前言¶

運營復盤裏常見兩種失效方式：一是憑直覺點名「轉化率掉了」，卻說不清漏斗哪一環、相對哪條基線、統計上是否站得住；二是結論一齣就鋪一堆動作，沒有可證僞假設，也沒有單變量複測和停止線，下一輪週報仍無法判斷動作是否有效。

下面介紹 SkillHub 社區 Skill「運營數據診斷｜簡詩 AI」。它把診斷拆成「覈對口徑與證據 → 構建問題樹與瓶頸排序 → 交付補證與複測計劃」，在數據不足或口徑衝突時明確禁止直接斷言根因，只輸出可證僞假設與補證任務。標籤 requires_api_key=false，不依賴額外 API Key。

這是什麼¶

一句話定位：面向業務漏斗與歷史運營數據的診斷型 Agent Skill，用於定位當前最嚴重的運營瓶頸，並安排可驗證的複測。

座標與版本：@user_fccf428b/operations-data-diagnostician，當前版本 v1.0.3。

來源與分類：SkillHub 社區（community）發佈，分類爲 data-analysis，發佈者爲 user_fccf428b。頁面展示評分 100000，下載 2406 次（統計以 SkillHub 頁面爲準）。

官方入口：

• API 頁：https://api.skillhub.cn/user_fccf428b/operations-data-diagnostician
• SkillHub 頁：https://www.skillhub.cn/skills/user_fccf428b/operations-data-diagnostician

核心功能¶

官方簡介與頁面說明一致，能力可歸納爲以下階段（均須基於你提供的業務與數據上下文執行，而非憑空編造指標）。

1. 對齊目標、漏斗與時間窗口¶

先覈對業務目標、漏斗各環節定義、分析所用時間窗口，避免「同名指標、不同口徑」導致誤判。

2. 覈對數據、渠道、基線與異常¶

對照各環節數據、渠道表現、歷史基線，並納入異常事件、歷史動作與數據口徑說明，形成可引用的事實基礎。

3. 結構化交付物¶

在證據充分的前提下，Skill 會組織並輸出（具體形態由對話與 SKILL.md 指引決定，以下爲官方列舉的交付類型）：

• 事實、假設、缺口與數據質量清單
• 漏斗問題樹、異常定位與瓶頸排序
• 補證任務
• 單變量複測方案、指標字典
• 可觀察指標與停止線

4. 證據不足時的邊界¶

當沒有數據、口徑衝突或樣本不足時，Skill 說明中明確要求：不能直接斷言根因，只能輸出補證計劃與可證僞假設。這一點與「先下結論再找數據」的復盤習慣形成對照，適合需要審計痕跡的團隊。

安裝與啓用¶

SkillHub 提供兩種常見方式：讓 Agent 按安裝文檔拉取，或用 CLI 安裝到當前客戶端的 skills 目錄。

方式一：提示詞安裝（官方頁面推薦）¶

將下面意圖發給已支持 SkillHub 安裝流程的 AI（具體步驟見 SkillHub 安裝文檔）：

請根據 https://skillhub.cn/install/skillhub.md，安裝 `@user_fccf428b/operations-data-diagnostician`。

方式二：skillhub CLI¶

若本機已有 skillhub，安裝時必須用 --dir 指向當前 Agent 識別的 skills 目錄，否則默認落在 ./skills/ 可能不會被加載。

檢查 CLI：

command -v skillhub && skillhub --version

未安裝時可按 SkillHub 文檔執行官方安裝腳本（需聯網）。安裝技能示例（Cursor 用戶將目錄換爲 ~/.cursor/skills/；Claude Code 爲 ~/.claude/skills/；Codex 爲 ~/.codex/skills/ 或項目下 .agents/skills/，以你當前環境爲準）：

skillhub install @user_fccf428b/operations-data-diagnostician --dir ~/.cursor/skills/

安裝後按你所用客戶端要求刷新或重啓 Agent，使 SKILL.md 生效。本 Skill 不需要配置 API Key（requires_api_key=false）。

典型用法¶

官方未提供固定「一鍵腳本」示例，觸發條件寫在 Skill 說明裏：當用戶需要根據業務漏斗和歷史數據定位當前最嚴重的運營瓶頸並安排複測時使用。下面是一段可復現的對話起點（需替換爲你真實的業務名、漏斗與數據說明）：

請使用運營數據診斷 Skill，幫我做一次漏斗診斷。

業務目標：[填寫，如提升付費轉化率]
漏斗定義：[曝光 → 點擊 → 註冊 → 首單，各環節口徑說明]
時間窗口：[如近 14 天 vs 前 14 天]
已有數據：[粘貼或描述各環節數值、分渠道表、已知異常事件]
歷史動作：[近 30 天做過的運營/產品改動]
數據口徑疑問：[若有指標定義不一致，寫明衝突點]

請按 Skill 要求輸出：數據質量清單、問題樹、瓶頸排序、補證任務、單變量複測與指標字典（含可觀察指標與停止線）。若樣本不足或口徑衝突，只給可證僞假設與補證計劃，不要斷言根因。

經過上面的步驟，你應得到可交給數據同學補數、或交給運營做 A/B 複測的結構化清單，而不是單句「優化落地頁」類結論。

適用場景與注意¶

適合誰

• 增長、運營、產品負責人：需要在週報或專項復盤裏排序瓶頸，而不是羅列現象。
• 需要與數據、工程對齊口徑與證據鏈的團隊。
• 希望把「下一步」寫成單變量複測 + 停止線、便於下一輪對照驗證的場景。

限制與注意

• 診斷質量取決於你提供的漏斗定義、時間窗、分渠道數據與異常說明；Skill 不會在無數據時編造根因。
• 頁面統計的「安裝 0」僅表示 SkillHub 側計數方式，不影響通過 CLI 或提示詞安裝到本地 skills 目錄。
• 版本以 SkillHub 爲準（當前 1.0.3）；升級可用 skillhub 對應更新命令，並繼續指定正確的 --dir。

結尾¶

「運營數據診斷｜簡詩 AI」把運營數據分析收斂爲：先對齊口徑與證據，再排序瓶頸，最後用可證僞的複測計劃閉合 loop。若你正卡在漏斗某環、又缺一套可執行的補證與複測框架，可從官方頁安裝 @user_fccf428b/operations-data-diagnostician：

https://www.skillhub.cn/skills/user_fccf428b/operations-data-diagnostician