数据驱动功能开发

基于数据洞察、A/B测试和持续度量，使用专业分析、实现和实验代理来构建功能特性。

[扩展思考：此工作流编排了完整的数据驱动开发过程，从初始数据分析和假设形成，到带集成分析的功能实现、A/B测试基础设施和上线后分析。每个阶段利用专业代理，确保功能基于数据洞察构建、正确配置度量工具，并通过受控实验验证。工作流强调现代产品分析实践、测试的统计严谨性以及从用户行为中持续学习。]

使用此技能的时机

• 处理数据驱动功能开发任务或工作流时
• 需要数据驱动功能开发的指导、最佳实践或检查清单时

请勿使用此技能的时机

• 任务与数据驱动功能开发无关
• 需要此范围之外的不同领域或工具

操作说明

• 明确目标、约束条件和所需输入。
• 应用相关最佳实践并验证结果。
• 提供可操作的步骤和验证方法。
• 如需详细示例，打开 resources/implementation-playbook.md。

阶段1：数据分析和假设形成

1. 探索性数据分析

• 使用Task工具，subagent_type="machine-learning-ops::data-scientist"
• 提示："对功能 $ARGUMENTS 进行探索性数据分析。分析现有用户行为数据，识别模式和机会，按行为对用户进行分群，计算基线指标。使用现代分析工具（Amplitude、Mixpanel、Segment）了解当前用户旅程、转化漏斗和参与模式。"
• 输出：EDA报告（含可视化）、用户分群、行为模式、基线指标

2. 业务假设开发

• 使用Task工具，subagent_type="business-analytics::business-analyst"
• 上下文：数据科学家的EDA发现和行为模式
• 提示："基于数据分析为功能 $ARGUMENTS 制定业务假设。定义明确的成功指标、对关键业务KPI的预期影响、目标用户群体和最小可检测效应。使用ICE评分或RICE优先级等框架创建可衡量的假设。"
• 输出：假设文档、成功指标定义、预期ROI计算

3. 统计实验设计

• 使用Task工具，subagent_type="machine-learning-ops::data-scientist"
• 上下文：业务假设和成功指标
• 提示："为功能 $ARGUMENTS 设计统计实验。计算达到统计功效所需的最小样本量，定义对照组和实验组，指定随机化策略，规划多重检验校正。考虑使用贝叶斯A/B测试方法以加速决策。设计主要指标和护栏指标。"
• 输出：实验设计文档、功效分析、统计检验计划

阶段2：功能架构和分析设计

4. 功能架构规划

• 使用Task工具，subagent_type="data-engineering::backend-architect"
• 上下文：业务需求和实验设计
• 提示："为 $ARGUMENTS 设计带A/B测试能力的功能架构。包括功能开关集成（LaunchDarkly、Split.io或Optimizely）、渐进式发布策略、安全熔断机制以及对照组和实验组逻辑的清晰分离。确保架构支持实时配置更新。"
• 输出：架构图、功能开关schema、发布策略

5. 分析埋点设计

• 使用Task工具，subagent_type="data-engineering::data-engineer"
• 上下文：功能架构和成功指标
• 提示："为 $ARGUMENTS 设计全面的分析埋点方案。定义用户交互的事件schema，指定分群和分析所需的属性，设计漏斗追踪和转化事件，规划同期群分析能力。使用现代SDK（Segment、Amplitude、Mixpanel）实现，配合正确的事件分类体系。"
• 输出：事件追踪计划、分析schema、埋点指南

6. 数据管道架构

• 使用Task工具，subagent_type="data-engineering::data-engineer"
• 上下文：分析需求和现有数据基础设施
• 提示："为功能 $ARGUMENTS 设计数据管道。包括用于实时度量的流式处理（Kafka、Kinesis）、用于详细分析的批处理、数据仓库集成（Snowflake、BigQuery），以及ML场景下的特征存储。确保适当的数据治理和GDPR合规。"
• 输出：管道架构、ETL/ELT规范、数据流图

阶段3：带埋点的实现

7. 后端实现

• 使用Task工具，subagent_type="backend-development::backend-architect"
• 上下文：架构设计和功能需求
• 提示："实现功能 $ARGUMENTS 的后端，包含完整埋点。包括决策点的功能开关检查、所有用户操作的全面事件追踪、性能指标收集、错误追踪和监控。为实验分析实现适当的日志记录。"
• 输出：带分析的后端代码、功能开关集成、监控设置

8. 前端实现

• 使用Task工具，subagent_type="frontend-mobile-development::frontend-developer"
• 上下文：后端API和分析需求
• 提示："为功能 $ARGUMENTS 构建带分析追踪的前端。实现所有用户交互的事件追踪、适用的会话录制集成、性能指标（Core Web Vitals）和适当的错误边界。确保对照组和实验组之间体验一致。"
• 输出：带分析的前端代码、A/B测试变体、性能监控

9. ML模型集成（如适用）

• 使用Task工具，subagent_type="machine-learning-ops::ml-engineer"
• 上下文：功能需求和数据管道
• 提示："如需为功能 $ARGUMENTS 集成ML模型。实现低延迟在线推理、模型版本间的A/B测试、模型性能追踪和自动回退机制。设置用于漂移检测的模型监控。"
• 输出：ML管道、模型服务基础设施、监控设置

阶段4：上线前验证

10. 分析验证

• 使用Task工具，subagent_type="data-engineering::data-engineer"
• 上下文：已实现的追踪和事件schema
• 提示："验证 $ARGUMENTS 的分析实现。在预发布环境中测试所有事件追踪，验证数据质量和完整性，确认漏斗定义正确，确保用户标识与会话追踪正常。对数据管道运行端到端测试。"
• 输出：验证报告、数据质量指标、追踪覆盖分析

11. 实验设置

• 使用Task工具，subagent_type="cloud-infrastructure::deployment-engineer"
• 上下文：功能开关和实验设计
• 提示："为 $ARGUMENTS 配置实验基础设施。设置带适当目标规则的功能开关，配置流量分配（从5-10%开始），实现熔断开关，设置关键指标的监控告警。测试随机化和分配逻辑。"
• 输出：实验配置、监控仪表板、发布计划

阶段5：上线与实验

12. 渐进式发布

• 使用Task工具，subagent_type="cloud-infrastructure::deployment-engineer"
• 上下文：实验配置和监控设置
• 提示："为功能 $ARGUMENTS 执行渐进式发布。从内部dogfooding开始，然后是beta用户（1-5%），逐步增加到目标流量。监控错误率、性能指标和早期信号。在出现异常时实现自动回滚。"
• 输出：发布执行、监控告警、健康指标

13. 实时监控

• 使用Task工具，subagent_type="observability-monitoring::observability-engineer"
• 上下文：已部署的功能和成功指标
• 提示："为 $ARGUMENTS 设置全面监控。创建实验指标的实时仪表板，配置统计显著性的告警，监控护栏指标以防负面影响，追踪系统性能和错误率。使用Datadog、New Relic或自定义仪表板等工具。"
• 输出：监控仪表板、告警配置、SLO定义

阶段6：分析与决策

14. 统计分析

• 使用Task工具，subagent_type="machine-learning-ops::data-scientist"
• 上下文：实验数据和原始假设
• 提示："分析 $ARGUMENTS 的A/B测试结果。计算带置信区间的统计显著性，检查分群层面的效果，分析次要指标的影响，调查任何意外模式。同时使用频率派和贝叶斯方法，如适用则考虑多重检验。"
• 输出：统计分析报告、显著性检验、分群分析

15. 业务影响评估

• 使用Task工具，subagent_type="business-analytics::business-analyst"
• 上下文：统计分析和业务指标
• 提示："评估功能 $ARGUMENTS 的业务影响。计算实际与预期ROI的对比，分析对关键业务指标的影响，评估包括运营开销在内的成本效益，预测长期价值。提出全面发布、迭代或回滚的建议。"
• 输出：业务影响报告、ROI分析、建议文档

16. 上线后优化

• 使用Task工具，subagent_type="machine-learning-ops::data-scientist"
• 上下文：上线结果和用户反馈
• 提示："基于数据识别 $ARGUMENTS 的优化机会。分析实验组用户行为模式，识别用户旅程中的摩擦点，基于数据提出改进建议，规划后续实验。使用同期群分析评估长期影响。"
• 输出：优化建议、后续实验计划

配置选项

experiment_config:
  min_sample_size: 10000
  confidence_level: 0.95
  runtime_days: 14
  traffic_allocation: "gradual"  # gradual, fixed, or adaptive

analytics_platforms:
  - amplitude
  - segment
  - mixpanel

feature_flags:
  provider: "launchdarkly"  # launchdarkly, split, optimizely, unleash

statistical_methods:
  - frequentist
  - bayesian

monitoring:
  - real_time_metrics: true
  - anomaly_detection: true
  - automatic_rollback: true

成功标准

• 数据覆盖：100%的用户交互使用正确事件schema追踪
• 实验有效性：正确的随机化、充足的统计功效、无样本比例失配
• 统计严谨性：清晰的显著性检验、正确的置信区间、多重检验校正
• 业务影响：目标指标可衡量的改善且不降低护栏指标
• 技术性能：p95延迟无劣化，错误率低于0.1%
• 决策速度：在计划实验运行时间内做出明确的继续/停止决策
• 学习成果：记录洞察以供未来功能开发参考

协调说明

• 数据科学家和业务分析师在假设形成阶段协作
• 工程师在实现时将分析作为一等需求，而非事后补充
• 功能开关允许无需完全部署即可安全实验

  发现更多技能插件，请访问7w4.net。

• 实时监控允许快速迭代和必要时回滚
• 统计严谨性与业务实用性和市场速度相平衡
• 持续学习循环反馈到下一个功能开发周期

待以数据驱动方法开发的功能：$ARGUMENTS

这是一个教人如何用数据驱动方式开发产品功能的技能指南。优点是步骤完整、逻辑清晰，从数据分析到实验上线全覆盖。缺点是缺少实际例子，某些说明比较抽象，看起来像是理论框架而非可直接使用的工具。如果你需要系统学习数据驱动开发流程，这是个好参考，但实际操作时可能需要额外查阅资料。整体质量中等偏上，有实用价值但不够接地气。