行为数据自动分析

核心原则

1. 行为不说谎——用户实际行为比自我报告更可靠，以行为数据为事实基准
2. 漏斗是症状不是病因——漏斗断裂点指向问题表现，需深挖流失用户的最后行为和特征
3. Aha Moment是因果不是相关——候选行为必须通过预测力验证，相关性≠因果性
4. 异常是信号不是噪音——指标突变/渐变/周期异常都需归因，不可忽略或简单平滑

交互模式

🤖 AI自动执行 — 无需人类介入，全程自动化完成

输入

输入格式

{
  "data_sources": [
    {
      "type": "event_data",
      "location": "string",
      "time_range": "string",
      "events_tracked": ["string"],
      "daily_active_users": "number"
    },
    {
      "type": "funnel_data",
      "location": "string",
      "funnel_steps": ["string"],
      "time_range": "string"
    },
    {
      "type": "heatmap_data",
      "location": "string",
      "pages_covered": ["string"],
      "time_range": "string"
    }
  ],
  "analysis_config": {
    "anomaly_sensitivity": "high|medium|low",
    "funnel_granularity": "daily|weekly|monthly",
    "cohort_dimensions": ["string"]
  }
}

数据源说明：

• event_data：用户行为事件日志（点击、浏览、提交等）
• funnel_data：转化漏斗各步骤数据
• heatmap_data：页面热力图数据（点击热力图、滚动热力图）

执行步骤

Step 1：漏斗健康度诊断

• 计算漏斗各步骤转化率
• 识别转化率异常低的步骤（低于行业基准或历史均值1个标准差）
• 分析各步骤流失用户的特征（最后行为、停留时长、设备等）
• 计算漏斗整体健康度评分（0-100）
• 输出：漏斗诊断报告，包含各步骤转化率、流失分析、健康度评分

Step 2：行为路径分析

• 提取用户实际行为路径（非预设路径）
• 识别高频路径和异常路径
• 发现用户"绕路"行为（走了非预期路径到达目标）
• 识别用户"迷失"行为（在多个页面间反复跳转）
• 输出：行为路径图，标注高频路径、绕路、迷失点

Step 3：功能使用深度分析

• 统计各功能的使用率（触达用户数 / 活跃用户数）
• 分析功能使用深度（仅发现 → 尝试 → 深度使用 → 付费转化）
• 识别高价值但低使用率的功能（发现障碍）
• 识别低价值但高使用率的功能（可能误导用户）
• 输出：功能使用矩阵（使用率 × 价值度）

Step 4：异常检测

• 对关键行为指标进行时序异常检测
• 检测维度：日活、留存、核心功能使用率、转化率
• 异常类型：突变（单日大幅变化）、渐变（持续趋势变化）、周期异常（与历史周期不符）
• 关联异常与可能的原因（版本发布、外部事件、数据问题）
• 输出：异常事件列表，包含异常类型、影响范围、可能原因、置信度

输出

输出文件：output/pm-discovery/user-research-behavior-analysis/behavior-analysis.json

输出Schema：

{
  "type": "object",
  "required": ["funnel_health", "aha_moment_candidates", "feature_usage", "metadata"],
  "properties": {
    "funnel_health": {"type": "object", "description": "漏斗健康度诊断，含各步骤转化率和健康度评分"},
    "aha_moment_candidates": {"type": "array", "description": "Aha Moment候选列表"},
    "feature_usage": {"type": "array", "description": "功能使用深度分析列表"},
    "behavior_paths": {"type": "object", "description": "行为路径分析，含高频路径、绕路和迷失模式"},
    "anomalies": {"type": "array", "description": "异常事件检测列表"},
    "metadata": {"type": "object", "description": "分析元数据，含时间戳和置信度"}
  }
}

输出校验规则：

{
  "funnel_health": {
    "overall_score": "number",
    "steps": [
      {
        "step_name": "string",
        "conversion_rate": "number",
        "drop_off_rate": "number",
        "is_anomaly": "boolean",
        "anomaly_description": "string",
        "lost_user_profile": {
          "last_action": "string",
          "avg_time_spent": "number",
          "device_distribution": {}
        },
        "confidence": "number"
      }
    ],
    "trend": "improving|stable|declining"
  },
  "aha_moment_candidates": [
    {
      "behavior_pattern": "string",
      "correlation_with_retention": "number",
      "user_segment": "string",
      "threshold": "string",
      "predictive_power": "number",
      "confidence": "number"
    }
  ],
  "feature_usage": [
    {
      "feature_name": "string",
      "discovery_rate": "number",
      "adoption_rate": "number",
      "depth_distribution": {
        "discover_only": "number",
        "try_once": "number",
        "regular_use": "number",
        "power_use": "number"
      },
      "value_score": "number",
      "usage_vs_value_quadrant": "high_value_high_use|high_value_low_use|low_value_high_use|low_value_low_use",
      "confidence": "number"
    }
  ],
  "behavior_paths": {
    "top_paths": [
      {
        "path": ["string"],
        "user_count": "number",
        "avg_completion_time": "number"
      }
    ],
    "detour_patterns": [
      {
        "description": "string",
        "affected_user_ratio": "number",
        "possible_cause": "string"
      }
    ],
    "lost_patterns": [
      {
        "description": "string",
        "affected_user_ratio": "number",
        "loop_pages": ["string"]
      }
    ]
  },
  "anomalies": [
    {
      "metric": "string",
      "anomaly_type": "spike|gradual|cyclical",
      "detected_date": "string",
      "magnitude": "number",
      "possible_causes": ["string"],
      "impact_scope": "string",
      "confidence": "number"
    }
  ],
  "metadata": {
    "analysis_timestamp": "string",
    "data_quality_flags": ["string"],
    "confidence_overall": "number"
  }
}

决策规则

质量检查

降级策略

当上游文件不存在时，本Skill仍可独立执行：

数据获取说明

本Skill需要行为数据（事件日志、漏斗数据、热力图数据），请通过以下方式之一提供：

1. 直接粘贴事件数据或漏斗步骤数据
2. 上传CSV/Excel/JSON文件
3. 提供数据文件路径

• AI不负责外部数据采集，仅负责分析

上游变更响应

上游变更影响

本Skill为起始Skill，无上游文件依赖，不涉及上游变更影响。

下游通知机制