{"id":"f3ae3647-2b4c-4676-9999-5690c004c87d","shortId":"DYP8Jg","kind":"skill","title":"p10d-saas-case","tagline":"'AI Native 产品方法论——AI Native SaaS 行业案例模板 Skill。","description":"# AI Native SaaS 案例模板 Skill\n\n## 使用场景\n\n- 传统 SaaS 产品需要 AI Native 化改造\n- 需要设计数据分析类产品的 AI 能力升级路径\n- 关注语义层构建、能力护城河和数据飞轮建设场景\n\n## AI Native SaaS 特征与适配性\n\n| SaaS 特征 | 对方法论的影响 |\n|-----------|--------------|\n| 功能型 → 能力型 | 不是加 AI 功能，而是重写能力入口 |\n| 语义层依赖 | 需要构建业务语义理解和指标语义层 |\n| 数据积累 | 用户数据形成天然的反馈飞轮 |\n| 能力护城河 | 真实使用越多，能力越难被复制 |\n| 订阅商业模式 | 适合用价值信号驱动续费 |\n\n## AI Native SaaS 方法论路径\n\n```\n@ai-native-direction-framing\n  → 选择最值得 AI Native 化的功能层\n  → 输出：Direction Brief\n\n@p2a-experiment-overview + @p2b-product-form-exploration\n  → 验证语义理解、数据解释、洞察生成能力\n  → 输出：产品形态建议\n\n@p2c-process-redesign\n  → 分析流程重构：问答 → 追问 → 下钻 → 行动\n  → 输出：交互工作流\n\n@ai-native-context-engineering\n  → 业务上下文构建：指标语义、维度关系、权限语义\n  → 输出：上下文架构\n\n@ai-native-knowledge-rag\n  → 领域知识 RAG：行业术语、口径定义、业务规则\n  → 输出：语义层设计\n\n@ai-native-agent-skill-design\n  → 分析 Agent：指标查询、趋势解读、异常归因\n  → 输出：Agent 和 Skill 设计\n\n@ai-native-ux-design\n  → 自然语言交互设计\n  → 输出：信任分级和渐进式透明\n\n@ai-native-audit-release\n  → 数据准确性和洞察可靠性审计\n  → 输出：放行决策\n\n@ai-native-production-ops\n  → 用户行为观测和数据飞轮建设\n  → 输出：生产运行方案\n```\n\n## SaaS AI Native 化分层\n\n### 第一层：增强型（最常见）\n- 自然语言查询替代下拉筛选\n- AI 解读取代固定报表\n- 异常自动发现和推送\n- → 适合：加在现有产品上，快速验证\n\n### 第二层：重构型\n- 问答即分析（NL to SQL / API）\n- 主动洞察推送（不只是被动查询）\n- 预测性建议（而非历史数据展示）\n- → 适合：产品全面 AI Native 化\n\n### 第三层：自主型\n- AI 自动执行业务动作（数据录入、报告生成、任务派发）\n- 跨系统自动化工作流\n- → 适合：有强集成能力的高阶产品\n\n## SaaS 案例 Skill 输出模板\n\n\\`\\`\\`yaml\n# AI Native SaaS 案例方案\n\n方向定界:\n  核心问题: [哪个功能层最值得 AI Native 化]\n  当前产品: [现有 SaaS 产品类型]\n  AI Native 化层次: [增强型 / 重构型 / 自主型]\n  Direction Brief: [输出]\n\n试验展开:\n  能力实验:\n    - 语义理解: [自然语言解析准确率]\n    - 指标计算: [SQL生成准确率 / 误差率]\n    - 异常检测: [误报率 / 漏报率]\n  产品实验:\n    - 形态: [问答式 / 推送式 / 自主式]\n    - 用户接受度测试\n  商业实验:\n    - 付费意愿提升测试\n    - 续费率对比\n\n系统构建:\n  语义层:\n    - 指标定义: [原子指标 / 派生指标]\n    - 维度关系: [业务口径]\n    - 权限语义: [行级 / 列级权限]\n  Agent 设计:\n    - 查询理解 Agent\n    - 指标计算 Agent\n    - 异常归因 Agent\n    - 报告生成 Agent\n  Memory: [用户偏好 / 分析历史 / 常用指标]\n  Context: [数据库Schema / 业务口径 / 权限上下文]\n  RAG: [指标口径文档 / 行业知识 / 使用指南]\n  UX: [自然语言输入 / 信任分级展示 / 可解释输出]\n\n审计放行:\n  数据准确性: [误差容忍标准]\n  洞察可靠性: [置信度展示标准]\n  权限安全: [数据隔离验证]\n\n生产运行:\n  数据飞轮: [用户查询 → 反馈 → 能力优化]\n  指标监控: [查询成功率 / 准确率 / 用户满意度]\n  价值发现: [使用频率 / 功能依赖度 / 续费相关性]\n\\`\\`\\`\n\n## 与其他 Skill 的关系\n\n- **核心协同**：@ai-native-context-engineering（语义层），@ai-native-agent-skill-design（分析Agent），@ai-native-ux-design（自然语言交互）\n- **配套**：@ai-native-production-ops（数据飞轮），@p10a-value-discovery-loop（价值发现）\n- **案例 Skill**：@p10b-aiops-case（AIOps场景），@p10c-customer-service-case（客服场景）\n\n## 适用边界\n\n- ✅ 数据分析类 SaaS（BI、CRM、ERP、分析平台）\n- ✅ 需要自然语言查询能力的工具型 SaaS\n- ✅ 可以形成数据飞轮的订阅型产品\n- ❌ 数据质量极差、指标口径混乱的产品（先做数据治理）\n- ❌ 强事务性、低分析价值的工具型 SaaS\n\n## 核心概念\n\n### 1. 能力重写产品形态\n\n传统 SaaS 把价值组织在一组功能模块里，用户必须自己学会字段、流程、筛选和操作路径。AI Native SaaS 则试图把原本依赖分析师、顾问或资深业务角色的理解能力，直接做成用户可调用的产品能力。真正被重写的不是界面，而是能力结构。\n\n### 2. 语义层是核心基础设施\n\n语义层本质上是在做一件很难但很值钱的事：把原来只存在于分析师脑中的业务理解路径，转成系统能稳定调用的结构。这通常至少包含：业务术语和指标口径的统一表达、维度和关系的可解释结构、数据访问权限、当前用户和当前场景的上下文边界、以及解释结果时必须展示的依据。语义层不是附加模块，而是整个产品形态变化的核心基础设施。\n\n### 3. 能力护城河由使用积累\n\n用户问得越多，系统积累的真实问题越多；人工修得越多，系统理解的行业语义越稳；语义层越稳，能力越可复用；能力越可复用，产品越容易被组织深度依赖。后来者即使接入同样的模型，也很难复制同一套问题结构、分析路径和组织语义资产。\n\n### 4. 数据飞轮效应\n\nAI Native SaaS 的数据飞轮：用户查询 → 系统回答 → 人工修正 → 能力优化 → 更多用户使用。每一次真实查询、每一次人工修正、每一次口径澄清，都在让产品变得更懂这个行业、这个组织、这个用户的真实需求。\n\n### 5. 口径一致性是生死线\n\n分析类产品最难的地方，往往不是不会回答，而是用了错口径还回答得像是真的。比如销售团队问\"上周华东区转化率为什么下滑\"，系统如果把\"转化率\"理解成\"注册到下单\"，而财务团队日常使用的其实是\"线索到回款\"，那么它给出的解释即使语句流畅，也会在第一步就把业务带偏。\n\n## 分步执行\n\n### 步骤 1：方向定界——选定最值得先产品化的分析问题\n\n**输入**：现有 SaaS 产品、用户使用数据、业务场景\n\n**执行要点**：\n- 判断基础条件：数据质量如何？指标口径是否统一？是否有足够的历史查询和修正样本？\n- 选择第一批目标：销售异常解释、经营归因、库存预警、客户分层建议——通常比\"让 AI 回答所有数据问题\"更适合\n- 确定 AI Native 化层次：增强型（加在现有产品上）、重构型（产品全面 AI Native 化）、自主型（AI 自动执行业务动作）\n\n**输出**：Direction Brief（含目标功能层、AI Native 化层次、约束条件）\n\n### 步骤 2：试验展开——验证语义理解、数据解释和洞察生成能力\n\n**输入**：Direction Brief、业务数据、指标口径文档\n\n**执行要点**：\n- **语义理解验证**：系统能否正确理解指标、时间范围、口径差异和业务语义？\n- **数据解释验证**：SQL/API 生成准确率如何？误差容忍度是多少？\n- **洞察生成验证**：异常检测的误报率和漏报率如何？\n- 重点暴露：组织内部的语义混乱——同一指标在不同团队里解释不同，同一异常在不同报表里口径不同\n\n**输出**：产品形态建议（问答式 / 推送式 / 自主式）+ 能力实验报告\n\n### 步骤 3：系统构建——搭建语义层、上下文层和可解释输出\n\n**输入**：试验结论、数据架构约束\n\n**执行要点**：\n- 构建语义层：指标定义（原子指标 / 派生指标）、维度关系（业务口径）、权限语义（行级 / 列级权限）\n- 拆分能力单元：查询理解 Skill、指标计算 Skill、异常归因 Skill、报告生成 Skill\n- 构建 Agent 编排：查询理解 Agent → 指标计算 Agent → 异常归因 Agent → 报告生成 Agent\n- 设计 Memory：用户偏好、分析历史、常用指标\n- 设计 Context：数据库 Schema、业务口径、权限上下文\n- 设计 RAG：指标口径文档、行业知识、使用指南\n- 设计 UX：自然语言输入、信任分级展示、可解释输出\n\n**输出**：系统架构方案（含语义层设计、Agent 设计、UX 设计）\n\n### 步骤 4：审计放行——控制口径混乱、越权取数和错误解释\n\n**输入**：系统架构方案、数据安全规范\n\n**执行要点**：\n- 数据准确性：误差容忍标准是多少？关键指标的精度要求？\n- 洞察可靠性：置信度展示标准是什么？不确定时是否显式暴露？\n- 权限安全：数据隔离验证是否通过？行级/列级权限是否正确？\n- 放行重点：清楚区分\"已有足够证据的结论\"\"需要更多上下文的判断\"和\"当前不该给结论的场景\"\n\n**输出**：放行决策 + 数据准确性标准 + 权限验证报告\n\n### 步骤 5：生产运行——积累真实问题、修正路径和行业语义资产\n\n**输入**：放行决策、生产环境配置\n\n**执行要点**：\n- 设计数据飞轮：用户查询 → 系统回答 → 人工修正 → 能力优化 → 更多用户使用\n- 设计可观测性：查询成功率、准确率、用户满意度、功能依赖度\n- 识别改进信号：哪些指标口径需要重新整理？哪些行业术语需要补充？哪些分析路径最常被采纳？\n- 建立循环优化节奏：周度查询分析 + 月度口径校准 + 季度能力评估\n\n**输出**：生产运行方案（含数据飞轮设计、监控指标）\n\n### 步骤 6：价值发现——从使用频率到续费率的商业闭环\n\n**输入**：生产运行数据、商业目标\n\n**执行要点**：\n- 使用频率信号：哪些功能被高频使用？哪些用户最依赖 AI 分析能力？\n- 功能依赖度信号：用户是否从\"偶尔用\"变成\"离不开\"？\n- 续费相关性：AI 功能使用频率与续费率的相关性如何？\n- 护城河信号：真实问题积累、行业语义深度、组织依赖程度\n\n**输出**：价值发现方案\n\n## 示例 1：BI 工具 AI Native 化改造\n\n### 背景\n\n某企业级 BI 产品有 200+ 企业客户，当前痛点：\n- 普通业务用户看不懂报表，需要找分析师帮忙\n- 分析师 80% 时间在做重复性数据提取和解释\n- 同一个指标，不同部门的口径不一致\n- 新功能上线后用户不知道如何使用\n\n### Skill 执行输出\n\n```yaml\n# AI Native SaaS 案例方案：BI 工具 AI Native 化\n\n方向定界:\n  核心问题: 分析能力集中在少数分析师手里，普通业务用户拿不到分析能力\n  当前产品: 企业级 BI 平台（报表 + 看板 + 数据导出）\n  AI Native 化层次: 重构型（从功能模块重写为能力入口）\n  Direction Brief: 将自然语言查询和主动洞察推送作为第一层能力\n\n试验展开:\n  能力实验:\n    语义理解:\n      自然语言解析准确率: 86%（正确理解指标、维度、时间范围）\n      结论: 可用，需结合语义层增强\n    指标计算:\n      SQL 生成准确率: 82%（生成的 SQL 返回正确结果）\n      误差率: 5%（边界情况处理不准确）\n      结论: 可用，需人工审核关键查询\n    异常检测:\n      误报率: 12%\n      漏报率: 8%\n      结论: 可用于辅助发现，需人工确认\n  产品实验:\n    形态: 问答式（自然语言查询）+ 推送式（主动洞察）\n    用户接受度: 78%（业务用户愿意使用自然语言查询）\n  商业实验:\n    付费意愿提升: 65% 的客户表示愿意为 AI 分析能力付费\n    续费率对比: 使用 AI 功能的客户续费率比不使用的高 15%\n\n系统构建:\n  语义层:\n    指标定义:\n      原子指标: 销售额、订单量、客单价、转化率...\n      派生指标: 同比增长率、环比增长率、目标完成率...\n    维度关系:\n      时间维度: 日/周/月/季/年\n      地域维度: 国家/省/市/区\n      产品维度: 品类/SKU/品牌\n      客户维度: 新客/老客/VIP\n    权限语义:\n      行级权限: 按部门/区域限制数据范围\n      列级权限: 按角色限制敏感字段\n  Agent 设计:\n    查询理解 Agent: 解析自然语言 → 提取指标、维度、时间、过滤条件\n    指标计算 Agent: 根据语义层 → 生成查询 → 执行计算\n    异常归因 Agent: 检测异常 → 分析可能原因 → 排序推荐\n    报告生成 Agent: 组织结果 → 生成可解释报告 → 附带数据来源\n  Memory:\n    - 用户偏好: 常用指标、常用维度、展示格式\n    - 分析历史: 最近 30 天查询历史\n    - 常用指标: 每个用户 Top10 常用指标\n  Context:\n    - 数据库 Schema: 表结构、字段说明、关联关系\n    - 业务口径: 每个指标的计算公式和业务含义\n    - 权限上下文: 当前用户的数据访问范围\n  RAG:\n    - 指标口径文档: 200+ 个指标的定义和计算规则\n    - 行业知识: 行业分析框架和最佳实践\n    - 使用指南: 产品功能说明和使用技巧\n  UX:\n    - 自然语言输入: 输入框 + 智能补全 + 意图提示\n    - 信任分级展示: 高置信度直接展示、中置信度标注\"仅供参考\"、低置信度标注\"需人工确认\"\n    - 可解释输出: 每个结论附带数据来源、计算过程和关键假设\n\n审计放行:\n  数据准确性:\n    关键指标误差: <1%\n    一般指标误差: <3%\n    边界情况: 需人工审核\n  洞察可靠性:\n    高置信度: 直接展示（数据充分、逻辑清晰）\n    中置信度: 标注\"仅供参考\"（数据有限或逻辑有假设）\n    低置信度: 标注\"需人工确认\"（数据不足或逻辑不确定）\n  权限安全:\n    数据隔离: 通过行级/列级权限验证\n    敏感字段: 脱敏展示或禁止访问\n\n生产运行:\n  数据飞轮:\n    用户查询 → 系统回答 → 人工修正 → 口径优化 → 能力提升\n    每月新增真实查询: 10000+\n    每月人工修正: 500+\n    口径优化频率: 月度\n  指标监控:\n    查询成功率: 92%\n    准确率: 85%\n    用户满意度: 4.2/5\n  价值发现:\n    使用频率: 日均查询 500+ 次/企业\n    功能依赖度: 60% 的日常分析通过 AI 完成\n    续费相关性: AI 功能使用频率与续费率正相关（r=0.72）\n```\n\n### 关键决策点\n\n| 决策点 | 选择 | 理由 |\n|--------|------|------|\n| AI Native 化层次 | 重构型 | 从功能模块重写为能力入口 |\n| 第一批能力 | 自然语言查询 + 主动洞察 | 价值最直接，用户感知最强 |\n| 语义层优先级 | P0 | 没有语义层，AI 分析就是空中楼阁 |\n| 风险控制 | 置信度分级展示 | 分析类产品最怕误导决策 |\n\n---\n\n## 示例 2：CRM 系统 AI Native 化\n\n### 背景\n\n某 B2B CRM 产品有 100+ 企业客户，当前痛点：\n- 销售团队花大量时间手动录入客户信息和跟进记录\n- 客户画像分散，需要跨多个系统查看\n- 销售预测依赖经验，缺乏数据支撑\n- 管理层需要的经营分析报告需要分析师手动制作\n\n### Skill 执行输出\n\n```yaml\n# AI Native SaaS 案例方案：CRM AI Native 化\n\n方向定界:\n  核心问题: 客户信息碎片化 + 销售预测缺乏数据支撑 + 分析报告依赖人工\n  当前产品: B2B CRM（客户管理 + 销售管道 + 报表）\n  AI Native 化层次: 增强型（在现有产品上叠加 AI 能力）\n  Direction Brief: 先做智能客户画像和销售预测，再做经营分析自动化\n\n试验展开:\n  能力实验:\n    客户画像整合:\n      准确率: 88%（从多源数据中提取客户特征）\n      结论: 可用，需人工审核关键信息\n    销售预测:\n      准确率: 75%（预测下一季度销售额）\n      结论: 可用于辅助决策，需结合人工判断\n    经营分析:\n      报告生成准确率: 80%（自动生成经营分析报告）\n      结论: 可用于常规报告，复杂分析需人工补充\n  产品实验:\n    形态: 增强型（在现有 CRM 界面上叠加 AI 能力）\n    用户接受度: 72%（销售团队愿意使用 AI 辅助）\n  商业实验:\n    付费意愿: 58% 的客户愿意为 AI 功能额外付费\n    续费率提升: 使用 AI 功能的客户续费率高 12%\n\n系统构建:\n  语义层:\n    指标定义:\n      原子指标: 客户活跃度、商机金额、转化率、跟进频率\n      派生指标: 客户健康度、商机赢率、销售周期\n    维度关系:\n      客户维度: 行业/规模/阶段/区域\n      销售维度: 销售阶段/来源/负责人\n      时间维度: 季度/月/周\n  Agent 设计:\n    客户画像 Agent: 整合多源数据 → 生成客户画像 → 标记风险和机会\n    销售预测 Agent: 分析历史数据 → 预测趋势 → 提供置信区间\n    报告生成 Agent: 理解分析需求 → 组织数据 → 生成报告\n  Memory:\n    - 客户历史: 交互记录、购买历史、反馈\n    - 销售行为: 跟进频率、转化模式\n  RAG:\n    - 产品知识: 功能说明、定价策略\n    - 行业知识: 行业趋势、竞品分析\n    - 最佳实践: 成功案例、销售技巧\n  UX:\n    - 智能摘要: 自动汇总客户信息\n    - 预测面板: 销售预测 + 置信区间 + 关键影响因素\n    - 报告模板: 一键生成经营分析报告\n\n审计放行:\n  数据准确性:\n    客户画像: 关键信息准确率 >90%\n    销售预测: 误差 <20%\n  洞察可靠性:\n    预测结果: 必须附带置信区间\n    分析报告: 必须标注数据来源\n  权限安全:\n    客户数据: 按销售负责人隔离\n    经营数据: 按管理层级过滤\n\n生产运行:\n  数据飞轮:\n    用户使用 → 反馈修正 → 模型优化 → 更准确的预测和分析\n  指标监控:\n    AI 功能使用率: 日均 200+ 次/企业\n    预测准确率: 季度评估\n    报告采纳率: 75%\n  价值发现:\n    使用频率: AI 功能日活跃用户占比 65%\n    功能依赖度: 70% 的销售预测通过 AI 完成\n    续费相关性: AI 功能使用频率与续费率正相关（r=0.68）\n```\n\n### 关键决策点\n\n| 决策点 | 选择 | 理由 |\n|--------|------|------|\n| AI Native 化层次 | 增强型 | 现有产品基础好，叠加 AI 能力更务实 |\n| 第一批能力 | 客户画像 + 销售预测 | 价值最直接，用户感知最强 |\n| 语义层重点 | 客户维度 + 销售维度 | CRM 核心业务语义 |\n| 风险控制 | 置信区间 + 数据来源标注 | 预测类产品必须暴露不确定性 |","tags":["p10d","saas","case","native","product","agent","skills","gmaxxxie","agent-skills","ai-agent","ai-native","ai-product"],"capabilities":["skill","source-gmaxxxie","skill-p10d-saas-case","topic-agent-skills","topic-ai-agent","topic-ai-native","topic-ai-product","topic-methodology","topic-product-management","topic-product-methodology","topic-product-thinking","topic-skills"],"categories":["ai-native-product-agent-skills"],"synonyms":[],"warnings":[],"endpointUrl":"https://skills.sh/gmaxxxie/ai-native-product-agent-skills/p10d-saas-case","protocol":"skill","transport":"skills-sh","auth":{"type":"none","details":{"cli":"npx skills add gmaxxxie/ai-native-product-agent-skills","source_repo":"https://github.com/gmaxxxie/ai-native-product-agent-skills","install_from":"skills.sh"}},"qualityScore":"0.478","qualityRationale":"deterministic score 0.48 from registry signals: · indexed on github topic:agent-skills · 56 github stars · SKILL.md body (8,950 chars)","verified":false,"liveness":"unknown","lastLivenessCheck":null,"agentReviews":{"count":0,"score_avg":null,"cost_usd_avg":null,"success_rate":null,"latency_p50_ms":null,"narrative_summary":null,"summary_updated_at":null},"enrichmentModel":"deterministic:skill-github:v1","enrichmentVersion":1,"enrichedAt":"2026-05-18T18:57:27.635Z","embedding":null,"createdAt":"2026-05-01T01:02:54.306Z","updatedAt":"2026-05-18T18:57:27.635Z","lastSeenAt":"2026-05-18T18:57:27.635Z","tsv":"'/5':931 '/sku':803 '/vip':808 '0.68':1190 '0.72':947 '1':365,441,673,887 '100':982 '10000':919 '12':751,1070 '15':776 '2':381,488,971 '20':1148 '200':683,864,1169 '3':394,519,889 '30':846 '4':407,585 '4.2':930 '5':424,614,744 '500':921,935 '58':1062 '6':646 '60':939 '65':768,1180 '70':1182 '72':1056 '75':1035,1175 '78':764 '8':753 '80':689,1042 '82':739 '85':928 '86':729 '88':1028 '90':1145 '92':926 'agent':119,123,128,253,256,258,260,262,312,546,549,551,553,555,580,815,818,825,830,835,1097,1100,1105,1110 'ai':5,8,13,22,26,30,40,52,57,62,94,105,117,133,141,149,157,164,183,188,201,208,215,304,310,317,324,373,409,462,466,473,477,483,656,664,676,697,703,717,770,774,941,944,952,965,974,994,999,1013,1018,1053,1058,1064,1068,1166,1178,1184,1187,1195,1201 'ai-native-agent-skill-design':116,309 'ai-native-audit-releas':140 'ai-native-context-engin':93,303 'ai-native-direction-fram':56 'ai-native-knowledge-rag':104 'ai-native-production-op':148,323 'ai-native-ux-design':132,316 'aiop':339 'aiops场景':341 'api':176 'audit':143 'b2b':979,1008 'bi':351,674,681,701,712 'brief':67,222,481,494,723,1021 'case':4,340,346 'context':96,267,306,562,852 'crm':352,972,980,998,1009,1051,1211 'custom':344 'design':121,136,314,320 'direct':59,66,221,480,493,722,1020 'discoveri':332 'engin':97,307 'erp':353 'experi':70 'explor':76 'form':75 'frame':60 'knowledg':107 'loop':333 'memori':263,557,839,1114 'nativ':6,9,14,23,31,53,58,63,95,106,118,134,142,150,158,184,202,209,216,305,311,318,325,374,410,467,474,484,677,698,704,718,953,975,995,1000,1014,1196 'nl':173 'op':152,327 'overview':71 'p0':963 'p10a':330 'p10a-value-discovery-loop':329 'p10b':338 'p10b-aiops-case':337 'p10c':343 'p10c-customer-service-case':342 'p10d':2 'p10d-saas-case':1 'p2a':69 'p2a-experiment-overview':68 'p2b':73 'p2b-product-form-exploration':72 'p2c':83 'p2c-process-redesign':82 'process':84 'product':74,151,326 'r':946,1189 'rag':108,110,271,568,862,1122 'redesign':85 'releas':144 'saa':3,10,15,20,32,34,54,156,196,203,213,350,356,363,368,375,411,446,699,996 'schema':564,854 'servic':345 'skill':12,17,120,130,198,300,313,336,538,540,542,544,694,991 'skill-p10d-saas-case' 'source-gmaxxxie' 'sql':175,737,741 'sql/api':503 'sql生成准确率':229 'top10':850 'topic-agent-skills' 'topic-ai-agent' 'topic-ai-native' 'topic-ai-product' 'topic-methodology' 'topic-product-management' 'topic-product-methodology' 'topic-product-thinking' 'topic-skills' 'ux':135,275,319,573,582,870,1132 'valu':331 'yaml':200,696,993 '一般指标误差':888 '一键生成经营分析报告':1140 '上下文层和可解释输出':522 '上下文架构':103 '上周华东区转化率为什么下滑':430 '下钻':89 '不只是被动查询':178 '不同部门的口径不一致':692 '不是加':39 '不确定时是否显式暴露':598 '与其他':299 '业务上下文构建':98 '业务口径':249,269,532,565,858 '业务场景':449 '业务数据':495 '业务术语和指标口径的统一表达':387 '业务用户愿意使用自然语言查询':765 '业务规则':113 '个指标的定义和计算规则':865 '中置信度':897 '中置信度标注':877 '主动洞察':762,959 '主动洞察推送':177 '也会在第一步就把业务带偏':438 '也很难复制同一套问题结构':405 '交互工作流':92 '交互记录':1116 '产品':447 '产品全面':182,472 '产品功能说明和使用技巧':869 '产品实验':234,757,1047 '产品形态建议':81,513 '产品方法论':7 '产品有':682,981 '产品知识':1123 '产品类型':214 '产品维度':801 '产品越容易被组织深度依赖':403 '产品需要':21 '人工修得越多':398 '人工修正':415,625,915 '仅供参考':878,899 '从使用频率到续费率的商业闭环':648 '从功能模块重写为能力入口':721,956 '从多源数据中提取客户特征':1029 '付费意愿':1061 '付费意愿提升':767 '付费意愿提升测试':241 '以及解释结果时必须展示的依据':391 '价值发现':295,334,647,932,1176 '价值发现方案':671 '价值最直接':960,1206 '任务派发':192 '企业':937,1171 '企业客户':684,983 '企业级':711 '传统':19,367 '低分析价值的工具型':362 '低置信度':901 '低置信度标注':879 '使用':773,1067 '使用场景':18 '使用指南':274,571,868 '使用频率':296,933,1177 '使用频率信号':653 '信任分级和渐进式透明':139 '信任分级展示':277,575,875 '修正路径和行业语义资产':617 '偶尔用':660 '先做数据治理':360 '先做智能客户画像和销售预测':1022 '关注语义层构建':28 '关联关系':857 '关键信息准确率':1144 '关键决策点':948,1191 '关键影响因素':1138 '关键指标的精度要求':595 '关键指标误差':886 '再做经营分析自动化':1023 '决策点':949,1192 '准确率':293,630,927,1027,1034 '分析':122 '分析agent':315 '分析历史':265,559,844 '分析历史数据':1106 '分析可能原因':832 '分析就是空中楼阁':966 '分析师':688 '分析平台':354 '分析报告':1152 '分析报告依赖人工':1006 '分析流程重构':86 '分析类产品最怕误导决策':969 '分析类产品最难的地方':426 '分析能力':657 '分析能力付费':771 '分析能力集中在少数分析师手里':708 '分析路径和组织语义资产':406 '分步执行':439 '列级权限':252,535,813 '列级权限是否正确':602 '列级权限验证':908 '则试图把原本依赖分析师':376 '判断基础条件':451 '功能':41 '功能使用率':1167 '功能使用频率与续费率正相关':945,1188 '功能使用频率与续费率的相关性如何':665 '功能依赖度':297,632,938,1181 '功能依赖度信号':658 '功能型':37 '功能日活跃用户占比':1179 '功能的客户续费率比不使用的高':775 '功能的客户续费率高':1069 '功能说明':1124 '功能额外付费':1065 '加在现有产品上':168,470 '化':185,210,475,705,976,1001 '化分层':159 '化层次':217,468,485,719,954,1015,1197 '化改造':24,678 '化的功能层':64 '区':800 '区域':1088 '区域限制数据范围':812 '原子指标':246,529,780,1074 '反馈':289,1118 '反馈修正':1162 '变成':661 '叠加':1200 '口径一致性是生死线':425 '口径优化':916 '口径优化频率':922 '口径定义':112 '口径差异和业务语义':501 '可以形成数据飞轮的订阅型产品':357 '可用':734,747,1031 '可用于常规报告':1045 '可用于辅助决策':1038 '可用于辅助发现':755 '可解释输出':278,576,881 '同一个指标':691 '同一异常在不同报表里口径不同':511 '同一指标在不同团队里解释不同':510 '同比增长率':786 '后来者即使接入同样的模型':404 '含数据飞轮设计':643 '含目标功能层':482 '含语义层设计':579 '周':792,1096 '周度查询分析':638 '和':129,607 '品牌':804 '品类':802 '哪个功能层最值得':207 '哪些分析路径最常被采纳':636 '哪些功能被高频使用':654 '哪些指标口径需要重新整理':634 '哪些用户最依赖':655 '哪些行业术语需要补充':635 '商业实验':240,766,1060 '商业目标':651 '商机赢率':1081 '商机金额':1076 '回答所有数据问题':463 '国家':797 '在现有':1050 '在现有产品上叠加':1017 '地域维度':796 '增强型':161,218,469,1016,1049,1198 '复杂分析需人工补充':1046 '天查询历史':847 '字段说明':856 '季':794 '季度':1094 '季度能力评估':640 '季度评估':1173 '完成':942,1185 '定价策略':1125 '审计放行':279,586,884,1141 '客单价':783 '客户信息碎片化':1004 '客户健康度':1080 '客户分层建议':459 '客户历史':1115 '客户数据':1155 '客户活跃度':1075 '客户画像':1099,1143,1204 '客户画像分散':986 '客户画像整合':1026 '客户管理':1010 '客户维度':805,1084,1209 '客服场景':347 '对方法论的影响':36 '将自然语言查询和主动洞察推送作为第一层能力':724 '展示格式':843 '工具':675,702 '已有足够证据的结论':605 '市':799 '常用指标':266,560,841,848,851 '常用维度':842 '平台':713 '年':795 '库存预警':458 '建立循环优化节奏':637 '异常归因':126,259,541,552,829 '异常检测':231,749 '异常检测的误报率和漏报率如何':507 '异常自动发现和推送':166 '强事务性':361 '当前不该给结论的场景':608 '当前产品':211,710,1007 '当前用户和当前场景的上下文边界':390 '当前用户的数据访问范围':861 '当前痛点':685,984 '形态':235,758,1048 '往往不是不会回答':427 '必须标注数据来源':1153 '必须附带置信区间':1151 '快速验证':169 '意图提示':874 '成功案例':1130 '执行要点':450,497,526,592,621,652 '执行计算':828 '执行输出':695,992 '把价值组织在一组功能模块里':369 '把原来只存在于分析师脑中的业务理解路径':384 '护城河信号':666 '报告模板':1139 '报告生成':191,261,543,554,834,1109 '报告生成准确率':1041 '报告采纳率':1174 '报表':714,1012 '拆分能力单元':536 '指标口径文档':272,496,569,863 '指标口径是否统一':453 '指标口径混乱的产品':359 '指标定义':245,528,779,1073 '指标查询':124 '指标监控':291,924,1165 '指标计算':228,257,539,550,736,824 '指标语义':99 '按管理层级过滤':1158 '按角色限制敏感字段':814 '按部门':811 '按销售负责人隔离':1156 '排序推荐':833 '控制口径混乱':587 '推送式':237,515,761 '提供置信区间':1108 '提取指标':820 '搭建语义层':521 '放行决策':147,610,619 '放行重点':603 '敏感字段':909 '数据不足或逻辑不确定':904 '数据充分':895 '数据准确性':280,593,885,1142 '数据准确性和洞察可靠性审计':145 '数据准确性标准':611 '数据分析类':349 '数据安全规范':591 '数据导出':716 '数据库':563,853 '数据库schema':268 '数据录入':190 '数据有限或逻辑有假设':900 '数据来源标注':1215 '数据架构约束':525 '数据积累':45 '数据解释':78 '数据解释和洞察生成能力':491 '数据解释验证':502 '数据访问权限':389 '数据质量如何':452 '数据质量极差':358 '数据隔离':906 '数据隔离验证':285 '数据隔离验证是否通过':600 '数据飞轮':287,328,912,1160 '数据飞轮效应':408 '整合多源数据':1101 '新功能上线后用户不知道如何使用':693 '新客':806 '方向定界':205,442,706,1002 '方法论路径':55 '日':791 '日均':1168 '日均查询':934 '时间':822 '时间在做重复性数据提取和解释':690 '时间维度':790,1093 '时间范围':500,732 '是否有足够的历史查询和修正样本':454 '普通业务用户拿不到分析能力':709 '普通业务用户看不懂报表':686 '智能摘要':1133 '智能补全':873 '更准确的预测和分析':1164 '更多用户使用':417,627 '更适合':464 '最佳实践':1129 '最常见':162 '最近':845 '月':793,1095 '月度':923 '月度口径校准':639 '有强集成能力的高阶产品':195 '权限上下文':270,566,860 '权限安全':284,599,905,1154 '权限语义':101,250,533,809 '权限验证报告':612 '来源':1091 '构建':545 '构建语义层':527 '某':978 '某企业级':680 '查询成功率':292,629,925 '查询理解':255,537,548,817 '标注':898,902 '标记风险和机会':1103 '核心业务语义':1212 '核心协同':302 '核心概念':364 '核心问题':206,707,1003 '根据语义层':826 '案例':197,335 '案例方案':204,700,997 '案例模板':16 '检测异常':831 '模型优化':1163 '次':936,1170 '正确理解指标':730 '步骤':440,487,518,584,613,645 '每一次人工修正':419 '每一次口径澄清':420 '每一次真实查询':418 '每个指标的计算公式和业务含义':859 '每个用户':849 '每个结论附带数据来源':882 '每月人工修正':920 '每月新增真实查询':918 '比如销售团队问':429 '没有语义层':964 '注册到下单':434 '洞察可靠性':282,596,892,1149 '洞察生成能力':79 '洞察生成验证':506 '派生指标':247,530,785,1079 '流程':371 '清楚区分':604 '漏报率':233,752 '特征':35 '特征与适配性':33 '环比增长率':787 '现有':212,445 '现有产品基础好':1199 '理由':951,1194 '理解分析需求':1111 '理解成':433 '生产环境配置':620 '生产运行':286,615,911,1159 '生产运行数据':650 '生产运行方案':155,642 '生成准确率':738 '生成准确率如何':504 '生成可解释报告':837 '生成客户画像':1102 '生成报告':1113 '生成查询':827 '生成的':740 '用户使用':1161 '用户使用数据':448 '用户偏好':264,558,840 '用户必须自己学会字段':370 '用户感知最强':961,1207 '用户接受度':763,1055 '用户接受度测试':239 '用户数据形成天然的反馈飞轮':46 '用户是否从':659 '用户查询':288,413,623,913 '用户满意度':294,631,929 '用户行为观测和数据飞轮建设':153 '用户问得越多':396 '界面上叠加':1052 '的关系':301 '的客户愿意为':1063 '的客户表示愿意为':769 '的数据飞轮':412 '的日常分析通过':940 '的销售预测通过':1183 '监控指标':644 '目标完成率':788 '直接做成用户可调用的产品能力':378 '直接展示':894 '省':798 '看板':715 '真实使用越多':48 '真实问题积累':667 '真正被重写的不是界面':379 '确定':465 '示例':672,970 '离不开':662 '积累真实问题':616 '竞品分析':1128 '第一层':160 '第一批能力':957,1203 '第三层':186 '第二层':170 '筛选和操作路径':372 '管理层需要的经营分析报告需要分析师手动制作':990 '系统':973 '系统回答':414,624,914 '系统如果把':431 '系统构建':243,520,777,1071 '系统架构方案':578,590 '系统理解的行业语义越稳':399 '系统积累的真实问题越多':397 '系统能否正确理解指标':499 '约束条件':486 '线索到回款':436 '组织依赖程度':669 '组织内部的语义混乱':509 '组织数据':1112 '组织结果':836 '经营分析':1040 '经营归因':457 '经营数据':1157 '结论':733,746,754,1030,1037,1044 '续费率对比':242,772 '续费率提升':1066 '续费相关性':298,663,943,1186 '维度':731,821 '维度关系':100,248,531,789,1083 '维度和关系的可解释结构':388 '编排':547 '缺乏数据支撑':989 '置信区间':1137,1214 '置信度分级展示':968 '置信度展示标准':283 '置信度展示标准是什么':597 '老客':807 '而是整个产品形态变化的核心基础设施':393 '而是用了错口径还回答得像是真的':428 '而是能力结构':380 '而是重写能力入口':42 '而财务团队日常使用的其实是':435 '而非历史数据展示':180 '背景':679,977 '能力':1019,1054 '能力优化':290,416,626 '能力升级路径':27 '能力型':38 '能力实验':225,726,1025 '能力实验报告':517 '能力护城河':47 '能力护城河和数据飞轮建设场景':29 '能力护城河由使用积累':395 '能力提升':917 '能力更务实':1202 '能力越可复用':401,402 '能力越难被复制':49 '能力重写产品形态':366 '脱敏展示或禁止访问':910 '自主型':187,220,476 '自主式':238,516 '自动执行业务动作':189,478 '自动汇总客户信息':1134 '自动生成经营分析报告':1043 '自然语言交互':321 '自然语言交互设计':137 '自然语言查询':760,958 '自然语言查询替代下拉筛选':163 '自然语言解析准确率':227,728 '自然语言输入':276,574,871 '行业':1085 '行业分析框架和最佳实践':867 '行业术语':111 '行业案例模板':11 '行业知识':273,570,866,1126 '行业语义深度':668 '行业趋势':1127 '行动':90 '行级':251,534,601 '行级权限':810 '表结构':855 '规模':1086 '解析自然语言':819 '解读取代固定报表':165 '计算过程和关键假设':883 '订单量':782 '订阅商业模式':50 '让':461 '设计':131,254,556,561,567,572,581,583,816,1098 '设计可观测性':628 '设计数据飞轮':622 '识别改进信号':633 '试验展开':224,489,725,1024 '试验结论':524 '语义层':244,308,778,1072 '语义层不是附加模块':392 '语义层优先级':962 '语义层依赖':43 '语义层是核心基础设施':382 '语义层本质上是在做一件很难但很值钱的事':383 '语义层设计':115 '语义层越稳':400 '语义层重点':1208 '语义理解':226,727 '语义理解验证':498 '误差':1147 '误差容忍度是多少':505 '误差容忍标准':281 '误差容忍标准是多少':594 '误差率':230,743 '误报率':232,750 '负责人':1092 '购买历史':1117 '越权取数和错误解释':588 '趋势解读':125 '跟进频率':1078,1120 '跨系统自动化工作流':193 '转化模式':1121 '转化率':432,784,1077 '转成系统能稳定调用的结构':385 '辅助':1059 '输入':444,492,523,589,618,649 '输入框':872 '输出':65,80,91,102,114,127,138,146,154,223,479,512,577,609,641,670 '输出模板':199 '边界情况':890 '边界情况处理不准确':745 '过滤条件':823 '返回正确结果':742 '这个用户的真实需求':423 '这个组织':422 '这通常至少包含':386 '追问':88 '适合':167,181,194 '适合用价值信号驱动续费':51 '适用边界':348 '选定最值得先产品化的分析问题':443 '选择':950,1193 '选择最值得':61 '选择第一批目标':455 '通常比':460 '通过行级':907 '逻辑清晰':896 '那么它给出的解释即使语句流畅':437 '都在让产品变得更懂这个行业':421 '配套':322 '重构型':171,219,471,720,955 '重点暴露':508 '销售周期':1082 '销售团队愿意使用':1057 '销售团队花大量时间手动录入客户信息和跟进记录':985 '销售异常解释':456 '销售技巧':1131 '销售管道':1011 '销售维度':1089,1210 '销售行为':1119 '销售阶段':1090 '销售预测':1033,1104,1136,1146,1205 '销售预测依赖经验':988 '销售预测缺乏数据支撑':1005 '销售额':781 '问答':87 '问答即分析':172 '问答式':236,514,759 '阶段':1087 '附带数据来源':838 '需人工审核':891 '需人工审核关键信息':1032 '需人工审核关键查询':748 '需人工确认':756,880,903 '需结合人工判断':1039 '需结合语义层增强':735 '需要找分析师帮忙':687 '需要更多上下文的判断':606 '需要构建业务语义理解和指标语义层':44 '需要自然语言查询能力的工具型':355 '需要设计数据分析类产品的':25 '需要跨多个系统查看':987 '顾问或资深业务角色的理解能力':377 '预测下一季度销售额':1036 '预测准确率':1172 '预测性建议':179 '预测类产品必须暴露不确定性':1216 '预测结果':1150 '预测趋势':1107 '预测面板':1135 '领域知识':109 '风险控制':967,1213 '验证语义理解':77,490 '高置信度':893 '高置信度直接展示':876","prices":[{"id":"198ef01e-5cf9-4432-8564-7ed8e50ac34c","listingId":"f3ae3647-2b4c-4676-9999-5690c004c87d","amountUsd":"0","unit":"free","nativeCurrency":null,"nativeAmount":null,"chain":null,"payTo":null,"paymentMethod":"skill-free","isPrimary":true,"details":{"org":"gmaxxxie","category":"ai-native-product-agent-skills","install_from":"skills.sh"},"createdAt":"2026-05-01T01:02:54.306Z"}],"sources":[{"listingId":"f3ae3647-2b4c-4676-9999-5690c004c87d","source":"github","sourceId":"gmaxxxie/ai-native-product-agent-skills/p10d-saas-case","sourceUrl":"https://github.com/gmaxxxie/ai-native-product-agent-skills/tree/main/skills/p10d-saas-case","isPrimary":false,"firstSeenAt":"2026-05-01T01:02:54.306Z","lastSeenAt":"2026-05-18T18:57:27.635Z"}],"details":{"listingId":"f3ae3647-2b4c-4676-9999-5690c004c87d","quickStartSnippet":null,"exampleRequest":null,"exampleResponse":null,"schema":null,"openapiUrl":null,"agentsTxtUrl":null,"citations":[],"useCases":[],"bestFor":[],"notFor":[],"kindDetails":{"org":"gmaxxxie","slug":"p10d-saas-case","github":{"repo":"gmaxxxie/ai-native-product-agent-skills","stars":56,"topics":["agent-skills","ai-agent","ai-native","ai-product","methodology","product-management","product-methodology","product-thinking","skills"],"license":null,"html_url":"https://github.com/gmaxxxie/ai-native-product-agent-skills","pushed_at":"2026-05-06T07:19:36Z","description":"AI Native Product Methodology — 80 executable skills across P0-P14 stages, covering needs discovery to aesthetic authority. From 8 books.","skill_md_sha":"99fdf58d90a6dffff82a55711981f98b0b21e2b6","skill_md_path":"skills/p10d-saas-case/SKILL.md","default_branch":"main","skill_tree_url":"https://github.com/gmaxxxie/ai-native-product-agent-skills/tree/main/skills/p10d-saas-case"},"layout":"multi","source":"github","category":"ai-native-product-agent-skills","frontmatter":{"name":"p10d-saas-case","description":"'AI Native 产品方法论——AI Native SaaS 行业案例模板 Skill。"},"skills_sh_url":"https://skills.sh/gmaxxxie/ai-native-product-agent-skills/p10d-saas-case"},"updatedAt":"2026-05-18T18:57:27.635Z"}}