konglong87/superpm/pm-aarrr

# 检查数据指标文档
echo "📊 正在检查数据指标体系..."
 
if [ -f "docs/02-方案设计/数据指标体系.md" ]; then
  echo "✅ 数据指标体系 - 已找到"
else
  echo "⏳ 数据指标体系 - 未找到"
fi
 
echo ""
echo "🎯 AARRR模型介绍："
echo "A - Acquisition (获取用户)"
echo "A - Activation (激活用户)"
echo "R - Retention (提高留存)"
echo "R - Revenue (增加收入)"
echo "R - Referral (自传播)"

[
  {
    "task_id": "acquisition_analysis",
    "stage": "Acquisition",
    "focus": "用户获取渠道、成本、效率",
    "input_data": {
      "新增用户数": "1000",
      "主要渠道": ["搜索", "社交媒体", "推荐"],
      "渠道转化率": "5%",
      "CAC": "50元"
    }
  },
  {
    "task_id": "activation_analysis",
    "stage": "Activation",
    "focus": "用户首次体验、核心功能触达",
    "input_data": {
      "注册转化率": "40%",
      "首次关键行为完成率": "30%",
      "onboarding完成率": "60%"
    }
  },
  {
    "task_id": "retention_analysis",
    "stage": "Retention",
    "focus": "用户留存、活跃度、召回",
    "input_data": {
      "次日留存率": "40%",
      "7日留存率": "20%",
      "30日留存率": "10%"
    }
  },
  {
    "task_id": "revenue_analysis",
    "stage": "Revenue",
    "focus": "变现能力、付费转化、收入增长",
    "input_data": {
      "付费转化率": "5%",
      "ARPU": "20元",
      "LTV": "200元"
    }
  },
  {
    "task_id": "referral_analysis",
    "stage": "Referral",
    "focus": "用户传播、病毒系数、推荐机制",
    "input_data": {
      "邀请率": "10%",
      "K因子": "0.8"
    }
  }
]

# 同时启动 5 个 subagent
使用 Agent 工具，参数：
 
Agent 1: Acquisition 分析
  subagent_type: "general-purpose"
  description: "AARRR-Acquisition分析"
  prompt: |
    你是一个增长分析专家。请分析 Acquisition（获取用户）环节。
 
    **输入数据**：
    {acquisition 相关数据}
 
    **分析要求**：
    1. 评估当前获取效率（与行业基准对比）
    2. 识别主要渠道的表现
    3. 计算获客成本 (CAC)
    4. 发现增长机会和瓶颈
    5. 提出优化建议
 
    **输出格式**：
    ```json
    {
      "stage": "Acquisition",
      "current_performance": "当前表现评估",
      "benchmarks": "行业基准对比",
      "bottlenecks": ["瓶颈1", "瓶颈2"],
      "opportunities": ["机会1", "机会2"],
      "recommendations": ["建议1", "建议2", "建议3"],
      "priority_actions": ["优先行动1", "优先行动2"]
    }
    ```
 
Agent 2: Activation 分析
  subagent_type: "general-purpose"
  description: "AARRR-Activation分析"
  prompt: |
    你是一个用户体验专家。请分析 Activation（激活用户）环节。
 
    **输入数据**：
    {activation 相关数据}
 
    **分析要求**：
    1. 评估激活漏斗表现
    2. 识别首次体验的关键问题
    3. 分析核心功能触达率
    4. 发现激活障碍
    5. 提出优化建议
 
    **输出格式**：
    ```json
    {
      "stage": "Activation",
      "funnel_analysis": "漏斗分析",
      "key_issues": ["问题1", "问题2"],
      "activation_barriers": ["障碍1", "障碍2"],
      "recommendations": ["建议1", "建议2"],
      "quick_wins": ["快速见效点1", "快速见效点2"]
    }
    ```
 
Agent 3: Retention 分析
  subagent_type: "general-purpose"
  description: "AARRR-Retention分析"
  prompt: |
    你是一个留存分析专家。请分析 Retention（提高留存）环节。
 
    **输入数据**：
    {retention 相关数据}
 
    **分析要求**：
    1. 评估留存曲线健康度
    2. 识别流失关键节点
    3. 分析用户行为模式
    4. 发现留存驱动因素
    5. 提出优化建议
 
    **输出格式**：
    ```json
    {
      "stage": "Retention",
      "retention_health": "留存健康度评估",
      "churn_points": ["流失点1", "流失点2"],
      "retention_drivers": ["驱动因素1", "驱动因素2"],
      "recommendations": ["建议1", "建议2"],
      "engagement_tactics": ["策略1", "策略2"]
    }
    ```
 
Agent 4: Revenue 分析
  subagent_type: "general-purpose"
  description: "AARRR-Revenue分析"
  prompt: |
    你是一个变现专家。请分析 Revenue（增加收入）环节。
 
    **输入数据**：
    {revenue 相关数据}
 
    **分析要求**：
    1. 评估变现能力
    2. 分析付费转化路径
    3. 计算 LTV/CAC 比率
    4. 发现变现机会
    5. 提出优化建议
 
    **输出格式**：
    ```json
    {
      "stage": "Revenue",
      "monetization_health": "变现健康度",
      "ltv_cac_ratio": "LTV/CAC比率分析",
      "revenue_leaks": ["收入流失点1", "流失点2"],
      "monetization_opportunities": ["机会1", "机会2"],
      "recommendations": ["建议1", "建议2"]
    }
    ```
 
Agent 5: Referral 分析
  subagent_type: "general-purpose"
  description: "AARRR-Referral分析"
  prompt: |
    你是一个病毒传播专家。请分析 Referral（自传播）环节。
 
    **输入数据**：
    {referral 相关数据}
 
    **分析要求**：
    1. 评估病毒传播能力
    2. 分析 K 因子表现
    3. 识别传播驱动因素
    4. 发现传播障碍
    5. 提出优化建议
 
    **输出格式**：
    ```json
    {
      "stage": "Referral",
      "viral_health": "病毒传播健康度",
      "k_factor_analysis": "K因子分析",
      "referral_barriers": ["障碍1", "障碍2"],
      "viral_loops": ["病毒循环1", "循环2"],
      "recommendations": ["建议1", "建议2"]
    }
    ```

{
  "analysis_results": [
    {
      "stage": "Acquisition",
      "bottlenecks": ["渠道转化率低", "CAC过高"],
      "recommendations": ["优化落地页", "增加社媒投放"]
    },
    {
      "stage": "Activation",
      "bottlenecks": ["onboarding流失严重"],
      "recommendations": ["简化注册流程", "增加引导"]
    },
    {
      "stage": "Retention",
      "bottlenecks": ["次日留存低于行业平均"],
      "recommendations": ["增加push推送", "优化新手任务"]
    },
    {
      "stage": "Revenue",
      "bottlenecks": ["付费转化率低"],
      "recommendations": ["增加免费试用", "优化付费引导"]
    },
    {
      "stage": "Referral",
      "bottlenecks": ["K因子<1, 无自增长"],
      "recommendations": ["增加邀请激励", "优化分享体验"]
    }
  ]
}

🔍 瓶颈关联矩阵分析结果：
 
杠杆点排名：
1. 激活率低 — 影响4个环节（Activation/Retention/Revenue/Referral）← 最高优先级
2. 获客渠道质量差 — 影响3个环节（Acquisition/Activation/Retention）
3. 新用户留存差 — 影响2个环节（Retention/Revenue）
4. 付费门槛高 — 影响1个环节（Revenue）
5. 传播机制弱 — 影响1个环节（Referral）
 
✅ 结论：优先解决"激活率低"问题，可同时改善留存、变现和传播。

# AARRR增长分析报告
 
## 一、执行概况
 
**分析时间**: {时间}
**分析模式**: 全面分析（5个环节并行）
**数据来源**: 手动输入 / 数据指标体系 / 行业基准
 
---
 
## 二、各环节表现总览
 
| 环节 | 健康度 | 核心指标 | 与行业对比 |
|------|--------|---------|-----------|
| Acquisition | ⚠️ 中等 | 新增1000人/周，CAC 50元 | CAC偏高 |
| Activation | ❌ 较差 | 注册转化率40% | 低于行业平均(60%) |
| Retention | ⚠️ 中等 | 次日留存40% | 接近行业平均 |
| Revenue | ⚠️ 中等 | 付费转化率5% | 略低于行业平均 |
| Referral | ❌ 较差 | K因子0.8 | 低于自增长阈值(1.0) |
 
---
 
## 三、关键发现
 
### 3.1 最大瓶颈：Activation（激活）
 
**问题**：
-注册转化率仅 40%，低于行业平均 60%
-Onboarding 完成率仅 60%
-首次关键行为完成率仅 30%
 
**连锁影响**：
-Activation 差 → Retention 低
-未激活用户难以留存和变现
 
**根本原因**：
-注册流程过于复杂（5步 → 建议优化为3步）
-缺少清晰的首次使用引导
-核心功能未在首次体验中触达
 
### 3.2 次要瓶颈：Referral（传播）
 
**问题**：
-K因子 0.8，无法实现自增长
-邀请率仅 10%
 
**机会**：
-增加"激活-传播"闭环（激活用户立即触发邀请）
-优化邀请激励机制
 
---
 
## 四、优化建议（优先级排序）
 
### P0 - 立即优化（影响最大）
 
**1. 优化注册流程**
-减少注册步骤（5步 → 3步）
-增加社交账号一键登录
-预期效果：注册转化率 40% → 60%
 
**2. 简化 Onboarding**
-突出核心功能，减少次要引导
-增加"快速开始"路径
-预期效果：Onboarding 完成率 60% → 80%
 
**3. 增加首次关键行为引导**
-在首次体验中强制完成关键行为
-提供即时反馈和奖励
-预期效果：首次关键行为完成率 30% → 50%
 
### P1 - 近期优化
 
**4. 增加邀请激励机制**
-双向激励（邀请人和被邀请人都有奖励）
-在激活后立即提示邀请
-预期效果：K因子 0.8 → 1.2
 
**5. 优化留存策略**
-增加 Push 推送（针对未激活用户）
-优化新手任务设计
-预期效果：次日留存 40% → 50%
 
### P2 - 长期优化
 
**6. 降低获客成本**
-优化落地页转化率
-增加自然流量（SEO、内容营销）
-预期效果：CAC 50元 → 35元
 
---
 
## 五、详细分析报告
 
### 5.1 Acquisition 分析
 
（从 subagent 结果中提取）
 
**当前表现**：
-新增用户：1000人/周
-主要渠道：搜索(40%)、社交媒体(35%)、推荐(25%)
-CAC：50元（行业平均：30-40元）
 
**瓶颈**：
-CAC 偏高，获客效率有待提升
-搜索渠道转化率偏低
 
**建议**：
-优化落地页设计和内容
-增加 SEO 投入，获取自然流量
-测试新的社媒渠道
 
### 5.2 Activation 分析
 
（从 subagent 结果中提取）
 
**当前表现**：
-注册转化率：40%（行业平均：60%）
-Onboarding 完成率：60%
-首次关键行为完成率：30%
 
**瓶颈**：
-注册流程过于复杂
-Onboarding 引导不够清晰
-核心功能未在首次触达
 
**建议**：
-简化注册流程
-优化 Onboarding 设计
-强制引导首次关键行为
 
### 5.3 Retention 分析
 
（从 subagent 结果中提取）
 
**当前表现**：
-次日留存：40%（行业平均：40-50%）
-7日留存：20%
-30日留存：10%
 
**瓶颈**：
-次日留存接近及格线，有提升空间
-7日留存偏低
 
**建议**：
-增加 Push 推送
-优化新手任务
-设计"第X天"用户触达策略
 
### 5.4 Revenue 分析
 
（从 subagent 结果中提取）
 
**当前表现**：
-付费转化率：5%（行业平均：5-10%）
-ARPU：20元
-LTV：200元
-LTV/CAC：4.0（健康 >3）
 
**瓶颈**：
-付费转化率略低
-变现路径不够清晰
 
**建议**：
-增加免费试用
-优化付费引导
-设计阶梯式定价
 
### 5.5 Referral 分析
 
（从 subagent 结果中提取）
 
**当前表现**：
-邀请率：10%
-K因子：0.8（自增长阈值：1.0）
 
**瓶颈**：
-K因子 <1，无法实现自增长
-邀请激励不够
 
**建议**：
-增加双向邀请激励
-优化分享体验
-在激活后立即触发邀请
 
---
 
## 六、下一步建议
 
建议执行：
1./pm-growth - 制定详细的增长优化方案
2./pm-abtest - 设计 A/B 测试验证优化效果
3./pm-iteration - 将优化建议纳入迭代计划
 
---
 
**生成时间**: {时间}
**分析工具**: super-pm (Subagent 架构)
**分析模式**: 5环节并行分析

主 agent 执行流程：
1. 询问用户（10 tokens）
2. 收集数据（100 tokens）
3. 分析 Acquisition（500 tokens 分析过程）
4. 分析 Activation（500 tokens）
5. 分析 Retention（500 tokens）
6. 分析 Revenue（500 tokens）
7. 分析 Referral（500 tokens）
8. 综合分析（200 tokens）
9. 生成报告（100 tokens）
 
总计：2910 tokens
耗时：串行执行，约 8-12 分钟
上下文占用：所有分析细节全量占用

主 agent 执行流程：
1. 询问用户（10 tokens）
2. 收集数据（100 tokens）
3. 派发 5 个 subagent（50 tokens）
   ├─ Subagent 1: Acquisition 分析（不占用主 agent）
   ├─ Subagent 2: Activation 分析（不占用主 agent）
   ├─ Subagent 3: Retention 分析（不占用主 agent）
   ├─ Subagent 4: Revenue 分析（不占用主 agent）
   └─ Subagent 5: Referral 分析（不占用主 agent）
4. 接收结果（250 tokens 结构化数据）
5. 综合分析（200 tokens）
6. 生成报告（100 tokens）
 
总计：710 tokens
耗时：并行执行，约 2-3 分钟
效率提升：76% token 节省，4x 速度提升

v1: A → A → R → R → R（串行，5个环节依次分析）
v2: A
    ├─ A
    ├─ R  （并行，5个环节同时分析）
    ├─ R
    └─ R

- 有数据引用：「根据 Q4 数据，留存率从 35% 降至 28%」
- 有验证来源：「数据来源：Google Analytics, 2025-12-01」
- 有明确建议：「建议将新手引导步骤从 5 步减少至 3 步」