AGENT SKILL

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

  1. 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.
  2. Input-Metriken zuordnen : Welche Nutzerverhalten treiben die North Star direkt? Jede Input-Metrik sollte umsetzbar sein — das Produktteam kann Interventionen entwerfen, die sie bewegen.
  3. 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?).
  4. 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:

  1. Adoption-Metrik : Wie viel Prozent der berechtigten Nutzer probieren das Feature aus? (Misst Awareness und Erst-Nutzungs-Reibung)
  2. Activation-Metrik : Wie viel Prozent der Nutzer, die das Feature ausprobieren, schließen die Kernaktion ab? (Misst, ob das Feature sein Versprechen einlöst)
  3. Engagement-Metrik : Wie häufig oder wie tief nutzen aktivierte Nutzer das Feature? (Misst den fortlaufenden Mehrwert)
  4. Retention-Metrik : Kommen Nutzer, die das Feature adoptieren, wieder? In welcher Kadenz? (Misst nachhaltigen Mehrwert)
  5. 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

innFactory-AI
innFactory-AI/company-ai-stack-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".

★ 0
innFactory-AI
innFactory-AI/company-ai-stack-skills

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".

★ 0
innFactory-AI
innFactory-AI/company-ai-stack-skills

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".

★ 0
innFactory-AI
innFactory-AI/company-ai-stack-skills

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".

★ 0
innFactory-AI
innFactory-AI/company-ai-stack-skills

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".

★ 0
innFactory-AI
innFactory-AI/company-ai-stack-skills

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".

★ 0