PM Skills 数据分析插件 pm-data-analytics 完全指南SQL 生成、留存队列分析与 A/B 测试决策【免费下载链接】pm-skillsPM Skills Marketplace: 100 agentic skills, commands, and plugins — from discovery to strategy, execution, launch, and growth.项目地址: https://gitcode.com/GitHub_Trending/pm/pm-skills本文以 pm-data-analytics/README.md 为核心骨架深入剖析 PM Skills Marketplace 中数据分析插件的 3 个 Skills 与 3 个 Commands 的完整工作流、内部实现与实战用法。读完你将掌握如何用自然语言生成多方言 SQLwrite-query 命令、如何从零搭建留存队列分析并输出标准报告analyze-cohorts 命令以及如何用统计严谨性把 A/B 测试结果翻译成 SHIP / EXTEND / STOP 的明确决策analyze-test 命令。一、插件定位与整体架构1.1 它在 PM Skills Marketplace 中的位置PM Skills Marketplace 是一个面向产品经理的 Agentic Skills 集合按领域划分为 9 个插件plugin每个插件由Skills领域知识/框架自动按需加载、Commands用户触发的斜杠命令工作流和.claude-plugin/plugin.json插件清单三部分组成。pm-data-analytics就是其中负责用数据辅助产品决策的插件涵盖 SQL 查询生成、留存队列分析与 A/B 测试分析三大能力。该插件的定位见 plugin.json 与 README明确写着Data analytics skills for PMs: SQL query generation and cohort analysis. Analyze user data, generate queries, and identify retention patterns.—— 它解决的是 PM 日常最痛的数据问题看不懂数据库、写不出 SQL、不会做留存分析、面对实验数据不知道结论。1.2 插件组成一览类别名称作用Skillsql-queries自然语言 → 优化 SQL多方言Skillcohort-analysis留存曲线、功能采纳、群组对比Skillab-test-analysis统计显著性、样本量校验、Ship/Extend/Stop 建议Command/write-querySQL 生成命令调用 sql-queries skillCommand/analyze-cohorts队列分析命令调用 cohort-analysis skillCommand/analyze-testA/B 测试分析命令调用 ab-test-analysis skill从命令文档的结构看例如 analyze-cohorts.md 第 36 行、write-query.md 第 41 行、analyze-test.md 第 40 行的Apply thexxxskill字样三者都遵循同一设计模式命令负责端到端工作流编排Skill 负责领域方法论。这也与 validate_plugins.py 中validate_cross_references函数L289-L310的逻辑相印证——该函数专门检查命令文件中引用的 skill 是否真实存在于同一插件内确保命令与 skill 的引用关系不悬空。1.3 插件清单与元数据插件的安装与自动加载信息记录在 .claude-plugin/plugin.json{ name: pm-data-analytics, version: 2.0.0, description: Data analytics skills for PMs: SQL query generation and cohort analysis. Analyze user data, generate queries, and identify retention patterns., author: { name: Paweł Huryn, email: pawelproductcompass.pm, url: https://www.productcompass.pm }, keywords: [product-management, data-analytics, sql, cohort-analysis, retention], homepage: https://www.productcompass.pm, license: MIT }其中的keywordssql、cohort-analysis、retention等在 validate_plugins.py 中被标记为推荐字段用于帮助 Agent 在会话中识别何时应加载本插件。skill 的 frontmatter 中的description则扮演触发器的角色——validate_plugins.py 会检查 description 是否包含use when/use for等触发短语以便 Claude 在相关对话场景中自动加载对应 skill。二、安装与运行方式2.1 通过 Claude Code 安装在 根目录 README 中安装分为两步# Step 1: 添加 marketplace claude plugin marketplace add phuryn/pm-skills # Step 2: 安装数据分析插件 claude plugin install pm-data-analyticspm-skills安装后可立即使用三个斜杠命令/write-query、/analyze-cohorts、/analyze-test。2.2 在 Codex CLI 中使用Codex CLI 可读取同一份 marketplace 文件codex plugin marketplace add phuryn/pm-skills codex plugin add pm-data-analyticspm-skills需要注意的是Codex 不暴露 slash 命令安装后 Skills 可按名称调用而命令工作流需要用自然语言描述步骤来触发详见 README。2.3 在其他 AI 助手中使用仅 Skillsskills/*/SKILL.md遵循通用 skill 格式可复制到 Gemini CLI.gemini/skills/、OpenCode.opencode/skills/、Cursor.cursor/skills/、Kiro.kiro/skills/等工具中使用但斜杠命令是 Claude 专属的见 README。三、Skill 一sql-queries —— 自然语言生成多方言 SQL3.1 Skill 定位与触发条件sql-queries/SKILL.md 的 frontmatter 描述明确了使用场景Use when writing SQL, building data reports, exploring databases, or translating business questions into queries.—— 即当你需要写 SQL、搭数据报表、探索数据库或把业务问题翻译成查询时该 skill 会被自动加载。3.2 四步工作流理解数据库 Schema若你提供 schema 文件SQL、文档或图表描述skill 会提取表名、列定义、数据类型与关系识别主键、外键和索引策略。处理请求澄清所需数据的精确口径确认 SQL 方言BigQuery、PostgreSQL、MySQL、Snowflake 等收集过滤、聚合、排序等附加需求。生成优化查询写出符合数据库结构的高效 SQL对复杂逻辑加注释补充大数据集上的性能考量并在适用时提供备选方案。解释与测试用通俗语言解释查询逻辑建议验证方法给出性能优化提示可生成测试脚本或样例数据。3.3 多方言支持Skill 明确列出的方言覆盖BigQuery、PostgreSQL、MySQL、Snowflake、SQL Server见 SKILL.md 的 Key Capabilities。对应地/write-query 命令 的 frontmatter 描述也声明支持 BigQuery、PostgreSQL、MySQL 及更多。这意味着在生成查询前你需要明确指定目标数据库——若不确定命令会主动询问。3.4 输出格式规范skill 保证输出四样东西带注释的生产级 SQL、通俗解释、性能建议、可选测试脚本。而命令层在展示查询时采用如下模板write-query.md## SQL Query: [What It Does] **Dialect**: [BigQuery / PostgreSQL / MySQL / etc.] **Tables used**: [list] ### Query [SQL code block with comments] ### What This Returns [Description of the output: columns, rows, expected result shape] ### Assumptions - [Schema assumptions made] - [Business logic assumptions] ### Notes - [Performance considerations for large datasets] - [Edge cases handled or flagged]该模板刻意要求标注Assumptionsschema 假设与业务逻辑假设因为 PM 与分析师共享查询时假设不透明是返工的最常见原因。3.5 实战示例无 schema 场景/write-query Show me daily active users for the last 30 days, broken down by plan tier有 schema 场景上传database_schema.sql后说Generate a query to find users who signed up in the last 30 days and had at least 5 active sessions图表描述场景Heres my database: Users table (id, email, created_at), Sessions table (id, user_id, timestamp, duration). Generate a query for average session duration per user in January 2026.复杂分析场景Create a BigQuery query to analyze our revenue by region and customer tier, including year-over-year growth rates.3.6 使用要点与边界命令文档的 Notes 部分write-query.md给出了四条铁律SQL 必须带注释——PM 常与分析师共享查询注释传递意图可读性优先于炫技——用 CTE 而非层层嵌套的子查询主动标记大数据集上的慢查询并给出优化建议请求有歧义时如活跃用户先让对方精确下定义——指标口径不清是分析翻车的头号原因。四、Skill 二cohort-analysis —— 留存队列分析引擎4.1 Skill 定位cohort-analysis/SKILL.md 的使命是按队列cohort分析用户留存与参与模式识别行为趋势、功能采纳和长期参与度并把定量洞察与定性研究建议结合起来。4.2 五步分析流程读取与校验数据接受 CSV、Excel 或 JSON 格式的用户数据验证结构队列标识、时间周期、参与指标检查缺失值与数据质量问题输出关键统计摘要队列规模、日期范围、可用指标。生成定量分析计算队列留存率与参与趋势识别留存曲线、流失模式与异常计算跨队列的功能采纳率计算环比/周期变化如被要求生成基于 pandas 和 numpy 的 Python 分析脚本。创建可视化生成留存热力图队列 × 时间周期、队列进展折线图、功能采纳对比图标注流失点与参与趋势输出为交互式图表或静态图片。识别洞察与模式定位显著模式——特定队列的早期流失、后期参与变化、功能采纳聚集、季节性/时间趋势突出意外发现与偏离建立跨队列基线对比。建议后续研究推荐定性研究方法针对流失用户的定向访谈、高参与队列的功能使用调查、关键交互模式的会话回放、高低留存队列的赢/输分析设计后续定量研究建议 A/B 测试或功能实验。4.3 输出物清单skill 承诺交付数据摘要、定量发现、可视化图表、2~3 条关键洞察、研究建议、可复现分析脚本可选、按优先级排序的下一步行动。4.4 数据准备建议SKILL.md 的 Tips 部分给出关键输入要求至少 3~4 个队列才有模式识别意义队列定义要显式注册月、功能发布日等最好包含时间维度、业务背景期间的产品变更/活动以及留存/参与/功能使用/收入等多个指标。五、Skill 三ab-test-analysis —— 统计严谨的实验决策引擎5.1 核心定位ab-test-analysis/SKILL.md 以统计严谨性评估 A/B 测试结果并翻译成明确的产品决策Ship发布/ Extend延长/ Stop停止/ Investigate调查。5.2 六个分析步骤理解实验假设是什么变体改了什么主指标与护栏指标是什么跑了多久流量切分比例校验实验设计样本量是否足够功效分析时长是否覆盖 1~2 个完整业务周期随机化是否干净检查样本比例失衡 SRM新奇/首因效应是否已消退计算统计显著性对照组/变体组转化率、相对提升率(variant - control) / control × 100、双尾 z 检验或卡方检验的 p 值、差异的 95% 置信区间、p 0.05 的显著性判定以及业务意义上的显著性practical significance。检查护栏指标收入、参与度、页面加载时间等护栏指标是否劣化主指标赢但护栏指标崩不算真赢。解读结果按结论矩阵给出建议见下节。输出分析摘要用标准 markdown 表格汇总指标、p 值、显著性给出建议、理由与下一步。5.3 决策矩阵关键结论表SKILL.md 中给出了完整的结果解读矩阵结果建议显著正向提升无护栏问题Ship——全量发布显著正向提升但有护栏顾虑Investigate——先搞清权衡再发布不显著但有正向趋势Extend——需要更多数据或更大效应不显著且持平Stop——未检测到有意义差异显著负向Dont ship——回滚到对照组并分析原因5.4 样本量公式SKILL.md 给出了判断样本量是否充足的核心公式n (Z²(α/2) × 2 × p × (1-p)) / MDE²其中 p 为基线转化率、MDE 为最小可检测效应、Z 为对应置信水平的 z 分数当功效低于 80% 时判定为 underpowered。这一公式在 /analyze-test 命令 的分析模板中也被引用为样本量校验的依据analyze-test.md 的 Required sample 一栏。六、Command 一/write-query —— 端到端 SQL 生成工作流6.1 调用方式/write-query Show me daily active users for the last 30 days, broken down by plan tier /write-query Find users who signed up last month but never completed onboarding /write-query [upload a schema diagram] Whats the conversion rate from trial to paid by cohort?6.2 四步工作流理解问题解析自然语言请求识别请求的数据指标、维度、过滤条件、时间范围与粒度、分组与排序偏好、输出期望原始数据/聚合/排名。确定 Schema有 schema上传的图、DDL 或描述则映射到具体表和列、识别所需 join无 schema 则询问数据库类型从问题推断合理 schema 并请求用户确认以常见 SaaS 数据模型约定为默认。生成查询调用sql-queriesskill写出正确方言的 SQL兼顾可读性与性能注释关键逻辑复杂查询用 CTE处理 NULL、时区、重复数据等边界情况。展示与迭代按模板输出并主动提供后续选项——需要我修改过滤条件/分组/时间范围吗要不要为相关指标建一个配套查询要不要围绕这个查询搭仪表盘需要这个查询的队列分析版本吗6.3 命令与 Skill 的衔接点命令文档明确写出Apply thesql-queriesskillwrite-query.md而 validate_plugins.py 会正则匹配**skill-name** skill模式来校验该引用确实存在——这是仓库对命令引用真实 skill这一设计契约的机器化验证。七、Command 二/analyze-cohorts —— 留存队列分析完整工作流7.1 调用方式与两条输入路径/analyze-cohorts [upload a CSV of user activity data] /analyze-cohorts Monthly retention for users who signed up in Jan-Jun, grouped by acquisition channel /analyze-cohorts Help me set up a cohort analysis for our onboarding redesign命令支持两条路径analyze-cohorts.md有数据上传含 user_id、signup_date、activity_date、event_type 等字段的用户级 CSV/表格无数据描述分析需求 → 生成 SQL 查询与分析框架。7.2 关键前置问题Step 2定义队列命令在动手分析前必须澄清四个问题队列由什么定义注册周/月、获客渠道、套餐层级、首次使用的功能留存事件是什么登录、核心动作、任意活跃、购买时间粒度日/周/月时间范围7.3 分析执行Step 3调用cohort-analysisskill有数据时用 Pythonpandas处理数据生成队列表 → 计算每队列每周期的留存率 → 生成留存曲线 → 识别改善/衰退队列、季节性效应、异常 → 对比跨队列功能采纳。仅描述分析时设计队列分析框架 → 生成提取数据的 SQL → 创建分析用模板表格 → 定义指标与可视化方案。7.4 标准报告模板Step 4命令给出了可直接复制的报告骨架analyze-cohorts.md## Cohort Analysis: [Description] **Date**: [today] **Cohort definition**: [e.g., signup month] **Retention event**: [e.g., completed a project] **Granularity**: [weekly/monthly] ### Retention Table | Cohort | Size | Week 1 | Week 2 | Week 3 | ... | Week 12 | |--------|------|--------|--------|--------|-----|---------| ### Key Findings 1. **[Finding]** — [supporting data] 2. ... ### Cohort Comparison - **Best-performing cohort**: [which, why] - **Worst-performing cohort**: [which, why] - **Trend**: [improving/declining/stable over time] ### Retention Benchmarks | Period | Your Rate | Industry Benchmark | Gap | |--------|----------|-------------------|-----| ### Recommendations 1. [What to investigate or change based on findings] 2. ... ### Follow-Up Queries [SQL queries for deeper investigation]若提供了数据分析结果应同时保存为 markdown 报告与 CSV/表格两种格式。7.5 收尾与后续Step 5命令会主动提供三个延伸选项按另一维度进一步细分基于留存阈值设置指标告警为最弱队列设计留存改善实验。7.6 专家级注意事项命令的 Notesanalyze-cohorts.md包含四条实战警告队列分析的质量取决于留存事件的定义——要推动一个有意义的动作而不是登录过这种弱事件早期队列常因创始用户偏差founding user bias显得不同对比时要标注若用 Python 脚本计算留存应保存脚本以便用户换新数据重跑季节性效应会伪装成趋势——如果队列差异可能是日历驱动的要主动标记。八、Command 三/analyze-test —— 从实验数据到产品决策8.1 调用方式与输入格式/analyze-test Control: 4.2% conversion (n5000), Variant: 4.8% conversion (n5100) /analyze-test [upload a CSV of test results] /analyze-test [screenshot from your experimentation platform]命令接受四种输入格式汇总统计转化率、各组样本量、原始事件数据含 user_id、variant、converted、timestamp 的 CSV、实验平台Optimizely、LaunchDarkly 等截图、实验与结果的文字描述analyze-test.md。8.2 五步工作流接受测试数据任意格式。校验测试设计样本量是否充足功效分析、时长是否覆盖周周期且至少 1~2 个业务周期、随机化是否干净检查样本比例失衡 SRM、期间有无外部因素——发现问题必须标记缺陷测试的结果会误导决策。分析结果调用ab-test-analysisskill计算统计显著性p 值与置信区间、效应量绝对与相对差异、实际显著性对业务是否足够大、置信区间真实效应的合理范围、分段分析数据允许时检查不同用户分段的差异化效应。生成分析报告模板见下节。提供后续选项设计后续实验、按分段运行分析、生成 SQL 用于发布后指标监控。8.3 标准分析报告模板命令给出了完整的报告骨架analyze-test.md## A/B Test Analysis: [Test Name] **Date**: [today] **Test duration**: [X days/weeks] **Total sample**: [N users] ### Results Summary | Variant | Sample | Metric | Rate | 95% CI | |---------|--------|--------|------|--------| | Control | [n] | [metric] | [X%] | [X% - Y%] | | Variant | [n] | [metric] | [X%] | [X% - Y%] | ### Statistical Analysis - **Relative lift**: [X%] ([CI range]) - **P-value**: [X] - **Statistically significant**: [Yes/No] at 95% confidence - **Minimum detectable effect**: [X%] (what the test was powered to detect) ### Sample Size Check - **Required sample**: [N] per variant (for [X%] MDE at 80% power) - **Actual sample**: [N] per variant - **Verdict**: [Sufficiently powered / Underpowered / Overpowered] ### Decision **Recommendation: [SHIP / EXTEND / STOP]** [Clear explanation of why, considering both statistical and practical significance] ### Business Impact Estimate If shipped to 100% of users: - **Expected impact**: [metric change per month/quarter] - **Revenue impact**: [if applicable] - **Confidence**: [How certain we are about this estimate] ### Caveats - [Any concerns about the test validity] - [Segments where results differ] - [Novelty effects or other biases to consider] ### Follow-Up - [What to test next based on learnings] - [Monitoring plan if shipping the variant]8.4 专家级注意事项命令的 Notesanalyze-test.md包含五条统计决策红线统计显著性 ≠ 实际显著性——数据足够时 0.1% 的提升也可能显著但不值得发布信任结果前永远检查样本比例失衡SRM新奇效应会虚增短期结果——建议发布后监控 2~4 周若测试功效不足正确答案通常是延长而不是无效对收入类指标用置信区间估算最好/最坏的业务影响若数据以 CSV 提供用 Python scipy.stats生成完整统计分析。九、命令 ↔ Skill 的衔接机制与仓库验证9.1 设计模式命令编排、Skill 提供方法论三个命令文档分别在关键步骤处显式声明调用对应 skill/write-query →sql-queries/analyze-cohorts →cohort-analysis/analyze-test →ab-test-analysis这是 Claude Code 插件体系中的典型分层skill 是可复用的知识单元命令是把若干 skill 串成端到端流程的编排器。插件根目录 README.md 也说明skill 会在对话相关时自动加载命令则按需手动触发。9.2 仓库层面的契约校验validate_plugins.py 提供了理解这套结构的一手证据validate_cross_referencesL289-L310用正则\*\*(\w[\w-])\*\*\sskill扫描命令文件校验其引用的 skill 确实存在于同插件内——pm-data-analytics 的三条命令引用恰好与其三个 skill 一一对应validate_skillL182-L229要求 SKILL.md 的 frontmattername与目录名一致、description必填且建议包含触发短语use when/use forvalidate_commandL232-L265要求命令 frontmatter 的description必填、argument-hint推荐——三个命令文件的 frontmatter 均完整符合如 analyze-cohorts.md 的argument-hint: data file or description of what to analyze。也就是说命令文档中Apply thexxxskill这类表述不只是写作惯例而是被仓库校验器强制约束的结构契约。十、组合实战一条完整的数据决策流水线将三个命令串联可以得到一条从取数到决策的完整流水线取数/write-query Monthly retention by signup cohort and acquisition channel (BigQuery)→ 得到带注释的 SQL跑出用户级留存数据分析留存把结果导出为 CSV执行/analyze-cohorts [upload CSV] Weekly retention by signup week, grouped by acquisition channel→ 得到留存表、队列对比与改善建议验证改进基于留存洞察设计改版实验跑完后执行/analyze-test [upload CSV of test results]→ 得到 SHIP / EXTEND / STOP 决策与业务影响预估监控发布后让/write-query生成监控指标 SQL配合命令建议的 2~4 周新奇效应观察期持续跟踪。三个命令均内置下一步建议机制如 analyze-cohorts 的细分维度/指标告警/改善实验选项、analyze-test 的后续实验设计/SQL 监控生成、write-query 的配套查询/仪表盘/队列版本选项这使得整条流水线可以由 Agent 主动续推符合插件命令设计为互相衔接、匹配 PM 工作流的整体理念见 README。十一、限制与使用前提本文描述的能力以仓库当前版本plugin.json 中version: 2.0.0为准斜杠命令/write-query等仅在 Claude Code / Claude Cowork 中作为命令运行在 Codex 或其他助手Gemini CLI、OpenCode、Cursor、Kiro中只能使用 Skills 本体见 READMESQL 生成依赖用户提供的 schema 信息无 schema 时使用常见 SaaS 数据模型约定作为默认需用户确认后再执行留存与 A/B 分析的统计计算pandas、scipy.stats 等由 Agent 在运行时生成脚本执行仓库本身不捆绑 Python 依赖报告中的行业基准Retention Benchmarks 一栏需要用户或 Agent 结合业务实际提供仓库并未内置基准数据不要将其视为自动填充值。十二、延伸阅读路径插件总览pm-data-analytics/README.md三条命令write-query、analyze-cohorts、analyze-test三个 Skillsql-queries、cohort-analysis、ab-test-analysis插件清单.claude-plugin/plugin.json全仓校验器理解命令/skill 契约validate_plugins.py相关领域插件数据分析结果常与 pm-product-discovery 的 setup-metrics指标仪表盘设计和 pm-marketing-growth 的 north-star北极星指标定义衔接使用。【免费下载链接】pm-skillsPM Skills Marketplace: 100 agentic skills, commands, and plugins — from discovery to strategy, execution, launch, and growth.项目地址: https://gitcode.com/GitHub_Trending/pm/pm-skills创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
PM Skills 数据分析插件 pm-data-analytics 完全指南SQL 生成、留存队列分析与 A/B 测试决策【免费下载链接】pm-skillsPM Skills Marketplace: 100 agentic skills, commands, and plugins — from discovery to strategy, execution, launch, and growth.项目地址: https://gitcode.com/GitHub_Trending/pm/pm-skills本文以 pm-data-analytics/README.md 为核心骨架深入剖析 PM Skills Marketplace 中数据分析插件的 3 个 Skills 与 3 个 Commands 的完整工作流、内部实现与实战用法。读完你将掌握如何用自然语言生成多方言 SQLwrite-query 命令、如何从零搭建留存队列分析并输出标准报告analyze-cohorts 命令以及如何用统计严谨性把 A/B 测试结果翻译成 SHIP / EXTEND / STOP 的明确决策analyze-test 命令。一、插件定位与整体架构1.1 它在 PM Skills Marketplace 中的位置PM Skills Marketplace 是一个面向产品经理的 Agentic Skills 集合按领域划分为 9 个插件plugin每个插件由Skills领域知识/框架自动按需加载、Commands用户触发的斜杠命令工作流和.claude-plugin/plugin.json插件清单三部分组成。pm-data-analytics就是其中负责用数据辅助产品决策的插件涵盖 SQL 查询生成、留存队列分析与 A/B 测试分析三大能力。该插件的定位见 plugin.json 与 README明确写着Data analytics skills for PMs: SQL query generation and cohort analysis. Analyze user data, generate queries, and identify retention patterns.—— 它解决的是 PM 日常最痛的数据问题看不懂数据库、写不出 SQL、不会做留存分析、面对实验数据不知道结论。1.2 插件组成一览类别名称作用Skillsql-queries自然语言 → 优化 SQL多方言Skillcohort-analysis留存曲线、功能采纳、群组对比Skillab-test-analysis统计显著性、样本量校验、Ship/Extend/Stop 建议Command/write-querySQL 生成命令调用 sql-queries skillCommand/analyze-cohorts队列分析命令调用 cohort-analysis skillCommand/analyze-testA/B 测试分析命令调用 ab-test-analysis skill从命令文档的结构看例如 analyze-cohorts.md 第 36 行、write-query.md 第 41 行、analyze-test.md 第 40 行的Apply thexxxskill字样三者都遵循同一设计模式命令负责端到端工作流编排Skill 负责领域方法论。这也与 validate_plugins.py 中validate_cross_references函数L289-L310的逻辑相印证——该函数专门检查命令文件中引用的 skill 是否真实存在于同一插件内确保命令与 skill 的引用关系不悬空。1.3 插件清单与元数据插件的安装与自动加载信息记录在 .claude-plugin/plugin.json{ name: pm-data-analytics, version: 2.0.0, description: Data analytics skills for PMs: SQL query generation and cohort analysis. Analyze user data, generate queries, and identify retention patterns., author: { name: Paweł Huryn, email: pawelproductcompass.pm, url: https://www.productcompass.pm }, keywords: [product-management, data-analytics, sql, cohort-analysis, retention], homepage: https://www.productcompass.pm, license: MIT }其中的keywordssql、cohort-analysis、retention等在 validate_plugins.py 中被标记为推荐字段用于帮助 Agent 在会话中识别何时应加载本插件。skill 的 frontmatter 中的description则扮演触发器的角色——validate_plugins.py 会检查 description 是否包含use when/use for等触发短语以便 Claude 在相关对话场景中自动加载对应 skill。二、安装与运行方式2.1 通过 Claude Code 安装在 根目录 README 中安装分为两步# Step 1: 添加 marketplace claude plugin marketplace add phuryn/pm-skills # Step 2: 安装数据分析插件 claude plugin install pm-data-analyticspm-skills安装后可立即使用三个斜杠命令/write-query、/analyze-cohorts、/analyze-test。2.2 在 Codex CLI 中使用Codex CLI 可读取同一份 marketplace 文件codex plugin marketplace add phuryn/pm-skills codex plugin add pm-data-analyticspm-skills需要注意的是Codex 不暴露 slash 命令安装后 Skills 可按名称调用而命令工作流需要用自然语言描述步骤来触发详见 README。2.3 在其他 AI 助手中使用仅 Skillsskills/*/SKILL.md遵循通用 skill 格式可复制到 Gemini CLI.gemini/skills/、OpenCode.opencode/skills/、Cursor.cursor/skills/、Kiro.kiro/skills/等工具中使用但斜杠命令是 Claude 专属的见 README。三、Skill 一sql-queries —— 自然语言生成多方言 SQL3.1 Skill 定位与触发条件sql-queries/SKILL.md 的 frontmatter 描述明确了使用场景Use when writing SQL, building data reports, exploring databases, or translating business questions into queries.—— 即当你需要写 SQL、搭数据报表、探索数据库或把业务问题翻译成查询时该 skill 会被自动加载。3.2 四步工作流理解数据库 Schema若你提供 schema 文件SQL、文档或图表描述skill 会提取表名、列定义、数据类型与关系识别主键、外键和索引策略。处理请求澄清所需数据的精确口径确认 SQL 方言BigQuery、PostgreSQL、MySQL、Snowflake 等收集过滤、聚合、排序等附加需求。生成优化查询写出符合数据库结构的高效 SQL对复杂逻辑加注释补充大数据集上的性能考量并在适用时提供备选方案。解释与测试用通俗语言解释查询逻辑建议验证方法给出性能优化提示可生成测试脚本或样例数据。3.3 多方言支持Skill 明确列出的方言覆盖BigQuery、PostgreSQL、MySQL、Snowflake、SQL Server见 SKILL.md 的 Key Capabilities。对应地/write-query 命令 的 frontmatter 描述也声明支持 BigQuery、PostgreSQL、MySQL 及更多。这意味着在生成查询前你需要明确指定目标数据库——若不确定命令会主动询问。3.4 输出格式规范skill 保证输出四样东西带注释的生产级 SQL、通俗解释、性能建议、可选测试脚本。而命令层在展示查询时采用如下模板write-query.md## SQL Query: [What It Does] **Dialect**: [BigQuery / PostgreSQL / MySQL / etc.] **Tables used**: [list] ### Query [SQL code block with comments] ### What This Returns [Description of the output: columns, rows, expected result shape] ### Assumptions - [Schema assumptions made] - [Business logic assumptions] ### Notes - [Performance considerations for large datasets] - [Edge cases handled or flagged]该模板刻意要求标注Assumptionsschema 假设与业务逻辑假设因为 PM 与分析师共享查询时假设不透明是返工的最常见原因。3.5 实战示例无 schema 场景/write-query Show me daily active users for the last 30 days, broken down by plan tier有 schema 场景上传database_schema.sql后说Generate a query to find users who signed up in the last 30 days and had at least 5 active sessions图表描述场景Heres my database: Users table (id, email, created_at), Sessions table (id, user_id, timestamp, duration). Generate a query for average session duration per user in January 2026.复杂分析场景Create a BigQuery query to analyze our revenue by region and customer tier, including year-over-year growth rates.3.6 使用要点与边界命令文档的 Notes 部分write-query.md给出了四条铁律SQL 必须带注释——PM 常与分析师共享查询注释传递意图可读性优先于炫技——用 CTE 而非层层嵌套的子查询主动标记大数据集上的慢查询并给出优化建议请求有歧义时如活跃用户先让对方精确下定义——指标口径不清是分析翻车的头号原因。四、Skill 二cohort-analysis —— 留存队列分析引擎4.1 Skill 定位cohort-analysis/SKILL.md 的使命是按队列cohort分析用户留存与参与模式识别行为趋势、功能采纳和长期参与度并把定量洞察与定性研究建议结合起来。4.2 五步分析流程读取与校验数据接受 CSV、Excel 或 JSON 格式的用户数据验证结构队列标识、时间周期、参与指标检查缺失值与数据质量问题输出关键统计摘要队列规模、日期范围、可用指标。生成定量分析计算队列留存率与参与趋势识别留存曲线、流失模式与异常计算跨队列的功能采纳率计算环比/周期变化如被要求生成基于 pandas 和 numpy 的 Python 分析脚本。创建可视化生成留存热力图队列 × 时间周期、队列进展折线图、功能采纳对比图标注流失点与参与趋势输出为交互式图表或静态图片。识别洞察与模式定位显著模式——特定队列的早期流失、后期参与变化、功能采纳聚集、季节性/时间趋势突出意外发现与偏离建立跨队列基线对比。建议后续研究推荐定性研究方法针对流失用户的定向访谈、高参与队列的功能使用调查、关键交互模式的会话回放、高低留存队列的赢/输分析设计后续定量研究建议 A/B 测试或功能实验。4.3 输出物清单skill 承诺交付数据摘要、定量发现、可视化图表、2~3 条关键洞察、研究建议、可复现分析脚本可选、按优先级排序的下一步行动。4.4 数据准备建议SKILL.md 的 Tips 部分给出关键输入要求至少 3~4 个队列才有模式识别意义队列定义要显式注册月、功能发布日等最好包含时间维度、业务背景期间的产品变更/活动以及留存/参与/功能使用/收入等多个指标。五、Skill 三ab-test-analysis —— 统计严谨的实验决策引擎5.1 核心定位ab-test-analysis/SKILL.md 以统计严谨性评估 A/B 测试结果并翻译成明确的产品决策Ship发布/ Extend延长/ Stop停止/ Investigate调查。5.2 六个分析步骤理解实验假设是什么变体改了什么主指标与护栏指标是什么跑了多久流量切分比例校验实验设计样本量是否足够功效分析时长是否覆盖 1~2 个完整业务周期随机化是否干净检查样本比例失衡 SRM新奇/首因效应是否已消退计算统计显著性对照组/变体组转化率、相对提升率(variant - control) / control × 100、双尾 z 检验或卡方检验的 p 值、差异的 95% 置信区间、p 0.05 的显著性判定以及业务意义上的显著性practical significance。检查护栏指标收入、参与度、页面加载时间等护栏指标是否劣化主指标赢但护栏指标崩不算真赢。解读结果按结论矩阵给出建议见下节。输出分析摘要用标准 markdown 表格汇总指标、p 值、显著性给出建议、理由与下一步。5.3 决策矩阵关键结论表SKILL.md 中给出了完整的结果解读矩阵结果建议显著正向提升无护栏问题Ship——全量发布显著正向提升但有护栏顾虑Investigate——先搞清权衡再发布不显著但有正向趋势Extend——需要更多数据或更大效应不显著且持平Stop——未检测到有意义差异显著负向Dont ship——回滚到对照组并分析原因5.4 样本量公式SKILL.md 给出了判断样本量是否充足的核心公式n (Z²(α/2) × 2 × p × (1-p)) / MDE²其中 p 为基线转化率、MDE 为最小可检测效应、Z 为对应置信水平的 z 分数当功效低于 80% 时判定为 underpowered。这一公式在 /analyze-test 命令 的分析模板中也被引用为样本量校验的依据analyze-test.md 的 Required sample 一栏。六、Command 一/write-query —— 端到端 SQL 生成工作流6.1 调用方式/write-query Show me daily active users for the last 30 days, broken down by plan tier /write-query Find users who signed up last month but never completed onboarding /write-query [upload a schema diagram] Whats the conversion rate from trial to paid by cohort?6.2 四步工作流理解问题解析自然语言请求识别请求的数据指标、维度、过滤条件、时间范围与粒度、分组与排序偏好、输出期望原始数据/聚合/排名。确定 Schema有 schema上传的图、DDL 或描述则映射到具体表和列、识别所需 join无 schema 则询问数据库类型从问题推断合理 schema 并请求用户确认以常见 SaaS 数据模型约定为默认。生成查询调用sql-queriesskill写出正确方言的 SQL兼顾可读性与性能注释关键逻辑复杂查询用 CTE处理 NULL、时区、重复数据等边界情况。展示与迭代按模板输出并主动提供后续选项——需要我修改过滤条件/分组/时间范围吗要不要为相关指标建一个配套查询要不要围绕这个查询搭仪表盘需要这个查询的队列分析版本吗6.3 命令与 Skill 的衔接点命令文档明确写出Apply thesql-queriesskillwrite-query.md而 validate_plugins.py 会正则匹配**skill-name** skill模式来校验该引用确实存在——这是仓库对命令引用真实 skill这一设计契约的机器化验证。七、Command 二/analyze-cohorts —— 留存队列分析完整工作流7.1 调用方式与两条输入路径/analyze-cohorts [upload a CSV of user activity data] /analyze-cohorts Monthly retention for users who signed up in Jan-Jun, grouped by acquisition channel /analyze-cohorts Help me set up a cohort analysis for our onboarding redesign命令支持两条路径analyze-cohorts.md有数据上传含 user_id、signup_date、activity_date、event_type 等字段的用户级 CSV/表格无数据描述分析需求 → 生成 SQL 查询与分析框架。7.2 关键前置问题Step 2定义队列命令在动手分析前必须澄清四个问题队列由什么定义注册周/月、获客渠道、套餐层级、首次使用的功能留存事件是什么登录、核心动作、任意活跃、购买时间粒度日/周/月时间范围7.3 分析执行Step 3调用cohort-analysisskill有数据时用 Pythonpandas处理数据生成队列表 → 计算每队列每周期的留存率 → 生成留存曲线 → 识别改善/衰退队列、季节性效应、异常 → 对比跨队列功能采纳。仅描述分析时设计队列分析框架 → 生成提取数据的 SQL → 创建分析用模板表格 → 定义指标与可视化方案。7.4 标准报告模板Step 4命令给出了可直接复制的报告骨架analyze-cohorts.md## Cohort Analysis: [Description] **Date**: [today] **Cohort definition**: [e.g., signup month] **Retention event**: [e.g., completed a project] **Granularity**: [weekly/monthly] ### Retention Table | Cohort | Size | Week 1 | Week 2 | Week 3 | ... | Week 12 | |--------|------|--------|--------|--------|-----|---------| ### Key Findings 1. **[Finding]** — [supporting data] 2. ... ### Cohort Comparison - **Best-performing cohort**: [which, why] - **Worst-performing cohort**: [which, why] - **Trend**: [improving/declining/stable over time] ### Retention Benchmarks | Period | Your Rate | Industry Benchmark | Gap | |--------|----------|-------------------|-----| ### Recommendations 1. [What to investigate or change based on findings] 2. ... ### Follow-Up Queries [SQL queries for deeper investigation]若提供了数据分析结果应同时保存为 markdown 报告与 CSV/表格两种格式。7.5 收尾与后续Step 5命令会主动提供三个延伸选项按另一维度进一步细分基于留存阈值设置指标告警为最弱队列设计留存改善实验。7.6 专家级注意事项命令的 Notesanalyze-cohorts.md包含四条实战警告队列分析的质量取决于留存事件的定义——要推动一个有意义的动作而不是登录过这种弱事件早期队列常因创始用户偏差founding user bias显得不同对比时要标注若用 Python 脚本计算留存应保存脚本以便用户换新数据重跑季节性效应会伪装成趋势——如果队列差异可能是日历驱动的要主动标记。八、Command 三/analyze-test —— 从实验数据到产品决策8.1 调用方式与输入格式/analyze-test Control: 4.2% conversion (n5000), Variant: 4.8% conversion (n5100) /analyze-test [upload a CSV of test results] /analyze-test [screenshot from your experimentation platform]命令接受四种输入格式汇总统计转化率、各组样本量、原始事件数据含 user_id、variant、converted、timestamp 的 CSV、实验平台Optimizely、LaunchDarkly 等截图、实验与结果的文字描述analyze-test.md。8.2 五步工作流接受测试数据任意格式。校验测试设计样本量是否充足功效分析、时长是否覆盖周周期且至少 1~2 个业务周期、随机化是否干净检查样本比例失衡 SRM、期间有无外部因素——发现问题必须标记缺陷测试的结果会误导决策。分析结果调用ab-test-analysisskill计算统计显著性p 值与置信区间、效应量绝对与相对差异、实际显著性对业务是否足够大、置信区间真实效应的合理范围、分段分析数据允许时检查不同用户分段的差异化效应。生成分析报告模板见下节。提供后续选项设计后续实验、按分段运行分析、生成 SQL 用于发布后指标监控。8.3 标准分析报告模板命令给出了完整的报告骨架analyze-test.md## A/B Test Analysis: [Test Name] **Date**: [today] **Test duration**: [X days/weeks] **Total sample**: [N users] ### Results Summary | Variant | Sample | Metric | Rate | 95% CI | |---------|--------|--------|------|--------| | Control | [n] | [metric] | [X%] | [X% - Y%] | | Variant | [n] | [metric] | [X%] | [X% - Y%] | ### Statistical Analysis - **Relative lift**: [X%] ([CI range]) - **P-value**: [X] - **Statistically significant**: [Yes/No] at 95% confidence - **Minimum detectable effect**: [X%] (what the test was powered to detect) ### Sample Size Check - **Required sample**: [N] per variant (for [X%] MDE at 80% power) - **Actual sample**: [N] per variant - **Verdict**: [Sufficiently powered / Underpowered / Overpowered] ### Decision **Recommendation: [SHIP / EXTEND / STOP]** [Clear explanation of why, considering both statistical and practical significance] ### Business Impact Estimate If shipped to 100% of users: - **Expected impact**: [metric change per month/quarter] - **Revenue impact**: [if applicable] - **Confidence**: [How certain we are about this estimate] ### Caveats - [Any concerns about the test validity] - [Segments where results differ] - [Novelty effects or other biases to consider] ### Follow-Up - [What to test next based on learnings] - [Monitoring plan if shipping the variant]8.4 专家级注意事项命令的 Notesanalyze-test.md包含五条统计决策红线统计显著性 ≠ 实际显著性——数据足够时 0.1% 的提升也可能显著但不值得发布信任结果前永远检查样本比例失衡SRM新奇效应会虚增短期结果——建议发布后监控 2~4 周若测试功效不足正确答案通常是延长而不是无效对收入类指标用置信区间估算最好/最坏的业务影响若数据以 CSV 提供用 Python scipy.stats生成完整统计分析。九、命令 ↔ Skill 的衔接机制与仓库验证9.1 设计模式命令编排、Skill 提供方法论三个命令文档分别在关键步骤处显式声明调用对应 skill/write-query →sql-queries/analyze-cohorts →cohort-analysis/analyze-test →ab-test-analysis这是 Claude Code 插件体系中的典型分层skill 是可复用的知识单元命令是把若干 skill 串成端到端流程的编排器。插件根目录 README.md 也说明skill 会在对话相关时自动加载命令则按需手动触发。9.2 仓库层面的契约校验validate_plugins.py 提供了理解这套结构的一手证据validate_cross_referencesL289-L310用正则\*\*(\w[\w-])\*\*\sskill扫描命令文件校验其引用的 skill 确实存在于同插件内——pm-data-analytics 的三条命令引用恰好与其三个 skill 一一对应validate_skillL182-L229要求 SKILL.md 的 frontmattername与目录名一致、description必填且建议包含触发短语use when/use forvalidate_commandL232-L265要求命令 frontmatter 的description必填、argument-hint推荐——三个命令文件的 frontmatter 均完整符合如 analyze-cohorts.md 的argument-hint: data file or description of what to analyze。也就是说命令文档中Apply thexxxskill这类表述不只是写作惯例而是被仓库校验器强制约束的结构契约。十、组合实战一条完整的数据决策流水线将三个命令串联可以得到一条从取数到决策的完整流水线取数/write-query Monthly retention by signup cohort and acquisition channel (BigQuery)→ 得到带注释的 SQL跑出用户级留存数据分析留存把结果导出为 CSV执行/analyze-cohorts [upload CSV] Weekly retention by signup week, grouped by acquisition channel→ 得到留存表、队列对比与改善建议验证改进基于留存洞察设计改版实验跑完后执行/analyze-test [upload CSV of test results]→ 得到 SHIP / EXTEND / STOP 决策与业务影响预估监控发布后让/write-query生成监控指标 SQL配合命令建议的 2~4 周新奇效应观察期持续跟踪。三个命令均内置下一步建议机制如 analyze-cohorts 的细分维度/指标告警/改善实验选项、analyze-test 的后续实验设计/SQL 监控生成、write-query 的配套查询/仪表盘/队列版本选项这使得整条流水线可以由 Agent 主动续推符合插件命令设计为互相衔接、匹配 PM 工作流的整体理念见 README。十一、限制与使用前提本文描述的能力以仓库当前版本plugin.json 中version: 2.0.0为准斜杠命令/write-query等仅在 Claude Code / Claude Cowork 中作为命令运行在 Codex 或其他助手Gemini CLI、OpenCode、Cursor、Kiro中只能使用 Skills 本体见 READMESQL 生成依赖用户提供的 schema 信息无 schema 时使用常见 SaaS 数据模型约定作为默认需用户确认后再执行留存与 A/B 分析的统计计算pandas、scipy.stats 等由 Agent 在运行时生成脚本执行仓库本身不捆绑 Python 依赖报告中的行业基准Retention Benchmarks 一栏需要用户或 Agent 结合业务实际提供仓库并未内置基准数据不要将其视为自动填充值。十二、延伸阅读路径插件总览pm-data-analytics/README.md三条命令write-query、analyze-cohorts、analyze-test三个 Skillsql-queries、cohort-analysis、ab-test-analysis插件清单.claude-plugin/plugin.json全仓校验器理解命令/skill 契约validate_plugins.py相关领域插件数据分析结果常与 pm-product-discovery 的 setup-metrics指标仪表盘设计和 pm-marketing-growth 的 north-star北极星指标定义衔接使用。【免费下载链接】pm-skillsPM Skills Marketplace: 100 agentic skills, commands, and plugins — from discovery to strategy, execution, launch, and growth.项目地址: https://gitcode.com/GitHub_Trending/pm/pm-skills创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
