Preamble (run first)

Preamble (run first)

# 检查方案设计目录
mkdir -p docs/02-方案设计

# 检查前置文档
echo "📊 正在检查前置文档..."

if [ -f "docs/02-方案设计/PRD产品需求文档.md" ]; then
  echo "✅ PRD文档 - 已找到"
else
  echo "⏳ PRD文档 - 未找到"
fi

if [ -f "docs/01-需求调研/MVP方案.md" ]; then
  echo "✅ MVP方案 - 已找到"
else
  echo "⏳ MVP方案 - 未找到"
fi

---

执行流程

步骤 1: 确定数据指标范围

使用 AskUserQuestion 询问：

您需要设计哪方面的数据指标？

A) 整体数据指标体系（北极星指标+关键指标+过程指标） B) 产品核心指标（如DAU、GMV、留存率） C) 功能埋点方案（具体功能的数据采集） D) 业务分析指标（如转化漏斗、用户分群） E) 其他（请手动输入）

💡 提示：

• 产品规划阶段 → 推荐整体数据指标体系
• 功能开发阶段 → 推荐功能埋点方案
• 产品优化阶段 → 推荐业务分析指标

记录到变量 DATA_SCOPE

---

步骤 2: 读取前置数据

根据指标范围读取相应文档：

**必需文档**：

• PRD产品需求文档（如果存在）
• MVP方案（如果存在）

**可选文档**：

• 需求调研报告（业务目标）
• 优先级报告

---

步骤 3: 定义北极星指标

**北极星指标（North Star Metric）**：反映产品核心价值的最重要指标

使用 AskUserQuestion 引导：

🎯 北极星指标定义

北极星指标应该反映产品的核心价值，是衡量产品成功的最关键指标。

基于产品目标"{从PRD提取}"，推荐的北极星指标：

选项1：{指标名称}

• 定义：{具体定义}
• 理由：{为什么这个指标反映核心价值}

选项2：{指标名称}

• 定义：{具体定义}
• 理由：{为什么这个指标反映核心价值}

您倾向于选择哪个？

A) 选择选项1 B) 选择选项2 C) 我有其他想法（请手动输入） D) 让我看看更多选项

**常见北极星指标示例**：

产品类型	北极星指标	定义
电商产品	GMV（成交总额）	订单金额总和
内容产品	日活跃用户数	每日使用产品的用户数
社交产品	用户互动次数	点赞、评论、分享次数总和
工具产品	完成任务数	用户使用工具完成的任务数
教育产品	完课率	完成课程学习的比例

---

步骤 4: 设计关键指标

基于北极星指标，设计关键指标体系：

4.1 指标分层

📊 关键指标体系设计：

第一层：北极星指标

• {北极星指标}

第二层：关键指标（3-5个） 这些指标直接影响北极星指标

基于产品类型，推荐以下关键指标：

{产品类型判断，推荐对应指标}

**电商产品示例**：

• DAU（日活跃用户数）
• 转化率（访问→购买）
• 客单价（平均订单金额）
• 复购率（重复购买用户比例）
• 用户留存率（次日/7æ—¥/30日）

**内容产品示例**：

• DAU（日活跃用户数）
• 人均使用时长
• 内容消费量（阅读/观看数）
• 内容生产量（发布/上传数）
• 用户留存率

您的产品类型是什么？

A) 电商产品 B) 内容产品 C) 社交产品 D) 工具产品 E) 其他（请手动输入）

4.2 指标详细定义

对每个关键指标进行详细定义：

📝 指标详细定义：

**指标名称**：DAU（日活跃用户数）

**指标定义**：

• 定义：每天使用产品的独立用户数
• 统计口径：用户打开应用并产生至少一次有效行为
• 排除规则：排除测试账号、异常账号

计算公式： DAU = COUNT(DISTINCT user_id) WHERE date = today AND behavior_count > 0

数据来源：

• 前端埋点：用户打开应用
• 后端日志：用户行为日志

统计周期：

• 实时统计（用于监控）
• 每日汇总（用于分析）

基准值：

• 行业平均水平：{行业数据}
• 目标值：{产品目标}

是否接受这个定义？

A) 接受，继续下一个指标 B) 需要调整定义 C) 参考其他产品的定义

---

步骤 5: 设计过程指标

过程指标用于监控关键流程的健康度：

📈 过程指标设计：

**用户获取指标**：

• 新增用户数
• 获客渠道分布
• 获客成本（CAC）
• 注册转化率

**用户活跃指标**：

• DAU/MAU比值
• 人均使用时长
• 人均使用次数
• 功能使用率

**用户留存指标**：

• 次日留存率
• 7日留存率
• 30日留存率
• 流失用户比例

**用户转化指标**：

• 转化漏斗各环节转化率
• 平均转化周期
• 转化用户特征

是否需要其他过程指标？

A) 已经足够 B) 需要补充其他指标（请说明） C) 我只需要部分指标

---

步骤 6: 设计转化漏斗

针对核心业务流程设计转化漏斗：

🔍 核心转化漏斗设计：

基于产品核心流程，设计转化漏斗：

示例：电商购买漏斗

打开应用（100%）
   ↓
浏览商品（70%）
   ↓
查看详情（40%）
   ↓
加入购物车（20%）
   ↓
提交订单（10%）
   ↓
完成支付（8%）

您的产品核心流程是什么？

A) 电商购买流程 B) 内容消费流程 C) 社交互动流程 D) 工具使用流程 E) 其他（请手动输入）

选择后，我将设计对应的转化漏斗。

---

步骤 7: 设计埋点方案

7.1 页面埋点

📍 页面埋点设计：

页面浏览埋点（Page View）：

• 事件名称：page_view
• 触发时机：用户进入页面
• 采集字段：
  • page_name：页面名称
  • page_url：页面URL
  • referrer：来源页面
  • user_id：用户ID
  • timestamp：时间戳
  • device：设备信息

**页面停留时长**：

• 事件名称：page_stay
• 触发时机：用户离开页面
• 采集字段：
  • page_name：页面名称
  • stay_duration：停留时长（秒）
  • user_id：用户ID

需要埋点的页面：

• 首页
• 商品列表页
• 商品详情页
• 购物车页
• 订单页
• 个人中心

是否需要调整页面列表？

7.2 事件埋点

🎯 事件埋点设计：

关键事件埋点：

事件1：点击搜索

• 事件名称：click_search
• 触发时机：用户点击搜索按钮
• 采集字段：
  • user_id：用户ID
  • search_keyword：搜索关键词
  • search_source：搜索入口（首页/列表页）
  • timestamp：时间戳

事件2：加入购物车

• 事件名称：add_to_cart
• 触发时机：用户点击"加入购物车"
• 采集字段：
  • user_id：用户ID
  • product_id：商品ID
  • product_name：商品名称
  • product_price：商品价格
  • quantity：数量
  • timestamp：时间戳

{其他关键事件...}

是否需要补充其他事件埋点？

A) 已经完整 B) 需要补充其他事件 C) 我只需要部分事件

---

步骤 8: 设计数据监控方案

8.1 实时监控

⚡ 实时监控设计：

**监控指标**：

• 实时DAU
• 实时请求量
• 接口成功率
• 页面加载时间

**告警规则**：

• DAU异常下降 > 20% → å‘Šè­¦
• 接口成功率 < 99% → å‘Šè­¦
• 页面加载时间 > 3秒 → å‘Šè­¦

**告警渠道**：

• 邮件
• 钉钉/企业微信
• 短信（严重故障）

是否需要实时监控？

A) 需要 B) 暂时不需要 C) 只监控关键指标

8.2 定期分析

📊 定期分析设计：

**日报**：

• 核心指标：DAU、新增用户、GMV
• 转化漏斗：各环节转化率
• 发送时间：每天早上9点

**周报**：

• 核心指标趋势
• 用户留存分析
• 功能使用分析
• 发送时间：每周一上午

**月报**：

• 核心指标月度总结
• 用户增长分析
• 收入分析
• 竞品对比
• 发送时间：每月1号

是否需要调整报告频率？

---

步骤 9: 输出数据指标体系文档

使用 Write 工具创建 docs/02-方案设计/数据指标体系.md：

# {产品名称} 数据指标体系

## 文档信息

- **产品名称**: {从PRD提取}
- **文档版本**: v1.0
- **创建时间**: {当前时间}
- **生成工具**: super-pm v1.0.0

---

## 一、指标体系概述

### 1.1 设计目标

建立完整的数据指标体系，帮助团队：
- 衡量产品成功度
- 发现产品问题
- 指导产品优化
- 支撑业务决策

### 1.2 设计原则

- **可衡量**：指标可量化，数据可采集
- **可行动**：指标变化可指导具体行动
- **可追溯**：指标数据可追溯历史趋势
- **可对比**：可与行业基准或竞品对比

---

## 二、北极星指标

### 2.1 指标定义

**北极星指标**：GMV（成交总额）

**定义**：统计周期内所有订单的金额总和

**计算公式**：

GMV = SUM(order_amount)

**统计周期**：月度

**选择理由**：
- 反映电商产品的核心价值：促成交易
- 直观反映业务规模和增长
- 便于拆解为关键指标（DAU、转化率、客单价）

### 2.2 目标值

**短期目标（3个月）**：GMV达到100万

**中期目标（1年）**：GMV达到500万

**长期目标（3年）**：GMV达到5000万

**行业基准**：
- 同类电商产品平均GMV：{行业数据}
- 头部电商产品GMV：{行业数据}

---

## 三、关键指标体系

### 3.1 指标分层架构

北极星指标 GMV（成交总额） ↓ 关键指标（Key Metrics） ├── DAU（日活跃用户数） ├── 转化率（访问→购买） ├── 客单价（平均订单金额） ├── 复购率（重复购买用户比例） └── 用户留存率（7日/30日）

### 3.2 关键指标详细定义

#### 指标1：DAU（日活跃用户数）

**指标定义**：
- 定义：每天使用产品的独立用户数
- 统计口径：用户打开应用并产生至少一次有效行为
- 排除规则：排除测试账号、异常账号

**计算公式**：

DAU = COUNT(DISTINCT user_id) WHERE date = today AND behavior_count > 0

**数据来源**：
- 前端埋点：用户打开应用事件
- 后端日志：用户行为日志

**统计周期**：
- 实时统计（用于监控）
- 每日汇总（用于分析）

**基准值**：
- 行业平均：{行业数据}
- 目标值：{产品目标}

**负责人**：产品运营团队

---

#### 指标2：转化率

**指标定义**：
- 定义：访问用户中最终完成购买的用户比例
- 统计口径：购买用户数 / 访问用户数

**计算公式**：

转化率 = COUNT(DISTINCT buyer_user_id) / COUNT(DISTINCT visitor_user_id) * 100%

**数据来源**：
- 访问数据：页面浏览埋点
- 购买数据：订单系统

**统计周期**：每日

**基准值**：
- 行业平均：2-3%
- 目标值：5%

**负责人**：产品团队

---

#### 指标3：客单价

**指标定义**：
- 定义：平均每个订单的金额

**计算公式**：

客单价 = SUM(order_amount) / COUNT(order_id)

**数据来源**：订单系统

**统计周期**：每日

**基准值**：
- 行业平均：{行业数据}
- 目标值：{产品目标}

---

#### 指标4：复购率

**指标定义**：
- 定义：统计周期内重复购买的用户比例

**计算公式**：

复购率 = COUNT(重复购买用户数) / COUNT(总购买用户数) * 100%

**统计周期**：月度

**基准值**：
- 行业平均：20-30%
- 目标值：40%

---

#### 指标5：用户留存率

**指标定义**：
- 定义：用户在首次使用后一段时间内仍在使用的比例
- 关键留存：次日留存、7日留存、30日留存

**计算公式**：

留存率 = 第N天仍在使用用户数 / 首次使用用户数 * 100%

**基准值**：
- 次日留存：40-60%
- 7日留存：20-40%
- 30日留存：10-20%

---

## 四、过程指标体系

### 4.1 用户获取指标

| 指标名称 | 定义 | 计算公式 | 基准值 |
|---------|------|---------|--------|
| 新增用户数 | 每日新注册用户数 | COUNT(new_user) | 目标：100/天 |
| 获客渠道分布 | 各渠道新增用户占比 | COUNT(channel_users) / COUNT(total_users) | - |
| 获客成本（CAC） | 平均获取一个用户的成本 | 总营销费用 / 新增用户数 | < 50元 |
| 注册转化率 | 访问用户中完成注册的比例 | 注册用户数 / 访问用户数 | > 30% |

### 4.2 用户活跃指标

| 指标名称 | 定义 | 计算公式 | 基准值 |
|---------|------|---------|--------|
| DAU/MAU比值 | 用户粘性指标 | DAU / MAU | > 0.3 |
| 人均使用时长 | 平均每个用户的使用时长 | SUM(usage_time) / DAU | > 10分钟 |
| 人均使用次数 | 平均每个用户的使用次数 | COUNT(sessions) / DAU | > 3次 |
| 功能使用率 | 各功能的使用用户占比 | 功能使用用户数 / DAU | - |

### 4.3 用户留存指标

| 指标名称 | 定义 | 计算公式 | 基准值 |
|---------|------|---------|--------|
| 次日留存率 | 第2天仍使用的用户比例 | 第2天活跃用户 / 首日新用户 | > 40% |
| 7日留存率 | 第7天仍使用的用户比例 | 第7天活跃用户 / 首日新用户 | > 20% |
| 30日留存率 | 第30天仍使用的用户比例 | 第30天活跃用户 / 首日新用户 | > 10% |
| 流失用户比例 | 超过30天未使用的用户比例 | 流失用户 / 总用户 | < 30% |

### 4.4 用户转化指标

| 指标名称 | 定义 | 计算公式 | 基准值 |
|---------|------|---------|--------|
| 浏览→详情转化率 | 浏览用户中查看详情的比例 | 详情用户 / 浏览用户 | > 50% |
| 详情→购物车转化率 | 查看详情用户中加入购物车的比例 | 购物车用户 / 详情用户 | > 20% |
| 购物车→下单转化率 | 加入购物车用户中下单的比例 | 下单用户 / 购物车用户 | > 50% |
| 下单→支付转化率 | 下单用户中完成支付的比例 | 支付用户 / 下单用户 | > 80% |

---

## 五、转化漏斗分析

### 5.1 核心转化漏斗

**电商购买漏斗**：

打开应用（100%） ↓ 浏览转化率：70% 浏览商品（70%） ↓ 点击转化率：57% 查看详情（40%） ↓ 加购转化率：50% 加入购物车（20%） ↓ 下单转化率：50% 提交订单（10%） ↓ 支付转化率：80% 完成支付（8%）

**整体转化率**：8%

### 5.2 漏斗优化方向

**当前瓶颈**：
- 浏览→详情转化率偏低（40% → 目标60%）
- 详情→加购转化率偏低（50% → 目标70%）

**优化建议**：
- 优化商品列表展示，提升点击率
- 优化商品详情页，突出核心卖点
- 优化加购按钮，降低用户决策成本

---

## 六、数据埋点方案

### 6.1 页面埋点

#### 首页

**页面浏览埋点**：
- 事件名称：page_view_home
- 触发时机：用户进入首页
- 采集字段：
  - user_id：用户ID
  - timestamp：时间戳
  - referrer：来源（扫码/分享/推送/直接打开）
  - device：设备信息

**页面停留时长**：
- 事件名称：page_stay_home
- 触发时机：用户离开首页
- 采集字段：
  - user_id：用户ID
  - stay_duration：停留时长（秒）

---

#### 商品详情页

**页面浏览埋点**：
- 事件名称：page_view_product_detail
- 采集字段：
  - user_id：用户ID
  - product_id：商品ID
  - product_name：商品名称
  - product_price：商品价格
  - category_id：分类ID
  - referrer：来源（搜索/推荐/分享）

---

### 6.2 事件埋点

#### 搜索行为

**事件名称**：click_search

**触发时机**：用户点击搜索按钮

**采集字段**：
- user_id：用户ID
- search_keyword：搜索关键词
- search_source：搜索入口（首页/列表页）
- timestamp：时间戳

---

#### 加入购物车

**事件名称**：add_to_cart

**触发时机**：用户点击"加入购物车"

**采集字段**：
- user_id：用户ID
- product_id：商品ID
- product_name：商品名称
- product_price：商品价格
- quantity：数量
- sku_id：SKU ID（如有）
- timestamp：时间戳

---

#### 提交订单

**事件名称**：submit_order

**触发时机**：用户提交订单

**采集字段**：
- user_id：用户ID
- order_id：订单ID
- order_amount：订单金额
- product_count：商品数量
- payment_method：支付方式
- timestamp：时间戳

---

#### 完成支付

**事件名称**：pay_success

**触发时机**：用户完成支付

**采集字段**：
- user_id：用户ID
- order_id：订单ID
- order_amount：订单金额
- payment_method：支付方式
- pay_time：支付时间
- timestamp：时间戳

---

### 6.3 埋点实施清单

| 页面/事件 | 埋点名称 | 优先级 | 开发状态 |
|----------|---------|--------|---------|
| 首页浏览 | page_view_home | P0 | 待开发 |
| 商品详情浏览 | page_view_product_detail | P0 | 待开发 |
| 点击搜索 | click_search | P0 | 待开发 |
| 加入购物车 | add_to_cart | P0 | 待开发 |
| 提交订单 | submit_order | P0 | 待开发 |
| 完成支付 | pay_success | P0 | 待开发 |
| ... | ... | ... | ... |

---

## 七、数据监控方案

### 7.1 实时监控

**监控指标**：

| 指标 | 告警阈值 | 告警级别 | 告警渠道 |
|------|---------|---------|---------|
| 实时DAU | 下降 > 20% | 中 | 钉钉 |
| 接口成功率 | < 99% | 高 | 钉钉+短信 |
| 页面加载时间 | > 3秒 | 中 | 钉钉 |
| 支付成功率 | < 95% | 高 | 钉钉+短信 |

**监控工具**：
- 数据可视化：Grafana
- 告警系统：Prometheus AlertManager

### 7.2 定期分析报告

#### 日报

**发送时间**：每天早上9点

**核心内容**：
- DAU、新增用户、GMV
- 核心转化漏斗
- 异常数据说明

**发送渠道**：邮件+钉钉群

---

#### 周报

**发送时间**：每周一上午

**核心内容**：
- 核心指标周趋势
- 用户留存分析
- 功能使用分析
- 重点关注问题

---

#### 月报

**发送时间**：每月1号

**核心内容**：
- 核心指标月度总结
- 用户增长分析
- 收入分析
- 竞品对比
- 下月重点

---

## 八、数据工具与平台

### 8.1 数据采集工具

**前端埋点**：
- SDK：神策分析SDK / 友盟SDK
- 自研埋点：基于事件模型自定义埋点

**后端日志**：
- 日志采集：ELK（Elasticsearch + Logstash + Kibana）
- 实时流：Kafka + Flink

### 8.2 数据分析工具

**用户行为分析**：
- 神策分析
- GrowingIO
- 友盟+

**数据可视化**：
- Grafana（实时监控）
- Metabase（业务分析）
- DataV（大屏展示）

### 8.3 数据仓库

**数据存储**：
- 实时数据：Redis
- 明细数据：MySQL
- 分析数据：ClickHouse / Hive

---

## 九、数据治理

### 9.1 数据质量保障

**数据准确性**：
- 埋点测试：上线前验证埋点正确性
- 数据校验：每日数据完整性校验
- 异常监控：数据异常自动告警

**数据一致性**：
- 指标口径统一：统一指标定义文档
- 数据口径对齐：多数据源口径一致
- 历史数据修正：统一修正规则

### 9.2 数据安全与合规

**数据安全**：
- 敏感数据加密存储
- 数据访问权限控制
- 数据操作审计日志

**数据合规**：
- 用户隐私保护
- 数据使用授权
- 数据删除机制

---

## 十、下一步建议

### 10.1 数据指标体系建立后

建议执行：
1. **埋点开发** - 按优先级完成埋点开发
2. **数据看板搭建** - 搭建实时监控看板
3. **/pm-risk** - 风险管控方案
4. **定期数据复盘** - 建立数据复盘机制

### 10.2 数据驱动产品优化

- 建立数据看板文化
- 定期数据复盘会议
- 基于数据的AB测试
- 数据驱动的产品迭代

---

### 步骤 10: 深度数据分析（v2.0新增）

#### 10.1 趋势分析

**同比分析**：与去年同期对比

使用 AskUserQuestion 询问：

> 📈 趋势分析 - 同比分析
>
> 分析核心指标的同比变化：
>
> **GMV同比分析**：
> - 本期：[X]万元
> - 去年同期：[X]万元
> - 同比增长率：[X]%
>
> **同比变化原因**：
> A) 市场增长驱动
> B) 用户规模增长
> C) 产品优化提升
> D) 营销活动拉动
> E) 其他原因（请说明）
>
> 建议应对策略：
> - 如同比增长 > 20%：继续保持，扩大优势
> - 如同比增长 < 10%：分析原因，寻找新增长点
> - 如同比负增长：深度诊断，快速调整

---

**环比分析**：与上月对比

> 📊 趋势分析 - 环比分析
>
> 分析核心指标的环比变化：
>
> **GMV环比分析**：
> - 本月：[X]万元
> - 上月：[X]万元
> - 环比增长率：[X]%
>
> **环比变化原因**：
> A) 季节性因素
> B) 促销活动影响
> C) 产品功能迭代
> D) 市场竞争变化
> E) 其他原因（请说明）

---

**趋势预测**：基于历史数据预测未来

> 🔮 趋势预测
>
> 基于过去[X]个月的数据趋势，预测未来3个月：
>
> **预测模型**：线性回归
>
> **预测结果**：
> - 下月预测GMV：[X]万元
> - 下下月预测GMV：[X]万元
> - 3个月后预测GMV：[X]万元
>
> **置信区间**：95%置信区间为[X] - [X]万元
>
> **预测假设**：
> - 市场环境稳定
> - 用户增长维持当前趋势
> - 无重大外部事件影响
>
> 是否需要调整预测模型？

---

#### 10.2 异常检测

**自动异常识别**：

> ⚠️ 异常检测
>
> 系统自动检测到以下异常：
>
> **异常1：DAU突然下降**
> - 异常时间：[日期]
> - 下降幅度：-25%
> - 正常波动范围：±10%
> - 异常等级：高
>
> **可能原因**：
> A) 应用崩溃或性能问题
> B) 市场竞品推出新功能
> C) 节假日影响
> D) 渠道投放减少
> E) 其他原因（请说明）
>
> **建议排查步骤**：
> 1. 检查应用性能监控（APM）
> 2. 查看用户反馈和客服工单
> 3. 分析竞品动态
> 4. 检查渠道投放数据

---

**异常归因分析**：

> 🔍 异常归因分析
>
> 对DAU下降进行归因分析：
>
> **分渠道分析**：
> - 渠道A：下降35%（主要原因）
> - 渠道B：下降10%
> - 渠道C：下降5%
>
> **分设备分析**：
> - iOS：下降15%
> - Android：下降30%（主要问题）
>
> **分版本分析**：
> - v2.0：下降40%（关键问题）
> - v1.9：下降5%
>
> **结论**：Android v2.0版本存在问题，需紧急排查
>
> **建议行动**：
> 1. 立即回滚Android v2.0版本
> 2. 排查v2.0版本问题
> 3. 发布修复版本v2.0.1

---

#### 10.3 归因分析

**漏斗转化归因**：

> 🎯 归因分析 - 转化率提升归因
>
> 本月整体转化率从8%提升至10%，分析原因：
>
> **贡献度分析**：
>
> | 优化项 | 贡献度 | 数据支撑 |
> |--------|--------|---------|
> | 详情页优化 | +1.2% | A/B测试提升25% |
> | 价格优惠 | +0.5% | 优惠用户转化率高15% |
> | 支付流程简化 | +0.3% | 支付成功率提升5% |
> | 其他因素 | 0% | - |
> | **合计** | **+2.0%** | 整体提升25% |
>
> **关键成功因素**：
> 1. 详情页优化效果最显著（贡献60%）
> 2. 价格优惠策略有效（贡献25%）
> 3. 支付流程优化带来增量（贡献15%）
>
> **下一步建议**：
> - 继续优化详情页，扩大A/B测试范围
> - 调整价格优惠策略，提升ROI
> - 进一步简化结算流程

---

**用户流失归因**：

> 🔍 归因分析 - 用户流失原因
>
> 分析本月流失用户的原因：
>
> **流失用户画像**：
> - 新用户占比：[X]%
> - 主要渠道：[渠道名称]
> - 平均使用时长：[X]分钟
> - 核心功能使用率：[X]%
>
> **流失原因分析**：
>
> | 流失原因 | 占比 | 典型行为 |
> |---------|------|---------|
> | 产品不符合预期 | 35% | 打开1-2次后不再使用 |
> | 找不到想要的内容 | 25% | 搜索多次无结果 |
> | 操作太复杂 | 20% | 在关键流程放弃 |
> | 性能问题 | 15% | 加载慢、崩溃 |
> | 其他原因 | 5% | - |
>
> **针对性优化建议**：
>
> 1. **产品预期管理**（35%流失）
>    - 优化应用商店描述和截图
>    - 新用户Onboarding优化
>    - 明确产品核心价值
>
> 2. **内容丰富度**（25%流失）
>    - 扩充商品/内容库
>    - 优化搜索算法
>    - 提供推荐替代品
>
> 3. **操作流程优化**（20%流失）
>    - 简化关键流程
>    - 提供操作引导
>    - 智能填充默认值

---

#### 10.4 预测分析

**简单线性回归预测**：

> 📈 预测分析 - 用户增长预测
>
> 基于过去6个月的用户数据，预测未来3个月：
>
> **历史数据**：
> - M1：[X]万用户
> - M2：[X]万用户
> - ...
> - M6：[X]万用户
>
> **线性回归模型**：
> ```
> 用户数 = a × 月数 + b
> 其中：a = [系数], b = [截距]
> R² = [拟合度]
> ```
>
> **预测结果**：
> - M7预测：[X]万用户
> - M8预测：[X]万用户
> - M9预测：[X]万用户
>
> **预测准确性**：历史拟合度R² = [X]
>
> **预测假设**：
> - 用户增长趋势持续
> - 无重大市场变化
> - 产品功能稳定迭代
>
> **风险提示**：
> - 预测基于历史趋势，实际可能偏离
> - 建议定期更新预测模型
> - 关注市场环境变化

---

### 步骤 11: 生成深度分析报告（v2.0新增）

使用 Write 工具在文档中补充深度分析章节：

```markdown
## 十一、深度数据分析（v2.0新增）

### 11.1 趋势分析

#### 同比分析

**GMV同比增长**：
- 本期：[X]万元
- 去年同期：[X]万元
- 同比增长率：[X]%

**增长驱动因素**：
1. 用户规模增长：贡献[X]%
2. 客单价提升：贡献[X]%
3. 转化率优化：贡献[X]%

---

#### 环比分析

**GMV环比增长**：
- 本月：[X]万元
- 上月：[X]万元
- 环比增长率：[X]%

**环比变化原因**：
[详细分析]

---

#### 趋势预测

**未来3个月预测**：
- [月份1]：[X]万元
- [月份2]：[X]万元
- [月份3]：[X]万元

**预测准确性**：R² = [X]

---

### 11.2 异常检测

#### 关键异常事件

**异常1：DAU突然下降**
- 时间：[日期]
- 下降幅度：[X]%
- 原因：[原因分析]
- 应对措施：[措施描述]
- 恢复情况：[恢复时间/恢复程度]

---

### 11.3 归因分析

#### 转化率提升归因

**总体提升**：从[X]%提升至[X]%（+ [X]pp）

**各优化项贡献度**：

| 优化项 | 贡献度 | ROI |
|--------|--------|-----|
| 详情页优化 | +[X]pp | [X]倍 |
| 价格优惠 | +[X]pp | [X]倍 |
| 支付流程优化 | +[X]pp | [X]倍 |

**最佳实践总结**：
[总结最有效的优化策略]

---

### 11.4 预测分析

#### 用户增长预测

**预测模型**：线性回归

**预测结果**：
- 未来3个月预计新增用户：[X]万
- 累计用户数将达到：[X]万

**预测置信度**：[X]%

**关键假设**：
[列出关键假设]

**风险提示**：
[列出潜在风险]

---

## 十二、数据可视化建议（v2.0新增）

### 12.1 核心仪表盘设计

**实时监控看板**：
- DAU实时曲线
- GMV实时累计
- 转化率实时监控
- 异常告警提示

**周报看板**：
- 核心指标趋势图
- 漏斗转化可视化
- 用户留存曲线
- 功能使用热力图

---

### 12.2 可视化图表类型

**趋势类指标**：
- 折线图：DAU、GMV趋势
- 面积图：用户累计增长

**对比类指标**：
- 柱状图：各渠道对比
- 饼图：用户构成占比

**漏斗类指标**：
- 漏斗图：转化漏斗
- 桑基图：用户流转

**分布类指标**：
- 直方图：用户年龄分布
- 地图：地域分布

---

## 十三、数据驱动决策建议

### 13.1 数据决策机制

**每周数据复盘会**：
- 时间：每周一上午
- 参与人：产品、运营、研发负责人
- 内容：
  - 上周核心指标回顾
  - 异常数据诊断
  - 本周重点决策

**每月数据总结会**：
- 时间：每月初
- 参与人：全体团队
- 内容：
  - 月度指标总结
  - 归因分析分享
  - 下月目标设定

---

### 13.2 数据驱动产品迭代

**迭代优先级决策**：
- 基于数据识别关键问题
- 使用A/B测试验证假设
- 根据数据结果决定上线

**效果评估机制**：
- 上线前设定目标指标
- 上线后持续监控数据
- 根据数据调整策略

### A. 指标字典

{完整指标定义列表}

### B. 埋点文档

{详细埋点技术文档}

### C. 参考文档

- PRD产品需求文档
- MVP方案

---

**文档状态**: 数据指标体系设计完成
**生成时间**: {时间戳}
**生成工具**: super-pm v1.0.0