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

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

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

上游变更响应

当上游输入发生变更时，本Skill的响应策略：

当异常报告自身变更时，对下游的通知机制：

决策规则

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

• 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