metrics-review-skill
Prüft Produktmetriken mit Trendanalyse, Anomalieerkennung und umsetzbaren Empfehlungen. Verwende ihn, wenn du ein Produkt-Review vorbereitest, eine Metrik-Veränderung untersuchst oder das KPI-Tracking für ein neues Feature aufsetzt. Auslösen mit "Produktmetriken prüfen", "warum hat sich [Metrik] verändert", "Metriken-Dashboard reviewen".
- License 许可
- MIT
- 最近更新
- 2026-11-13
- Stars
- ★ 0
- Forks
- 0
01 前言 Front Matter
- name
- metrics-review-skill
- description
- Prüft Produktmetriken mit Trendanalyse, Anomalieerkennung und umsetzbaren Empfehlungen. Verwende ihn, wenn du ein Produkt-Review vorbereitest, eine Metrik-Veränderung untersuchst oder das KPI-Tracking für ein neues Feature aufsetzt. Auslösen mit "Produktmetriken prüfen", "warum hat sich [Metrik] verändert", "Metriken-Dashboard reviewen".
03 SKILL.md 正文
Metriken-Review-Skill
Prüfe Produktmetriken, erkenne Anomalien, diagnostiziere Ursachen und übersetze Metrik-Bewegungen in umsetzbare Produktentscheidungen. Alle Metrikdaten stammen von dir, aus angebundenen Analyse-Tools oder aus companyRAG-Sammlungen.
Woher die Daten kommen
| Quelle | Was sie beiträgt |
|---|---|
| Analyse-Tools über MCP (z. B. Amplitude, Mixpanel, GA4) | Aktuelle und historische Metrikwerte, Funnel-Daten, Segment-Aufschlüsselungen, Event-Streams |
| companyRAG-Sammlungen | Metrik-Definitionen, frühere Review-Dokumente, Launch- und Incident-Notizen, KPI-Zielwerte |
| Datei-Upload (CSV-/XLSX-Exporte) | Dashboard-Exporte, Kohorten-Tabellen, Roh-Auswertungen aus deinem Analyse-Stack |
Keine angebundene Quelle? Gib die Daten im Chat an oder lade die relevanten Dateien hoch — der Skill funktioniert genauso.
Metrik-Hierarchie-Framework
Produktmetriken existieren in einer Hierarchie. Sie zu verstehen verhindert, dass du auf Symptome reagierst und dabei die eigentlichen Ursachen übersiehst.
Hierarchie-Struktur
NORTH STAR METRIC
Die eine Metrik, die den Kernwert deines Produkts für die Nutzer am besten erfasst.
Verändert sich langsam. Spiegelt die kumulierte Produktgesundheit wider.
│
├── INPUT-METRIKEN (3-5)
│ Beeinflussen die North Star direkt. Vom Produktteam beeinflussbar.
│ Verändern sich wöchentlich/monatlich. Jede entspricht einem Produkt-Hebel.
│ │
│ ├── FEATURE-METRIKEN
│ │ Messen Adoption, Nutzungstiefe und Zufriedenheit eines konkreten Features.
│ │ Verändern sich täglich/wöchentlich.
│ │
│ └── FUNNEL-METRIKEN
│ Messen die Conversion zwischen wichtigen Produktstufen.
│ Verändern sich täglich/wöchentlich.
│
└── HEALTH-METRIKEN (2-4)
Dürfen NICHT verfallen, während Input-Metriken optimiert werden.
Performance, Zuverlässigkeit, Support-Last, Nutzer-Sentiment.
Vorgehen zum Aufbau der Hierarchie
- North Star identifizieren : Welche einzelne Metrik misst am direktesten, ob dein Produkt seinen Kernwert liefert? Nicht der Umsatz (das ist eine Business-Metrik) — die Aktion oder das Ergebnis, das ZUM Umsatz führt.
- Input-Metriken zuordnen : Welche Nutzerverhalten treiben die North Star direkt? Jede Input-Metrik sollte umsetzbar sein — das Produktteam kann Interventionen entwerfen, die sie bewegen.
- Feature-Metriken ergänzen : Was misst für jedes wichtige Feature oder jeden Produktbereich Adoption (probieren Nutzer es aus?), Engagement (nutzen sie es sinnvoll?) und Retention (kommen sie wieder?).
- Health-Metriken definieren : Was darf NICHT kaputtgehen? Ladezeit, Fehlerraten, Support-Ticket-Volumen, NPS/CSAT. Das sind Leitplanken, keine Ziele.
Validierung der Hierarchie
Eine gut konstruierte Hierarchie erfüllt diese Checks:
| Check | Bestanden | Nicht bestanden |
|---|---|---|
| Kausaler Zusammenhang | Eine Input-Metrik zu bewegen bewegt plausibel die North Star | Input-Metrik korreliert, ist aber nicht kausal |
| Umsetzbar | Das Produktteam kann Features/Änderungen entwerfen, die die Input-Metrik bewegen | Metrik wird primär von externen Faktoren beeinflusst |
| Redundanzfrei | Jede Input-Metrik erfasst einen eigenen Produkt-Hebel | Zwei Input-Metriken messen dasselbe zugrunde liegende Verhalten |
| Vollständig | Zusammen decken die Input-Metriken die wichtigsten Pfade zur North Star ab | Wichtige Treiber sind nicht repräsentiert |
| Messbar | Die Metrik lässt sich mit der aktuellen Infrastruktur zuverlässig tracken | Datenquelle nicht verfügbar, unzuverlässig oder unverhältnismäßig teuer |
Metriken-Review-Workflow
Schritt 1: Review-Kontext festlegen
Bevor du Zahlen betrachtest, kläre:
- Review-Typ : Routine-Kadenz (wöchentlich/monatlich), Ad-hoc-Untersuchung oder Review eines neuen Feature-Launches?
- Zeitfenster : Welcher Zeitraum wird betrachtet? Vergleichszeitraum einbeziehen (Vorperiode, Jahresvergleich oder Baseline).
- Scope : Gesamtes Produkt, ein bestimmtes Feature, ein bestimmtes Segment oder eine bestimmte Metrik?
- Bekannter Kontext : Gab es im Zeitraum Launches, Incidents, Marketing-Kampagnen, Saisonalität oder externe Ereignisse?
Schritt 2: Top-Down-Metrik-Scan
Beginne bei der North Star und arbeite dich die Hierarchie hinunter:
METRIK-SCAN — [Periode]
North Star: [Metrik-Name]
Aktuell: [Wert aus Nutzerdaten]
Vorher: [Vergleichswert]
Änderung: [absolut und prozentual]
Trend: [Richtung über die letzten 3+ Perioden]
Status: Auf Kurs / Unter Ziel / Über Ziel / Kein Ziel gesetzt
Input-Metriken:
[Metrik 1]: [aktuell] vs [vorher] → [Änderung] — [Status]
[Metrik 2]: [aktuell] vs [vorher] → [Änderung] — [Status]
...
Health-Metriken:
[Metrik 1]: [aktuell] vs [vorher] → [Änderung] — [Status]
...
Scan-Disziplin: Berichte die Zahlen, bevor du sie interpretierst. Menschen verankern sich an der ersten Erzählung, die sie hören — präsentiere zuerst die Daten, dann die Analyse.
Schritt 3: Anomalieerkennung
Eine Anomalie ist eine Metrik-Bewegung, die merklich vom erwarteten Muster abweicht. "Merklich" wird durch die historische Varianz der Metrik selbst definiert, nicht durch einen universellen Schwellenwert.
Erkennungskriterien:
| Anomalie-Typ | Wie erkennen | Bedeutung |
|---|---|---|
| Plötzlicher Sprung | Wert springt/fällt um mehr als 2 Standardabweichungen vom gleitenden Mittel | Wahrscheinlich durch ein diskretes Ereignis verursacht — suche danach |
| Trendbruch | Richtungsumkehr, die nach einem konsistenten Trend 2+ Perioden anhält | Kann auf eine strukturelle Veränderung hindeuten — Ursache untersuchen |
| Divergenz | Input-Metrik bewegt sich, North Star aber nicht (oder umgekehrt) | Deutet darauf hin, dass der Hierarchie-Link schwächer ist als angenommen — Kausalmodell prüfen |
| Segment-Anomalie | Gesamtmetrik ist stabil, aber ein bestimmtes Segment zeigt deutliche Veränderung | Verstecktes Problem oder verstecktes Potenzial — in Segmentdaten eintauchen |
| Saisonale Abweichung | Metrik weicht von ihrem historischen Saisonmuster ab | Entweder eine echte Veränderung oder ein Kalender-Artefakt — Jahresvergleich heranziehen |
Berechnung der Standardabweichung: Nutze die letzten 8-12 Periodenwerte der Metrik selbst, um Mittelwert und Standardabweichung zu bestimmen. Das ist metrikspezifisch — wende niemals einen universellen Schwellenwert an. Reichen die historischen Daten nicht aus (< 8 Perioden), weise darauf hin, dass die Anomalieerkennung unzuverlässig ist, und urteile nach Richtung.
Schritt 4: Ursachenanalyse
Wende für jede markierte Anomalie das Diagnose-Framework an:
5-Why-Zerlegung
Beginne mit der beobachteten Anomalie und frage iterativ "warum", indem du die Metrik-Hierarchie hinabgehst:
ANOMALIE: [Metrik] hat sich in [Periode] um [Betrag] verändert
Warum 1: [Erklärung erster Ebene — welche Input-Metrik hat sich bewegt?]
Warum 2: [Was hat diese Veränderung der Input-Metrik ausgelöst?]
Warum 3: [Welches Nutzerverhalten oder welche Systemänderung hat das verursacht?]
Warum 4: [Was hat dieses Verhalten oder diese Systemänderung ausgelöst?]
Warum 5: [Ursache — das umsetzbare Ereignis, das passiert ist]
Konfidenz: [Hoch / Mittel / Niedrig]
Belege: [Welche Daten stützen diese Ursache?]
Höre auf zu zerlegen, wenn du einen umsetzbaren Faktor erreichst, den das Produktteam beeinflussen kann. Ist die Ursache "Wettbewerber hat ein besseres Feature gelauncht", ist der nächste Schritt Reaktionsplanung, nicht weitere Zerlegung.
Checkliste der Ursachenkategorien
Prüfe bei der Diagnose systematisch diese Kategorien:
| Kategorie | Check | Häufige Signale |
|---|---|---|
| Produktänderung | Wurde in dieser Periode etwas ausgeliefert? | Zeitliche Korrelation mit einem Deployment |
| Bug / Incident | Gab es Fehler, Ausfälle oder verschlechterte Performance? | Anstieg der Fehlerrate, Zunahme von Support-Tickets |
| Traffic-Änderung | Hat sich Traffic-Volumen oder Quellen-Mix verändert? | Marketing-Kampagne, Presse-Erwähnung, SEO-Verschiebung |
| Segment-Verschiebung | Hat sich der Nutzer-Mix verändert? | Neue Kundenkohorte, geografische Expansion, Churn in einem bestimmten Segment |
| Saisonalität | Ist das ein bekanntes Saisonmuster? | Jahresvergleich stimmt überein |
| Externes Ereignis | Marktereignis, Wettbewerber-Aktion, regulatorische Änderung? | Zeitliche Korrelation mit einem externen Ereignis |
| Messänderung | Haben sich Tracking, Definitionen oder Tooling verändert? | Plötzlicher klarer Bruch in den Daten (nicht graduell) |
Kritischer Check: Prüfe immer, ob eine Messänderung die Anomalie erklärt, BEVOR du eine echte Produktänderung annimmst. Tracking-Bugs, Definitionsänderungen und Updates von Analyse-Tools sind häufige Quellen für Fehlalarme.
Schritt 5: Reaktion formulieren
Bestimme für jede bestätigte Anomalie mit diagnostizierter Ursache die Reaktion:
| Ursachen-Typ | Reaktionsmuster |
|---|---|
| Bug / Incident | Bug beheben. Auswirkungs-Zeitfenster quantifizieren. Monitoring ergänzen, um Wiederholung zu verhindern. |
| Produktänderung verursachte Regression | Schweregrad bewerten. Rollback oder Fast-Follow-Fix. Feature-Metriken aktualisieren. |
| Produktänderung wirkte wie beabsichtigt | Feiern. Das erfolgreiche Muster dokumentieren. Verstärkung erwägen. |
| Segment-Verschiebung | Bewerten, ob die Verschiebung erwünscht ist. Targeting oder Produktprioritäten anpassen. |
| Wettbewerb / extern | Auf den Brief-Competitor-Skill verweisen. Strategische Reaktion bewerten. |
| Saisonalität | Für künftige Planung notieren. Keine Produktreaktion nötig. |
| Messproblem | Tracking korrigieren. Historische Daten neu darstellen. Korrektur an Stakeholder kommunizieren. |
Ausgabeformat der Reaktion
METRIK-REVIEW-ZUSAMMENFASSUNG — [Periode]
HEADLINE: [Ein-Satz-Zusammenfassung des Reviews — der einzelne wichtigste Befund]
METRIKEN-ÜBERSICHT:
[Top-Down-Scan aus Schritt 2]
ERKANNTE ANOMALIEN: [Anzahl]
1. [Metrik]: [Änderung] — Ursache: [Erklärung] — Konfidenz: [H/M/N]
Empfohlene Maßnahme: [konkrete Maßnahme mit Verantwortlichem]
2. ...
POSITIVE TRENDS:
[Metriken, die sich in die richtige Richtung bewegen — Erfolge anerkennen]
ZU BEOBACHTEN:
[Metriken, die noch nicht anomal sind, aber Richtung Problem tendieren]
EMPFEHLUNGEN:
1. [Maßnahme] — Verantwortlich: [Name] — Priorität: [Hoch/Mittel/Niedrig] — Zeitrahmen: [wann]
2. ...
OFFENE FRAGEN:
[Anomalien ohne klare Ursache — zur weiteren Untersuchung zugewiesen]
Metrik-Setup für neue Features
Definiere beim Launch eines neuen Features die Metriken VOR dem Launch mit diesem Framework:
- Adoption-Metrik : Wie viel Prozent der berechtigten Nutzer probieren das Feature aus? (Misst Awareness und Erst-Nutzungs-Reibung)
- Activation-Metrik : Wie viel Prozent der Nutzer, die das Feature ausprobieren, schließen die Kernaktion ab? (Misst, ob das Feature sein Versprechen einlöst)
- Engagement-Metrik : Wie häufig oder wie tief nutzen aktivierte Nutzer das Feature? (Misst den fortlaufenden Mehrwert)
- Retention-Metrik : Kommen Nutzer, die das Feature adoptieren, wieder? In welcher Kadenz? (Misst nachhaltigen Mehrwert)
- Impact-Metrik : Korreliert die Feature-Nutzung mit einer Verbesserung der relevanten Input-Metrik? (Validiert die Produkthypothese)
FEATURE-METRIK-PLAN — [Feature-Name]
Adoption: [Metrik-Definition, Messquelle]
Activation: [Metrik-Definition, Messquelle]
Engagement: [Metrik-Definition, Messquelle]
Retention: [Metrik-Definition, Messquelle]
Impact: [Metrik-Definition, Messquelle]
Baseline: [in den ersten 2 Wochen nach Launch zu etablieren]
Review-Datum: [wann erstmals bewerten — typischerweise 2-4 Wochen nach Launch]
Leitplanken
- Erzeuge NIEMALS Metrikwerte, Benchmarks oder Branchendurchschnitte. Alle Zahlen müssen vom Nutzer, aus Analyse-Tools oder aus einer companyRAG-Sammlung stammen.
- Erfinde NIEMALS Ursachen. Ist die Ursache unbekannt, schreibe "Ursache nicht ermittelt — erfordert weitere Untersuchung" und weise eine Recherche-Aufgabe zu.
- Behaupte NIEMALS kausale Zusammenhänge ohne Belege. Korrelation ist eine Hypothese, bis sie durch ein Experiment oder einen klaren Mechanismus bestätigt ist. Prüfe immer, ob eine Mess-/Tracking-Änderung eine Anomalie erklärt, bevor du sie echtem Produktverhalten zuschreibst.
- Versieh jedes Element mit einer Quellenkennzeichnung:
[Aus Nutzer-/Analysedaten],[Metrik-Framework]oder[KI-Analyse — prüfen].
Tipp: Fordere über companyFILES eine XLSX-, DOCX- oder Markdown-Ausgabe an, um ein formatiertes, sofort teilbares Review-Dokument zu erhalten.
04 同仓库更多 Skills
sales-asset-skill
Produce tailored one-pagers, landing pages, case study drafts, and demo narratives personalised to a specific deal and buyer persona. Use when preparing collateral for a specific deal, building leave-behind materials, or customising standard assets for a prospect. Trigger with "create a one-pager for", "sales deck for [deal]", "customise this asset for".
pipeline-review-skill
Analyse deal health, surface stale or at-risk opportunities, and produce a prioritised weekly action plan. Use when preparing for a pipeline review meeting, assessing forecast accuracy, or identifying stuck deals. Trigger with "review my pipeline", "pipeline health check", "deal risk analysis".
outreach-skill
Research a prospect then draft personalised outreach with research-backed hooks, subject-line variants, and follow-up sequences. Use when cold-emailing a prospect, writing LinkedIn outreach, or building a multi-touch sequence. Trigger with "draft outreach to [person/company]", "write cold email to", "outreach sequence for".
forecast-skill
Build a weighted revenue forecast with risk flags, commit recommendations, and gap-to-quota analysis. Use when preparing for a forecast call, evaluating end-of-quarter projections, or assessing pipeline coverage. Trigger with "build forecast", "forecast for this quarter", "where do I stand against quota".
deal-strategy-skill
Map stakeholder power dynamics, surface deal risks, and recommend a step-by-step engagement strategy. Use when entering a complex deal, preparing for an executive sponsor meeting, or diagnosing a stuck opportunity. Trigger with "plan deal strategy for", "stakeholder map", "how do I advance this deal".
call-summary-skill
Extract action items, key topics, and objections from call notes or transcripts and draft a customer-facing follow-up email. Use after a sales call, demo, or discovery session. Trigger with "summarise this call", "call notes from", "write follow-up for this meeting".