产品数据分析助手

产品团队越来越依赖用户行为数据来优化转化路径，但实际分析工作往往卡在几个环节：业务方提需求后，分析师要先找工程确认表结构，再写 SQL 拉数，最后用工具画图。这个过程不仅慢，而且容易因为口径不一致导致结论打架——比如「注册完成」到底是表单提交还是后端确认？临时取数也覆盖不了漏斗分析中需要的历史数据，更不用说留存追踪和归因了。

核心能力

• 连接业务数据库：技能可直接对接常见关系型数据库，读取埋点事件表与用户属性表，无需手动导出数据
• 漏斗分析：支持按事件序列构建漏斗（如「首页访问 → 注册 → 首次下单」），自动计算各步骤转化率与流失率
• 留存追踪：可按日/周/月维度计算用户留存，区分新老用户，识别长期流失风险
• 归因分析：追踪用户关键行为的前置触点（如广告点击、邮件打开），辅助评估渠道价值

关键步骤

1. 连接数据源：通过配置项指定数据库连接信息，技能会校验表结构并识别常用事件字段
2. 定义分析目标：支持自然语言描述分析需求（如「分析上周iOS端用户注册漏斗」），或通过参数指定事件序列与用户分群
3. 构建分析模型：自动生成SQL查询漏斗数据，同时计算置信区间与显著性差异，避免「假阳性」结论
4. 输出可操作建议：不仅呈现转化率数据，还会标注异常节点（如某步骤流失率突增），并基于历史数据给出优化方向建议

适用边界与注意点

• 数据口径需提前对齐：技能依赖表结构中的事件命名规范，若字段语义不清晰（如event_name存在多个含义），需先进行字段映射
• 用户标识准确性：依赖用户ID的唯一性与跨端一致性，若存在未打通的用户体系（如匿名用户与注册用户分离），会导致漏斗断裂
• 不替代深度归因模型：当前主要支持基于规则的最后触点归因，若需马尔可夫链、Shapley值等高级模型，需结合其他分析工具
• 性能受限于数据量级：当单日事件量超过千万级时，建议预先进行数据聚合或采样，避免全表扫描拖慢分析速度