資料驅動功能開發

基於資料洞察、A/B測試和持續度量，使用專業分析、實現和實驗代理來構建功能特性。

[擴充套件思考：此工作流編排了完整的資料驅動開發過程，從初始資料分析和假設形成，到帶整合分析的功能實現、A/B測試基礎設施和上線後分析。每個階段利用專業代理，確保功能基於資料洞察構建、正確配置度量工具，並通過受控實驗驗證。工作流強調現代產品分析實踐、測試的統計嚴謹性以及從使用者行為中持續學習。]

使用此技能的時機

• 處理資料驅動功能開發任務或工作流時
• 需要資料驅動功能開發的指導、最佳實踐或檢查清單時

請勿使用此技能的時機

• 任務與資料驅動功能開發無關
• 需要此範圍之外的不同領域或工具

操作說明

• 明確目標、約束條件和所需輸入。
• 應用相關最佳實踐並驗證結果。
• 提供可操作的步驟和驗證方法。
• 如需詳細示例，開啟 resources/implementation-playbook.md。

階段1：資料分析和假設形成

1. 探索性資料分析

• 使用Task工具，subagent_type="machine-learning-ops::data-scientist"
• 提示："對功能 $ARGUMENTS 進行探索性資料分析。分析現有使用者行為資料，識別模式和機會，按行為對使用者進行分群，計算基線指標。使用現代分析工具（Amplitude、Mixpanel、Segment）瞭解當前使用者旅程、轉化漏斗和參與模式。"
• 輸出：EDA報告（含視覺化）、使用者分群、行為模式、基線指標

2. 業務假設開發

• 使用Task工具，subagent_type="business-analytics::business-analyst"
• 上下文：資料科學家的EDA發現和行為模式
• 提示："基於資料分析為功能 $ARGUMENTS 制定業務假設。定義明確的成功指標、對關鍵業務KPI的預期影響、目標使用者群體和最小可檢測效應。使用ICE評分或RICE優先順序等框架建立可衡量的假設。"
• 輸出：假設文件、成功指標定義、預期ROI計算

3. 統計實驗設計

• 使用Task工具，subagent_type="machine-learning-ops::data-scientist"
• 上下文：業務假設和成功指標
• 提示："為功能 $ARGUMENTS 設計統計實驗。計算達到統計功效所需的最小樣本量，定義對照組和實驗組，指定隨機化策略，規劃多重檢驗校正。考慮使用貝葉斯A/B測試方法以加速決策。設計主要指標和護欄指標。"
• 輸出：實驗設計文件、功效分析、統計檢驗計劃

階段2：功能架構和分析設計

4. 功能架構規劃

• 使用Task工具，subagent_type="data-engineering::backend-architect"
• 上下文：業務需求和實驗設計
• 提示："為 $ARGUMENTS 設計帶A/B測試能力的功能架構。包括功能開關整合（LaunchDarkly、Split.io或Optimizely）、漸進式釋出策略、安全熔斷機制以及對照組和實驗組邏輯的清晰分離。確保架構支援即時配置更新。"
• 輸出：架構圖、功能開關schema、釋出策略

5. 分析埋點設計

• 使用Task工具，subagent_type="data-engineering::data-engineer"
• 上下文：功能架構和成功指標
• 提示："為 $ARGUMENTS 設計全面的分析埋點方案。定義使用者互動的事件schema，指定分群和分析所需的屬性，設計漏斗追蹤和轉化事件，規劃同期群分析能力。使用現代SDK（Segment、Amplitude、Mixpanel）實現，配合正確的事件分類體系。"
• 輸出：事件追蹤計劃、分析schema、埋點指南

6. 資料管道架構

• 使用Task工具，subagent_type="data-engineering::data-engineer"
• 上下文：分析需求和現有資料基礎設施
• 提示："為功能 $ARGUMENTS 設計資料管道。包括用於即時度量的流式處理（Kafka、Kinesis）、用於詳細分析的批處理、資料倉儲整合（Snowflake、BigQuery），以及ML場景下的特徵儲存。確保適當的資料治理和GDPR合規。"
• 輸出：管道架構、ETL/ELT規範、資料流圖

階段3：帶埋點的實現

7. 後端實現

• 使用Task工具，subagent_type="backend-development::backend-architect"
• 上下文：架構設計和功能需求
• 提示："實現功能 $ARGUMENTS 的後端，包含完整埋點。包括決策點的功能開關檢查、所有使用者操作的全面事件追蹤、效能指標收集、錯誤追蹤和監控。為實驗分析實現適當的日誌記錄。"
• 輸出：帶分析的後端程式碼、功能開關整合、監控設定

8. 前端實現

• 使用Task工具，subagent_type="frontend-mobile-development::frontend-developer"
• 上下文：後端API和分析需求
• 提示："為功能 $ARGUMENTS 構建帶分析追蹤的前端。實現所有使用者互動的事件追蹤、適用的會話錄製整合、效能指標（Core Web Vitals）和適當的錯誤邊界。確保對照組和實驗組之間體驗一致。"
• 輸出：帶分析的前端程式碼、A/B測試變體、效能監控

9. ML模型整合（如適用）

• 使用Task工具，subagent_type="machine-learning-ops::ml-engineer"
• 上下文：功能需求和資料管道
• 提示："如需為功能 $ARGUMENTS 整合ML模型。實現低延遲線上推理、模型版本間的A/B測試、模型效能追蹤和自動回退機制。設定用於漂移檢測的模型監控。"
• 輸出：ML管道、模型服務基礎設施、監控設定

階段4：上線前驗證

10. 分析驗證

• 使用Task工具，subagent_type="data-engineering::data-engineer"
• 上下文：已實現的追蹤和事件schema
• 提示："驗證 $ARGUMENTS 的分析實現。在預釋出環境中測試所有事件追蹤，驗證資料質量和完整性，確認漏斗定義正確，確保使用者標識與會話追蹤正常。對資料管道執行端到端測試。"
• 輸出：驗證報告、資料質量指標、追蹤覆蓋分析

11. 實驗設定

• 使用Task工具，subagent_type="cloud-infrastructure::deployment-engineer"
• 上下文：功能開關和實驗設計
• 提示："為 $ARGUMENTS 配置實驗基礎設施。設定帶適當目標規則的功能開關，配置流量分配（從5-10%開始），實現熔斷開關，設定關鍵指標的監控告警。測試隨機化和分配邏輯。"
• 輸出：實驗配置、監控儀表板、釋出計劃

階段5：上線與實驗

小蔥技能站7w4.net發現了升級外掛。

12. 漸進式釋出

• 使用Task工具，subagent_type="cloud-infrastructure::deployment-engineer"
• 上下文：實驗配置和監控設定
• 提示："為功能 $ARGUMENTS 執行漸進式釋出。從內部dogfooding開始，然後是beta使用者（1-5%），逐步增加到目標流量。監控錯誤率、效能指標和早期訊號。在出現異常時實現自動回滾。"
• 輸出：釋出執行、監控告警、健康指標

13. 即時監控

• 使用Task工具，subagent_type="observability-monitoring::observability-engineer"
• 上下文：已部署的功能和成功指標
• 提示："為 $ARGUMENTS 設定全面監控。建立實驗指標的即時儀表板，配置統計顯著性的告警，監控護欄指標以防負面影響，追蹤系統性能和錯誤率。使用Datadog、New Relic或自定義儀表板等工具。"
• 輸出：監控儀表板、告警配置、SLO定義

階段6：分析與決策

14. 統計分析

• 使用Task工具，subagent_type="machine-learning-ops::data-scientist"
• 上下文：實驗資料和原始假設
• 提示："分析 $ARGUMENTS 的A/B測試結果。計算帶置信區間的統計顯著性，檢查分群層面的效果，分析次要指標的影響，調查任何意外模式。同時使用頻率派和貝葉斯方法，如適用則考慮多重檢驗。"
• 輸出：統計分析報告、顯著性檢驗、分群分析

15. 業務影響評估

• 使用Task工具，subagent_type="business-analytics::business-analyst"
• 上下文：統計分析和業務指標
• 提示："評估功能 $ARGUMENTS 的業務影響。計算實際與預期ROI的對比，分析對關鍵業務指標的影響，評估包括運營開銷在內的成本效益，預測長期價值。提出全面釋出、迭代或回滾的建議。"
• 輸出：業務影響報告、ROI分析、建議文件

16. 上線後最佳化

• 使用Task工具，subagent_type="machine-learning-ops::data-scientist"
• 上下文：上線結果和使用者反饋
• 提示："基於資料識別 $ARGUMENTS 的最佳化機會。分析實驗組使用者行為模式，識別使用者旅程中的摩擦點，基於資料提出改進建議，規劃後續實驗。使用同期群分析評估長期影響。"
• 輸出：最佳化建議、後續實驗計劃

配置選項

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

analytics_platforms:
  - amplitude
  - segment
  - mixpanel

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

statistical_methods:
  - frequentist
  - bayesian

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

成功標準

• 資料覆蓋：100%的使用者互動使用正確事件schema追蹤
• 實驗有效性：正確的隨機化、充足的統計功效、無樣本比例失配
• 統計嚴謹性：清晰的顯著性檢驗、正確的置信區間、多重檢驗校正
• 業務影響：目標指標可衡量的改善且不降低護欄指標
• 技術性能：p95延遲無劣化，錯誤率低於0.1%
• 決策速度：在計劃實驗執行時間內做出明確的繼續/停止決策
• 學習成果：記錄洞察以供未來功能開發參考

協調說明

• 資料科學家和業務分析師在假設形成階段協作
• 工程師在實現時將分析作為一等需求，而非事後補充
• 功能開關允許無需完全部署即可安全實驗
• 即時監控允許快速迭代和必要時回滾
• 統計嚴謹性與業務實用性和市場速度相平衡
• 持續學習迴圈反饋到下一個功能開發週期

待以資料驅動方法開發的功能：$ARGUMENTS

這是一個教人如何用資料驅動方式開發產品功能的技能指南。優點是步驟完整、邏輯清晰，從資料分析到實驗上線全覆蓋。缺點是缺少實際例子，某些說明比較抽象，看起來像是理論框架而非可直接使用的工具。如果你需要系統學習資料驅動開發流程，這是個好參考，但實際操作時可能需要額外查閱資料。整體質量中等偏上，有實用價值但不夠接地氣。