AI驱动的数据产品决策体系

最好的产品决策不是靠直觉拍板，也不是被数据淹没。AI 帮你从数据中找到信号，你来做最终的判断。

数据驱动决策的层次

从原始数据到产品智慧

层次五：智慧（Wisdom）
    预判趋势，做出前瞻性决策
    ↑
层次四：洞察（Insight）
    发现因果和潜在模式
    ↑
层次三：理解（Understanding）
    "为什么会这样？"
    ↑
层次二：信息（Information）
    整理后的数据，"发生了什么？"
    ↑
层次一：数据（Data）
    原始的用户行为日志

AI 的价值：加速从数据到洞察的过程，让 PM 把时间花在智慧和判断上。

构建北极星指标体系

用 AI 设计指标体系

你是增长产品专家。请为以下产品设计北极星指标体系：

产品：[描述]
商业模式：[订阅/交易/广告/...]
用户规模：[DAU/MAU]
当前阶段：[0-1 / 增长 / 成熟]

输出：

### 北极星指标
- 指标名称 + 为什么选它

### 一级指标（3-5个）
- 指标名 / 计算方式 / 为什么重要 / 目标值

### 二级指标（按AARRR框架）
| 阶段 | 指标 | 当前值 | 目标值 | 观测频率 |
|------|------|--------|--------|----------|

### 反向指标（需要关注的负面信号）
- 指标 + 预警阈值

### 指标之间的因果关系
- 用文字描述指标如何互相影响

AI 辅助的指标异动归因

# Prompt：指标异动诊断

DIAGNOSIS_PROMPT = """
作为数据科学家，请诊断以下指标异常：

## 核心指标变化
- 指标名：[指标名称]
- 变化幅度：[+X% 或 -X%]
- 变化时间：[具体日期]
- 持续时长：[已持续X天]

## 同期背景
- 产品变更：[最近上线的功能/改动]
- 运营活动：[正在进行的活动]
- 外部事件：[行业新闻/竞品动态]
- 季节性因素：[去年同期表现]

## 细分数据
- 按用户群：[新用户 vs 老用户数据]
- 按渠道：[各渠道来源数据]
- 按地域：[主要地区数据]
- 按设备：[设备分布数据]

请给出：
1. 最可能的1-2个根因（附置信度）
2. 需要进一步验证的假设
3. 建议的应对措施（立即/短期/长期）
4. 需要补充的数据和查询
"""

用户行为分析

RFM模型自动构建

# 让AI帮你从原始数据构建RFM模型
import pandas as pd
import numpy as np

def build_rfm_with_ai(df):
    """用AI辅助RFM分群"""

    # 让AI生成分群逻辑
    user_summary = df.groupby('user_id').agg({
        'date': lambda x: (pd.Timestamp.now() - x.max()).days,  # Recency
        'order_id': 'count',                                      # Frequency
        'amount': 'sum'                                           # Monetary
    }).rename(columns={'date': 'recency', 'order_id': 'frequency', 'amount': 'monetary'})

    # 用AI分析自然分段点
    analysis_prompt = f"""
    以下是一个用户数据集的RFM统计特征：
    - Recency: mean={user_summary['recency'].mean():.0f}, std={user_summary['recency'].std():.0f}
    - Frequency: mean={user_summary['frequency'].mean():.1f}, std={user_summary['frequency'].std():.1f}
    - Monetary: mean={user_summary['monetary'].mean():.0f}, std={user_summary['monetary'].std():.0f}

    建议RFM各维度的分段阈值（高/中/低），并解释理由。
    """
    # 调用 LLM 获取建议
    thresholds = call_llm(analysis_prompt)

    # 应用分段...
    return user_summary

用户流失预测

## AI辅助流失原因分析

我已经用机器学习模型预测了用户流失概率。
以下是高风险用户的关键特征：

[粘贴特征重要性数据]

请帮助解读：
1. 哪些是导致流失的最关键因素？
2. 这些因素之间有什么关系？
3. 基于此，建议3个预防流失的产品措施
4. 哪些用户值得重点挽回？为什么？

A/B 实验的 AI 增强

实验设计与分析

## 实验分析

实验背景：
- 假设：[我们相信通过X改变，可以提升Y指标]
- 对照组：[A组方案]
- 实验组：[B组方案]
- 实验时长：[X天]
- 样本量：[每组N人]

实验结果：
- 核心指标变化：[+X%, p-value=0.0X]
- 细分表现：[各细分群体的差异]

请分析：
1. 实验结果是否统计显著？
2. 是否需要考虑辛普森悖论？
3. 实验对哪些用户群影响最大？
4. 是否有负面副作用（其他指标的变化）？
5. 建议：全量上线 / 继续实验 / 放弃？
6. 如果上线，需要注意什么？

构建产品决策日报

自动化数据日报

# 用AI自动生成产品日报
DAILY_REPORT_PROMPT = """
基于以下数据，生成今日产品日报：

## 昨日核心数据
{metrics}

## 与昨日对比
{daily_changes}

## 与上周同期对比
{wow_changes}

## 关键事件
{key_events}

## 格式要求

### 📊 今日核心数据
[最重要的3个数据，含同环比]

### ⚠️ 需要关注
[异常指标或值得注意的变化]

### 🎯 关键进展
[重要项目或实验的进展]

### 💡 今日建议
[基于数据的行动建议]

### 🔍 明日关注
[明天需要重点观察的指标]
"""

AI 决策助手

构建 PM 专属决策顾问

class PMDecisionAssistant:
    """PM决策辅助系统"""

    def __init__(self, llm_client, product_context):
        self.llm = llm_client
        self.context = product_context

    def analyze_problem(self, problem: str, data: dict) -> str:
        prompt = f"""
        {self.context}

        当前问题：{problem}
        相关数据：{json.dumps(data, ensure_ascii=False)}

        请从以下角度分析：
        1. 问题的影响范围和严重程度
        2. 可能的原因（按可能性排序）
        3. 可选的解决方案（各方案的利弊）
        4. 推荐方案和理由
        5. 验证方案有效性的指标
        """
        return self.llm.generate(prompt)

    def prioritize_backlog(self, features: list, criteria: dict) -> list:
        prompt = f"""
        按以下维度对功能需求进行评分（每项1-5分）：
        - 用户价值：{criteria.get('user_value_weight', 1)}
        - 商业价值：{criteria.get('business_value_weight', 1)}
        - 实现成本：{criteria.get('effort_weight', 1)}
        - 战略契合度：{criteria.get('strategy_weight', 1)}

        功能列表：
        {json.dumps(features, ensure_ascii=False)}

        输出排序后的列表，附各维度评分和推荐理由。
        """
        response = self.llm.generate(prompt)
        return parse_prioritized_list(response)

从数据到叙事

数据讲故事

优秀的产品经理不只看数据，更会用数据讲故事：

## 让AI帮你把数据转化为叙事

Prompt：

"我需要在产品评审会上呈现以下数据发现。
请帮我把这些数据转化为一个有说服力的叙事：

核心发现：
- 注册转化率下降15%
- 但注册后的激活率上升了20%
- 总体付费用户数不变

要求：
1. 开场hook — 一个引人注意的开场
2. 数据故事 — 用叙事串联数据点
3. 根因分析 — 解释背后的逻辑
4. 行动建议 — 明确下一步
5. 演讲时间控制在5分钟

语
调：专业但不枯燥，数据扎实但有温度"

关键原则

AI + 数据决策的边界

✅ 让AI做的	❌ 不能外包的
数据提取和计算	理解用户的情感需求
异常检测和告警	做出有价值观的取舍
生成分析初稿	对决策结果负责
提供历史参考案例	在产品伦理问题上判断
计算各方案ROI	建立团队的共识和信心

数据告诉你用户做了什么，AI帮你理解这意味着什么。但最终，产品是关于人的——你需要用心去感受数据背后的那个人。