikTok/字节跳动级别）
4.0-4.9: 飞轮加速
3.0-3.9: 飞轮起步
2.0-2.9: 飞轮卡顿
1.0-1.9: 没有飞轮
```

## 综合输出格式

```yaml
data_flywheel_assessment:
  input:
    product: "产品名称"
    current_data: "数据状况"
    model_usage: "模型使用方式"
  
  scores:
    data_breadth:
      score: 1-5
      evidence: "证据"
      improvement: "改进建议"
    data_quality:
      score: 1-5
      evidence: "证据"
      improvement: "改进建议"
    feedback_speed:
      score: 1-5
      evidence: "证据"
      improvement: "改进建议"
    productization:
      score: 1-5
      evidence: "证据"
      improvement: "改进建议"
  
  flywheel_strength:
    total: 1.0-5.0
    level: "没有飞轮/飞轮卡顿/飞轮起步/飞轮加速/飞轮自转"
  
  action_plan:
    quick_wins: ["30天内可做的改进"]
    medium_term: ["90天内的改进"]
    long_term: ["6个月以上的改进"]
  
  moat_assessment:
    current_moat: "当前壁垒强度"
    competitor_gap: "与竞争对手的差距"
    time_to_parity: "追平所需时间"
```

## 示例：AI 客服 SaaS

| 要素 | 评分 | 改进建议 |
|------|------|---------|
| 数据收集广度 | 2 | 增加用户满意度反馈、对话质量评分 |
| 数据质量 | 2 | 对历史对话做质量标注，建立标注规范 |
| 反馈闭环速度 | 1 | 最弱项——数据完全没回流，每次调 API |
| 产品化能力 | 3 | 模型输出直接用于回复，但无自动优化 |

**飞轮强度**: 2.0 — 飞轮卡顿

**关键动作**: 先建数据回流管道，让客服对话数据自动标注 → 微调专属模型 → 替代部分 API 调用

## 常见误判

- **有数据 ≠ 有飞轮**：数据没回流到模型，就不是飞轮
- **调 API ≠ 数据飞轮**：每次调 GPT-4 不产生数据资产
- **飞轮需要四个要素同时存在**：缺一个就转不起来

## 一句判断

> 数据飞轮不是收集数据，而是让数据自动变成更好的产品。