增长飞轮识别与断点诊断

问题：指标很多，飞轮不可见

当获客、留存、MRR、推荐系数等数据散落在多个后台时，团队可能知道“某个渠道涨了”，却很难说清增长来自病毒循环、内容复利、数据反馈、付费投放、生态集成还是社区网络。这个技能把业务指标映射为可分析的增长循环，找出真正在复利的飞轮、卡点和投入方向。

工作方式：检测、建模、推演

使用前需提供注册/激活、内容产量、MRR/ARPU/LTV、邀请与推荐转化、DAU/MAU、功能采用和留存数据，最好有至少 3 个月历史数据；还需说明商业模式、已知增长驱动因素，可选目标与约束。技能会加载品牌上下文（若存在），用 growth-loop-modeler.py 的 detect-loops 检测活跃循环，计算放大系数、周期、衰减速率和可持续性，再定位最约束增长的步骤，例如邀请发送率、内容产能、SEO 速度或被推荐用户激活率，并估算该步骤改善 2 倍后的拉动。对缺失循环，它基于商业模式和现有优势提出新机制、参数、投入、前置条件，并用 compare-loops 做 12 个月前向推演，输出累计产出、贡献占比和投资优先级。

使用边界

它不替代业务判断，也不保证模型一定兑现；数据质量、商业模式归类和行业基准会影响置信度。历史数据不足 3 个月、关键指标缺失或口径不一致时，结果应视为待验证假设，而不是最终结论。