[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"skill:01M7AEP05D4WHQZAS8G76QJY0H":3,"skill-same:01M7AEP05D4WHQZAS8G76QJY0H":46},{"skillNo":4,"name":5,"nameZh":6,"description":7,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":16,"categories":17,"keywords":18,"publishedAt":19,"linkOnly":20,"markdownContent":21,"markdownBody":22,"frontMatter":23,"refName":24,"commitSha":25,"skillDirectory":26,"forksCount":14,"repositoryHtmlUrl":27,"repositoryHomepageUrl":6,"ownerHtmlUrl":28,"ownerBlogUrl":29,"ownerDescription":30,"updatedAt":31,"install":32,"resources":45},"01M7AEP05D4WHQZAS8G76QJY0H","metrics-review-skill",null,"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\".","innFactory-AI\u002Fcompany-ai-stack-skills","innFactory-AI","https:\u002F\u002Favatars.githubusercontent.com\u002Fu\u002F165681221?v=4","01M7AEC27VD0D1QX2XBX441MDW","innFactory AI","01M7AEC28G25HQ9H9SN58MNV27",0,"MIT","https:\u002F\u002Fgithub.com\u002FinnFactory-AI\u002Fcompany-ai-stack-skills\u002Fblob\u002Fmain\u002Fde\u002Fskills\u002Fproduct-management\u002Fmetrics-review-skill\u002FSKILL.md",[],[],"2026-11-15 14:19:17",false,"---\nname: metrics-review-skill\ndescription: 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\".\n---\n\n# Metriken-Review-Skill\n\nPrüfe 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.\n\n## Woher die Daten kommen\n\n| Quelle | Was sie beiträgt |\n| --- | --- |\n| **Analyse-Tools über MCP** (z. B. Amplitude, Mixpanel, GA4) | Aktuelle und historische Metrikwerte, Funnel-Daten, Segment-Aufschlüsselungen, Event-Streams |\n| **companyRAG-Sammlungen** | Metrik-Definitionen, frühere Review-Dokumente, Launch- und Incident-Notizen, KPI-Zielwerte |\n| **Datei-Upload (CSV-\u002FXLSX-Exporte)** | Dashboard-Exporte, Kohorten-Tabellen, Roh-Auswertungen aus deinem Analyse-Stack |\n\n> **Keine angebundene Quelle?** Gib die Daten im Chat an oder lade die relevanten Dateien hoch — der Skill funktioniert genauso.\n\n## Metrik-Hierarchie-Framework\n\nProduktmetriken existieren in einer Hierarchie. Sie zu verstehen verhindert, dass du auf Symptome reagierst und dabei die eigentlichen Ursachen übersiehst.\n\n### Hierarchie-Struktur\n\n```\nNORTH STAR METRIC\n  Die eine Metrik, die den Kernwert deines Produkts für die Nutzer am besten erfasst.\n  Verändert sich langsam. Spiegelt die kumulierte Produktgesundheit wider.\n  │\n  ├── INPUT-METRIKEN (3-5)\n  │     Beeinflussen die North Star direkt. Vom Produktteam beeinflussbar.\n  │     Verändern sich wöchentlich\u002Fmonatlich. Jede entspricht einem Produkt-Hebel.\n  │     │\n  │     ├── FEATURE-METRIKEN\n  │     │     Messen Adoption, Nutzungstiefe und Zufriedenheit eines konkreten Features.\n  │     │     Verändern sich täglich\u002Fwöchentlich.\n  │     │\n  │     └── FUNNEL-METRIKEN\n  │           Messen die Conversion zwischen wichtigen Produktstufen.\n  │           Verändern sich täglich\u002Fwöchentlich.\n  │\n  └── HEALTH-METRIKEN (2-4)\n        Dürfen NICHT verfallen, während Input-Metriken optimiert werden.\n        Performance, Zuverlässigkeit, Support-Last, Nutzer-Sentiment.\n```\n\n### Vorgehen zum Aufbau der Hierarchie\n\n1. 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.\n2. Input-Metriken zuordnen : Welche Nutzerverhalten treiben die North Star direkt? Jede Input-Metrik sollte umsetzbar sein — das Produktteam kann Interventionen entwerfen, die sie bewegen.\n3. 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?).\n4. Health-Metriken definieren : Was darf NICHT kaputtgehen? Ladezeit, Fehlerraten, Support-Ticket-Volumen, NPS\u002FCSAT. Das sind Leitplanken, keine Ziele.\n\n### Validierung der Hierarchie\n\nEine gut konstruierte Hierarchie erfüllt diese Checks:\n\n| Check | Bestanden | Nicht bestanden |\n| --- | --- | --- |\n| **Kausaler Zusammenhang** | Eine Input-Metrik zu bewegen bewegt plausibel die North Star | Input-Metrik korreliert, ist aber nicht kausal |\n| **Umsetzbar** | Das Produktteam kann Features\u002FÄnderungen entwerfen, die die Input-Metrik bewegen | Metrik wird primär von externen Faktoren beeinflusst |\n| **Redundanzfrei** | Jede Input-Metrik erfasst einen eigenen Produkt-Hebel | Zwei Input-Metriken messen dasselbe zugrunde liegende Verhalten |\n| **Vollständig** | Zusammen decken die Input-Metriken die wichtigsten Pfade zur North Star ab | Wichtige Treiber sind nicht repräsentiert |\n| **Messbar** | Die Metrik lässt sich mit der aktuellen Infrastruktur zuverlässig tracken | Datenquelle nicht verfügbar, unzuverlässig oder unverhältnismäßig teuer |\n\n## Metriken-Review-Workflow\n\n### Schritt 1: Review-Kontext festlegen\n\nBevor du Zahlen betrachtest, kläre:\n\n- Review-Typ : Routine-Kadenz (wöchentlich\u002Fmonatlich), Ad-hoc-Untersuchung oder Review eines neuen Feature-Launches?\n- Zeitfenster : Welcher Zeitraum wird betrachtet? Vergleichszeitraum einbeziehen (Vorperiode, Jahresvergleich oder Baseline).\n- Scope : Gesamtes Produkt, ein bestimmtes Feature, ein bestimmtes Segment oder eine bestimmte Metrik?\n- Bekannter Kontext : Gab es im Zeitraum Launches, Incidents, Marketing-Kampagnen, Saisonalität oder externe Ereignisse?\n\n### Schritt 2: Top-Down-Metrik-Scan\n\nBeginne bei der North Star und arbeite dich die Hierarchie hinunter:\n\n```\nMETRIK-SCAN — [Periode]\n\nNorth Star: [Metrik-Name]\n  Aktuell:   [Wert aus Nutzerdaten]\n  Vorher:    [Vergleichswert]\n  Änderung:  [absolut und prozentual]\n  Trend:     [Richtung über die letzten 3+ Perioden]\n  Status:    Auf Kurs \u002F Unter Ziel \u002F Über Ziel \u002F Kein Ziel gesetzt\n\nInput-Metriken:\n  [Metrik 1]: [aktuell] vs [vorher] → [Änderung] — [Status]\n  [Metrik 2]: [aktuell] vs [vorher] → [Änderung] — [Status]\n  ...\n\nHealth-Metriken:\n  [Metrik 1]: [aktuell] vs [vorher] → [Änderung] — [Status]\n  ...\n```\n\n**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.\n\n### Schritt 3: Anomalieerkennung\n\nEine 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.\n\n**Erkennungskriterien**:\n\n| Anomalie-Typ | Wie erkennen | Bedeutung |\n| --- | --- | --- |\n| **Plötzlicher Sprung** | Wert springt\u002Ffällt um mehr als 2 Standardabweichungen vom gleitenden Mittel | Wahrscheinlich durch ein diskretes Ereignis verursacht — suche danach |\n| **Trendbruch** | Richtungsumkehr, die nach einem konsistenten Trend 2+ Perioden anhält | Kann auf eine strukturelle Veränderung hindeuten — Ursache untersuchen |\n| **Divergenz** | Input-Metrik bewegt sich, North Star aber nicht (oder umgekehrt) | Deutet darauf hin, dass der Hierarchie-Link schwächer ist als angenommen — Kausalmodell prüfen |\n| **Segment-Anomalie** | Gesamtmetrik ist stabil, aber ein bestimmtes Segment zeigt deutliche Veränderung | Verstecktes Problem oder verstecktes Potenzial — in Segmentdaten eintauchen |\n| **Saisonale Abweichung** | Metrik weicht von ihrem historischen Saisonmuster ab | Entweder eine echte Veränderung oder ein Kalender-Artefakt — Jahresvergleich heranziehen |\n\n**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 (\u003C 8 Perioden), weise darauf hin, dass die Anomalieerkennung unzuverlässig ist, und urteile nach Richtung.\n\n### Schritt 4: Ursachenanalyse\n\nWende für jede markierte Anomalie das Diagnose-Framework an:\n\n#### 5-Why-Zerlegung\n\nBeginne mit der beobachteten Anomalie und frage iterativ \"warum\", indem du die Metrik-Hierarchie hinabgehst:\n\n```\nANOMALIE: [Metrik] hat sich in [Periode] um [Betrag] verändert\n\nWarum 1: [Erklärung erster Ebene — welche Input-Metrik hat sich bewegt?]\nWarum 2: [Was hat diese Veränderung der Input-Metrik ausgelöst?]\nWarum 3: [Welches Nutzerverhalten oder welche Systemänderung hat das verursacht?]\nWarum 4: [Was hat dieses Verhalten oder diese Systemänderung ausgelöst?]\nWarum 5: [Ursache — das umsetzbare Ereignis, das passiert ist]\n\nKonfidenz: [Hoch \u002F Mittel \u002F Niedrig]\nBelege:    [Welche Daten stützen diese Ursache?]\n```\n\n**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.\n\n#### Checkliste der Ursachenkategorien\n\nPrüfe bei der Diagnose systematisch diese Kategorien:\n\n| Kategorie | Check | Häufige Signale |\n| --- | --- | --- |\n| **Produktänderung** | Wurde in dieser Periode etwas ausgeliefert? | Zeitliche Korrelation mit einem Deployment |\n| **Bug \u002F Incident** | Gab es Fehler, Ausfälle oder verschlechterte Performance? | Anstieg der Fehlerrate, Zunahme von Support-Tickets |\n| **Traffic-Änderung** | Hat sich Traffic-Volumen oder Quellen-Mix verändert? | Marketing-Kampagne, Presse-Erwähnung, SEO-Verschiebung |\n| **Segment-Verschiebung** | Hat sich der Nutzer-Mix verändert? | Neue Kundenkohorte, geografische Expansion, Churn in einem bestimmten Segment |\n| **Saisonalität** | Ist das ein bekanntes Saisonmuster? | Jahresvergleich stimmt überein |\n| **Externes Ereignis** | Marktereignis, Wettbewerber-Aktion, regulatorische Änderung? | Zeitliche Korrelation mit einem externen Ereignis |\n| **Messänderung** | Haben sich Tracking, Definitionen oder Tooling verändert? | Plötzlicher klarer Bruch in den Daten (nicht graduell) |\n\n**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.\n\n### Schritt 5: Reaktion formulieren\n\nBestimme für jede bestätigte Anomalie mit diagnostizierter Ursache die Reaktion:\n\n| Ursachen-Typ | Reaktionsmuster |\n| --- | --- |\n| **Bug \u002F Incident** | Bug beheben. Auswirkungs-Zeitfenster quantifizieren. Monitoring ergänzen, um Wiederholung zu verhindern. |\n| **Produktänderung verursachte Regression** | Schweregrad bewerten. Rollback oder Fast-Follow-Fix. Feature-Metriken aktualisieren. |\n| **Produktänderung wirkte wie beabsichtigt** | Feiern. Das erfolgreiche Muster dokumentieren. Verstärkung erwägen. |\n| **Segment-Verschiebung** | Bewerten, ob die Verschiebung erwünscht ist. Targeting oder Produktprioritäten anpassen. |\n| **Wettbewerb \u002F extern** | Auf den Brief-Competitor-Skill verweisen. Strategische Reaktion bewerten. |\n| **Saisonalität** | Für künftige Planung notieren. Keine Produktreaktion nötig. |\n| **Messproblem** | Tracking korrigieren. Historische Daten neu darstellen. Korrektur an Stakeholder kommunizieren. |\n\n### Ausgabeformat der Reaktion\n\n```\nMETRIK-REVIEW-ZUSAMMENFASSUNG — [Periode]\n\nHEADLINE: [Ein-Satz-Zusammenfassung des Reviews — der einzelne wichtigste Befund]\n\nMETRIKEN-ÜBERSICHT:\n  [Top-Down-Scan aus Schritt 2]\n\nERKANNTE ANOMALIEN: [Anzahl]\n  1. [Metrik]: [Änderung] — Ursache: [Erklärung] — Konfidenz: [H\u002FM\u002FN]\n     Empfohlene Maßnahme: [konkrete Maßnahme mit Verantwortlichem]\n  2. ...\n\nPOSITIVE TRENDS:\n  [Metriken, die sich in die richtige Richtung bewegen — Erfolge anerkennen]\n\nZU BEOBACHTEN:\n  [Metriken, die noch nicht anomal sind, aber Richtung Problem tendieren]\n\nEMPFEHLUNGEN:\n  1. [Maßnahme] — Verantwortlich: [Name] — Priorität: [Hoch\u002FMittel\u002FNiedrig] — Zeitrahmen: [wann]\n  2. ...\n\nOFFENE FRAGEN:\n  [Anomalien ohne klare Ursache — zur weiteren Untersuchung zugewiesen]\n```\n\n## Metrik-Setup für neue Features\n\nDefiniere beim Launch eines neuen Features die Metriken VOR dem Launch mit diesem Framework:\n\n1. Adoption-Metrik : Wie viel Prozent der berechtigten Nutzer probieren das Feature aus? (Misst Awareness und Erst-Nutzungs-Reibung)\n2. Activation-Metrik : Wie viel Prozent der Nutzer, die das Feature ausprobieren, schließen die Kernaktion ab? (Misst, ob das Feature sein Versprechen einlöst)\n3. Engagement-Metrik : Wie häufig oder wie tief nutzen aktivierte Nutzer das Feature? (Misst den fortlaufenden Mehrwert)\n4. Retention-Metrik : Kommen Nutzer, die das Feature adoptieren, wieder? In welcher Kadenz? (Misst nachhaltigen Mehrwert)\n5. Impact-Metrik : Korreliert die Feature-Nutzung mit einer Verbesserung der relevanten Input-Metrik? (Validiert die Produkthypothese)\n\n```\nFEATURE-METRIK-PLAN — [Feature-Name]\n  Adoption:    [Metrik-Definition, Messquelle]\n  Activation:  [Metrik-Definition, Messquelle]\n  Engagement:  [Metrik-Definition, Messquelle]\n  Retention:   [Metrik-Definition, Messquelle]\n  Impact:      [Metrik-Definition, Messquelle]\n  Baseline:    [in den ersten 2 Wochen nach Launch zu etablieren]\n  Review-Datum: [wann erstmals bewerten — typischerweise 2-4 Wochen nach Launch]\n```\n\n## Leitplanken\n\n- Erzeuge NIEMALS Metrikwerte, Benchmarks oder Branchendurchschnitte. Alle Zahlen müssen vom Nutzer, aus Analyse-Tools oder aus einer companyRAG-Sammlung stammen.\n- Erfinde NIEMALS Ursachen. Ist die Ursache unbekannt, schreibe \"Ursache nicht ermittelt — erfordert weitere Untersuchung\" und weise eine Recherche-Aufgabe zu.\n- 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-\u002FTracking-Änderung eine Anomalie erklärt, bevor du sie echtem Produktverhalten zuschreibst.\n- Versieh jedes Element mit einer Quellenkennzeichnung: `[Aus Nutzer-\u002FAnalysedaten]`, `[Metrik-Framework]` oder `[KI-Analyse — prüfen]`.\n\n> **Tipp:** Fordere über companyFILES eine XLSX-, DOCX- oder Markdown-Ausgabe an, um ein formatiertes, sofort teilbares Review-Dokument zu erhalten.\n","# Metriken-Review-Skill\n\nPrüfe 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.\n\n## Woher die Daten kommen\n\n| Quelle | Was sie beiträgt |\n| --- | --- |\n| **Analyse-Tools über MCP** (z. B. Amplitude, Mixpanel, GA4) | Aktuelle und historische Metrikwerte, Funnel-Daten, Segment-Aufschlüsselungen, Event-Streams |\n| **companyRAG-Sammlungen** | Metrik-Definitionen, frühere Review-Dokumente, Launch- und Incident-Notizen, KPI-Zielwerte |\n| **Datei-Upload (CSV-\u002FXLSX-Exporte)** | Dashboard-Exporte, Kohorten-Tabellen, Roh-Auswertungen aus deinem Analyse-Stack |\n\n> **Keine angebundene Quelle?** Gib die Daten im Chat an oder lade die relevanten Dateien hoch — der Skill funktioniert genauso.\n\n## Metrik-Hierarchie-Framework\n\nProduktmetriken existieren in einer Hierarchie. Sie zu verstehen verhindert, dass du auf Symptome reagierst und dabei die eigentlichen Ursachen übersiehst.\n\n### Hierarchie-Struktur\n\n```\nNORTH STAR METRIC\n  Die eine Metrik, die den Kernwert deines Produkts für die Nutzer am besten erfasst.\n  Verändert sich langsam. Spiegelt die kumulierte Produktgesundheit wider.\n  │\n  ├── INPUT-METRIKEN (3-5)\n  │     Beeinflussen die North Star direkt. Vom Produktteam beeinflussbar.\n  │     Verändern sich wöchentlich\u002Fmonatlich. Jede entspricht einem Produkt-Hebel.\n  │     │\n  │     ├── FEATURE-METRIKEN\n  │     │     Messen Adoption, Nutzungstiefe und Zufriedenheit eines konkreten Features.\n  │     │     Verändern sich täglich\u002Fwöchentlich.\n  │     │\n  │     └── FUNNEL-METRIKEN\n  │           Messen die Conversion zwischen wichtigen Produktstufen.\n  │           Verändern sich täglich\u002Fwöchentlich.\n  │\n  └── HEALTH-METRIKEN (2-4)\n        Dürfen NICHT verfallen, während Input-Metriken optimiert werden.\n        Performance, Zuverlässigkeit, Support-Last, Nutzer-Sentiment.\n```\n\n### Vorgehen zum Aufbau der Hierarchie\n\n1. 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.\n2. Input-Metriken zuordnen : Welche Nutzerverhalten treiben die North Star direkt? Jede Input-Metrik sollte umsetzbar sein — das Produktteam kann Interventionen entwerfen, die sie bewegen.\n3. 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?).\n4. Health-Metriken definieren : Was darf NICHT kaputtgehen? Ladezeit, Fehlerraten, Support-Ticket-Volumen, NPS\u002FCSAT. Das sind Leitplanken, keine Ziele.\n\n### Validierung der Hierarchie\n\nEine gut konstruierte Hierarchie erfüllt diese Checks:\n\n| Check | Bestanden | Nicht bestanden |\n| --- | --- | --- |\n| **Kausaler Zusammenhang** | Eine Input-Metrik zu bewegen bewegt plausibel die North Star | Input-Metrik korreliert, ist aber nicht kausal |\n| **Umsetzbar** | Das Produktteam kann Features\u002FÄnderungen entwerfen, die die Input-Metrik bewegen | Metrik wird primär von externen Faktoren beeinflusst |\n| **Redundanzfrei** | Jede Input-Metrik erfasst einen eigenen Produkt-Hebel | Zwei Input-Metriken messen dasselbe zugrunde liegende Verhalten |\n| **Vollständig** | Zusammen decken die Input-Metriken die wichtigsten Pfade zur North Star ab | Wichtige Treiber sind nicht repräsentiert |\n| **Messbar** | Die Metrik lässt sich mit der aktuellen Infrastruktur zuverlässig tracken | Datenquelle nicht verfügbar, unzuverlässig oder unverhältnismäßig teuer |\n\n## Metriken-Review-Workflow\n\n### Schritt 1: Review-Kontext festlegen\n\nBevor du Zahlen betrachtest, kläre:\n\n- Review-Typ : Routine-Kadenz (wöchentlich\u002Fmonatlich), Ad-hoc-Untersuchung oder Review eines neuen Feature-Launches?\n- Zeitfenster : Welcher Zeitraum wird betrachtet? Vergleichszeitraum einbeziehen (Vorperiode, Jahresvergleich oder Baseline).\n- Scope : Gesamtes Produkt, ein bestimmtes Feature, ein bestimmtes Segment oder eine bestimmte Metrik?\n- Bekannter Kontext : Gab es im Zeitraum Launches, Incidents, Marketing-Kampagnen, Saisonalität oder externe Ereignisse?\n\n### Schritt 2: Top-Down-Metrik-Scan\n\nBeginne bei der North Star und arbeite dich die Hierarchie hinunter:\n\n```\nMETRIK-SCAN — [Periode]\n\nNorth Star: [Metrik-Name]\n  Aktuell:   [Wert aus Nutzerdaten]\n  Vorher:    [Vergleichswert]\n  Änderung:  [absolut und prozentual]\n  Trend:     [Richtung über die letzten 3+ Perioden]\n  Status:    Auf Kurs \u002F Unter Ziel \u002F Über Ziel \u002F Kein Ziel gesetzt\n\nInput-Metriken:\n  [Metrik 1]: [aktuell] vs [vorher] → [Änderung] — [Status]\n  [Metrik 2]: [aktuell] vs [vorher] → [Änderung] — [Status]\n  ...\n\nHealth-Metriken:\n  [Metrik 1]: [aktuell] vs [vorher] → [Änderung] — [Status]\n  ...\n```\n\n**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.\n\n### Schritt 3: Anomalieerkennung\n\nEine 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.\n\n**Erkennungskriterien**:\n\n| Anomalie-Typ | Wie erkennen | Bedeutung |\n| --- | --- | --- |\n| **Plötzlicher Sprung** | Wert springt\u002Ffällt um mehr als 2 Standardabweichungen vom gleitenden Mittel | Wahrscheinlich durch ein diskretes Ereignis verursacht — suche danach |\n| **Trendbruch** | Richtungsumkehr, die nach einem konsistenten Trend 2+ Perioden anhält | Kann auf eine strukturelle Veränderung hindeuten — Ursache untersuchen |\n| **Divergenz** | Input-Metrik bewegt sich, North Star aber nicht (oder umgekehrt) | Deutet darauf hin, dass der Hierarchie-Link schwächer ist als angenommen — Kausalmodell prüfen |\n| **Segment-Anomalie** | Gesamtmetrik ist stabil, aber ein bestimmtes Segment zeigt deutliche Veränderung | Verstecktes Problem oder verstecktes Potenzial — in Segmentdaten eintauchen |\n| **Saisonale Abweichung** | Metrik weicht von ihrem historischen Saisonmuster ab | Entweder eine echte Veränderung oder ein Kalender-Artefakt — Jahresvergleich heranziehen |\n\n**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 (\u003C 8 Perioden), weise darauf hin, dass die Anomalieerkennung unzuverlässig ist, und urteile nach Richtung.\n\n### Schritt 4: Ursachenanalyse\n\nWende für jede markierte Anomalie das Diagnose-Framework an:\n\n#### 5-Why-Zerlegung\n\nBeginne mit der beobachteten Anomalie und frage iterativ \"warum\", indem du die Metrik-Hierarchie hinabgehst:\n\n```\nANOMALIE: [Metrik] hat sich in [Periode] um [Betrag] verändert\n\nWarum 1: [Erklärung erster Ebene — welche Input-Metrik hat sich bewegt?]\nWarum 2: [Was hat diese Veränderung der Input-Metrik ausgelöst?]\nWarum 3: [Welches Nutzerverhalten oder welche Systemänderung hat das verursacht?]\nWarum 4: [Was hat dieses Verhalten oder diese Systemänderung ausgelöst?]\nWarum 5: [Ursache — das umsetzbare Ereignis, das passiert ist]\n\nKonfidenz: [Hoch \u002F Mittel \u002F Niedrig]\nBelege:    [Welche Daten stützen diese Ursache?]\n```\n\n**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.\n\n#### Checkliste der Ursachenkategorien\n\nPrüfe bei der Diagnose systematisch diese Kategorien:\n\n| Kategorie | Check | Häufige Signale |\n| --- | --- | --- |\n| **Produktänderung** | Wurde in dieser Periode etwas ausgeliefert? | Zeitliche Korrelation mit einem Deployment |\n| **Bug \u002F Incident** | Gab es Fehler, Ausfälle oder verschlechterte Performance? | Anstieg der Fehlerrate, Zunahme von Support-Tickets |\n| **Traffic-Änderung** | Hat sich Traffic-Volumen oder Quellen-Mix verändert? | Marketing-Kampagne, Presse-Erwähnung, SEO-Verschiebung |\n| **Segment-Verschiebung** | Hat sich der Nutzer-Mix verändert? | Neue Kundenkohorte, geografische Expansion, Churn in einem bestimmten Segment |\n| **Saisonalität** | Ist das ein bekanntes Saisonmuster? | Jahresvergleich stimmt überein |\n| **Externes Ereignis** | Marktereignis, Wettbewerber-Aktion, regulatorische Änderung? | Zeitliche Korrelation mit einem externen Ereignis |\n| **Messänderung** | Haben sich Tracking, Definitionen oder Tooling verändert? | Plötzlicher klarer Bruch in den Daten (nicht graduell) |\n\n**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.\n\n### Schritt 5: Reaktion formulieren\n\nBestimme für jede bestätigte Anomalie mit diagnostizierter Ursache die Reaktion:\n\n| Ursachen-Typ | Reaktionsmuster |\n| --- | --- |\n| **Bug \u002F Incident** | Bug beheben. Auswirkungs-Zeitfenster quantifizieren. Monitoring ergänzen, um Wiederholung zu verhindern. |\n| **Produktänderung verursachte Regression** | Schweregrad bewerten. Rollback oder Fast-Follow-Fix. Feature-Metriken aktualisieren. |\n| **Produktänderung wirkte wie beabsichtigt** | Feiern. Das erfolgreiche Muster dokumentieren. Verstärkung erwägen. |\n| **Segment-Verschiebung** | Bewerten, ob die Verschiebung erwünscht ist. Targeting oder Produktprioritäten anpassen. |\n| **Wettbewerb \u002F extern** | Auf den Brief-Competitor-Skill verweisen. Strategische Reaktion bewerten. |\n| **Saisonalität** | Für künftige Planung notieren. Keine Produktreaktion nötig. |\n| **Messproblem** | Tracking korrigieren. Historische Daten neu darstellen. Korrektur an Stakeholder kommunizieren. |\n\n### Ausgabeformat der Reaktion\n\n```\nMETRIK-REVIEW-ZUSAMMENFASSUNG — [Periode]\n\nHEADLINE: [Ein-Satz-Zusammenfassung des Reviews — der einzelne wichtigste Befund]\n\nMETRIKEN-ÜBERSICHT:\n  [Top-Down-Scan aus Schritt 2]\n\nERKANNTE ANOMALIEN: [Anzahl]\n  1. [Metrik]: [Änderung] — Ursache: [Erklärung] — Konfidenz: [H\u002FM\u002FN]\n     Empfohlene Maßnahme: [konkrete Maßnahme mit Verantwortlichem]\n  2. ...\n\nPOSITIVE TRENDS:\n  [Metriken, die sich in die richtige Richtung bewegen — Erfolge anerkennen]\n\nZU BEOBACHTEN:\n  [Metriken, die noch nicht anomal sind, aber Richtung Problem tendieren]\n\nEMPFEHLUNGEN:\n  1. [Maßnahme] — Verantwortlich: [Name] — Priorität: [Hoch\u002FMittel\u002FNiedrig] — Zeitrahmen: [wann]\n  2. ...\n\nOFFENE FRAGEN:\n  [Anomalien ohne klare Ursache — zur weiteren Untersuchung zugewiesen]\n```\n\n## Metrik-Setup für neue Features\n\nDefiniere beim Launch eines neuen Features die Metriken VOR dem Launch mit diesem Framework:\n\n1. Adoption-Metrik : Wie viel Prozent der berechtigten Nutzer probieren das Feature aus? (Misst Awareness und Erst-Nutzungs-Reibung)\n2. Activation-Metrik : Wie viel Prozent der Nutzer, die das Feature ausprobieren, schließen die Kernaktion ab? (Misst, ob das Feature sein Versprechen einlöst)\n3. Engagement-Metrik : Wie häufig oder wie tief nutzen aktivierte Nutzer das Feature? (Misst den fortlaufenden Mehrwert)\n4. Retention-Metrik : Kommen Nutzer, die das Feature adoptieren, wieder? In welcher Kadenz? (Misst nachhaltigen Mehrwert)\n5. Impact-Metrik : Korreliert die Feature-Nutzung mit einer Verbesserung der relevanten Input-Metrik? (Validiert die Produkthypothese)\n\n```\nFEATURE-METRIK-PLAN — [Feature-Name]\n  Adoption:    [Metrik-Definition, Messquelle]\n  Activation:  [Metrik-Definition, Messquelle]\n  Engagement:  [Metrik-Definition, Messquelle]\n  Retention:   [Metrik-Definition, Messquelle]\n  Impact:      [Metrik-Definition, Messquelle]\n  Baseline:    [in den ersten 2 Wochen nach Launch zu etablieren]\n  Review-Datum: [wann erstmals bewerten — typischerweise 2-4 Wochen nach Launch]\n```\n\n## Leitplanken\n\n- Erzeuge NIEMALS Metrikwerte, Benchmarks oder Branchendurchschnitte. Alle Zahlen müssen vom Nutzer, aus Analyse-Tools oder aus einer companyRAG-Sammlung stammen.\n- Erfinde NIEMALS Ursachen. Ist die Ursache unbekannt, schreibe \"Ursache nicht ermittelt — erfordert weitere Untersuchung\" und weise eine Recherche-Aufgabe zu.\n- 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-\u002FTracking-Änderung eine Anomalie erklärt, bevor du sie echtem Produktverhalten zuschreibst.\n- Versieh jedes Element mit einer Quellenkennzeichnung: `[Aus Nutzer-\u002FAnalysedaten]`, `[Metrik-Framework]` oder `[KI-Analyse — prüfen]`.\n\n> **Tipp:** Fordere über companyFILES eine XLSX-, DOCX- oder Markdown-Ausgabe an, um ein formatiertes, sofort teilbares Review-Dokument zu erhalten.\n",{"name":5,"description":7},"main","39e0752000720de2d20917bd46c1c5149c4a0221","de\u002Fskills\u002Fproduct-management\u002Fmetrics-review-skill","https:\u002F\u002Fgithub.com\u002FinnFactory-AI\u002Fcompany-ai-stack-skills","https:\u002F\u002Fgithub.com\u002FinnFactory-AI","https:\u002F\u002Finnfactory.ai","Engineering AI. Enabling Tomorrow.","2026-11-13 19:54:47",{"source":8,"skillName":5,"commands":33,"prompt":43,"zipAvailable":44},[34,37,40],{"tool":35,"command":36},"npx","npx skills add innFactory-AI\u002Fcompany-ai-stack-skills --skill metrics-review-skill",{"tool":38,"command":39},"bunx","bunx skills add innFactory-AI\u002Fcompany-ai-stack-skills --skill metrics-review-skill",{"tool":41,"command":42},"pnpm","pnpm dlx skills add innFactory-AI\u002Fcompany-ai-stack-skills --skill metrics-review-skill","安装技能，技能地址：https:\u002F\u002Fgithub.com\u002FinnFactory-AI\u002Fcompany-ai-stack-skills\u002Fblob\u002Fmain\u002Fde\u002Fskills\u002Fproduct-management\u002Fmetrics-review-skill\u002FSKILL.md",true,[],[47,54,61,68,75,82],{"skillNo":48,"name":49,"nameZh":6,"description":50,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":51,"categories":52,"keywords":53,"publishedAt":19},"01M7AF4HHK5B987T44HW7BZFVZ","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\".","https:\u002F\u002Fgithub.com\u002FinnFactory-AI\u002Fcompany-ai-stack-skills\u002Fblob\u002Fmain\u002Fen\u002Fskills\u002Fsales\u002Fsales-asset-skill\u002FSKILL.md",[],[],{"skillNo":55,"name":56,"nameZh":6,"description":57,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":58,"categories":59,"keywords":60,"publishedAt":19},"01M7AF4D32V0FJE0QGCBZSQ7BW","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\".","https:\u002F\u002Fgithub.com\u002FinnFactory-AI\u002Fcompany-ai-stack-skills\u002Fblob\u002Fmain\u002Fen\u002Fskills\u002Fsales\u002Fpipeline-review-skill\u002FSKILL.md",[],[],{"skillNo":62,"name":63,"nameZh":6,"description":64,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":65,"categories":66,"keywords":67,"publishedAt":19},"01M7AF48W7G8DMAHRAM125B192","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\u002Fcompany]\", \"write cold email to\", \"outreach sequence for\".","https:\u002F\u002Fgithub.com\u002FinnFactory-AI\u002Fcompany-ai-stack-skills\u002Fblob\u002Fmain\u002Fen\u002Fskills\u002Fsales\u002Foutreach-skill\u002FSKILL.md",[],[],{"skillNo":69,"name":70,"nameZh":6,"description":71,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":72,"categories":73,"keywords":74,"publishedAt":19},"01M7AF43VKNPQ7G1NTQ4MRH40J","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\".","https:\u002F\u002Fgithub.com\u002FinnFactory-AI\u002Fcompany-ai-stack-skills\u002Fblob\u002Fmain\u002Fen\u002Fskills\u002Fsales\u002Fforecast-skill\u002FSKILL.md",[],[],{"skillNo":76,"name":77,"nameZh":6,"description":78,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":79,"categories":80,"keywords":81,"publishedAt":19},"01M7AF3Z5N61VYSEJRYWXR4JP1","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\".","https:\u002F\u002Fgithub.com\u002FinnFactory-AI\u002Fcompany-ai-stack-skills\u002Fblob\u002Fmain\u002Fen\u002Fskills\u002Fsales\u002Fdeal-strategy-skill\u002FSKILL.md",[],[],{"skillNo":83,"name":84,"nameZh":6,"description":85,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":86,"categories":87,"keywords":88,"publishedAt":19},"01M7AF3VGG29AX0T2X9WQ5MWDN","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\".","https:\u002F\u002Fgithub.com\u002FinnFactory-AI\u002Fcompany-ai-stack-skills\u002Fblob\u002Fmain\u002Fen\u002Fskills\u002Fsales\u002Fcall-summary-skill\u002FSKILL.md",[],[]]