{"id":"4eb39912-345d-4003-987b-bdca047b1775","shortId":"WsNyAF","kind":"skill","title":"p7a-data-flywheel-builder","tagline":"数据飞轮构建器。基于《AI Native 营销与增长》数据飞轮概念卡， 帮助产品团队评估和构建自增强的数据飞轮：使用→数据→模型→产品→更多用户→更多数据。","description":"# 数据飞轮构建器\n\n## 一句话定位\n\n评估你的产品是否具备数据飞轮，以及如何让飞轮转得更快——使用→数据→模型→产品→更多用户→更多数据。\n\n## 何时触发\n\n- 需要评估产品的长期竞争壁垒\n- 想建立数据驱动的增长系统\n- 竞争对手有数据飞轮优势，你需要追赶或超越\n- 需要向投资人/管理层展示数据飞轮价值\n\n## 输入\n\n产品描述 + 当前数据收集状况 + 模型使用方式。\n\n**示例输入**：\n```\n产品: AI 客服 SaaS\n数据: 每月处理 10 万次对话\n模型: 用 GPT-4 做意图识别和回复生成\n问题: 数据没有回流到模型，每次都在调 API\n```\n\n## 飞轮四要素评估\n\n### 要素 1: 数据收集广度\n\n**评估问题**：\n- 你能收集多少维度的用户行为数据？\n- 数据是全触点的还是只覆盖部分环节？\n- 数据是实时的还是延迟的？\n\n**评分标准**：\n```\n1分: 只有基础使用数据（登录、点击）\n2分: 覆盖核心使用路径数据\n3分: 全触点、多维度行为数据\n4分: 全触点 + 实时 + 多模态数据\n5分: 全触点 + 实时 + 多模态 + 上下文数据\n```\n\n### 要素 2: 数据质量\n\n**评估问题**：\n- 数据的准确性如何？\n- 数据标注质量如何？\n- 数据的时效性如何？\n\n**评分标准**：\n```\n1分: 数据噪声大、无标注\n2分: 数据基本准确、部分标注\n3分: 数据准确、标注完整\n4分: 数据准确 + 标注完整 + 实时更新\n5分: 数据准确 + 标注完整 + 实时更新 + 质量自动检测\n```\n\n### 要素 3: 反馈闭环速度\n\n**评估问题**：\n- 从数据收集到模型更新的周期是多长？\n- 是自动化还是人工操作？\n- 模型更新的频率是多少？\n\n**评分标准**：\n```\n1分: 季度更新，人工操作\n2分: 月度更新，部分自动化\n3分: 周度更新，主要自动化\n4分: 日度更新，全自动化\n5分: 实时更新，自动训练+自动部署\n```\n\n### 要素 4: 产品化能力\n\n**评估问题**：\n- 模型输出能否直接转化为产品功能？\n- 转化周期多长？\n- 产品功能改进是否可量化？\n\n**评分标准**：\n```\n1分: 模型输出与产品功能脱节\n2分: 模型输出需要大量人工处理才能产品化\n3分: 模型输出可以半自动产品化\n4分: 模型输出可以自动产品化\n5分: 模型输出自动产品化 + 效果自动验证\n```\n\n## 飞轮强度评分\n\n```\n飞轮强度 = (数据收集广度 × 0.25) + (数据质量 × 0.25) + (反馈闭环速度 × 0.25) + (产品化能力 × 0.25)\n\n5.0: 飞轮自转（TikTok/字节跳动级别）\n4.0-4.9: 飞轮加速\n3.0-3.9: 飞轮起步\n2.0-2.9: 飞轮卡顿\n1.0-1.9: 没有飞轮\n```\n\n## 综合输出格式\n\n```yaml\ndata_flywheel_assessment:\n  input:\n    product: \"产品名称\"\n    current_data: \"数据状况\"\n    model_usage: \"模型使用方式\"\n  \n  scores:\n    data_breadth:\n      score: 1-5\n      evidence: \"证据\"\n      improvement: \"改进建议\"\n    data_quality:\n      score: 1-5\n      evidence: \"证据\"\n      improvement: \"改进建议\"\n    feedback_speed:\n      score: 1-5\n      evidence: \"证据\"\n      improvement: \"改进建议\"\n    productization:\n      score: 1-5\n      evidence: \"证据\"\n      improvement: \"改进建议\"\n  \n  flywheel_strength:\n    total: 1.0-5.0\n    level: \"没有飞轮/飞轮卡顿/飞轮起步/飞轮加速/飞轮自转\"\n  \n  action_plan:\n    quick_wins: [\"30天内可做的改进\"]\n    medium_term: [\"90天内的改进\"]\n    long_term: [\"6个月以上的改进\"]\n  \n  moat_assessment:\n    current_moat: \"当前壁垒强度\"\n    competitor_gap: \"与竞争对手的差距\"\n    time_to_parity: \"追平所需时间\"\n```\n\n## 示例：AI 客服 SaaS\n\n| 要素 | 评分 | 改进建议 |\n|------|------|---------|\n| 数据收集广度 | 2 | 增加用户满意度反馈、对话质量评分 |\n| 数据质量 | 2 | 对历史对话做质量标注，建立标注规范 |\n| 反馈闭环速度 | 1 | 最弱项——数据完全没回流，每次调 API |\n| 产品化能力 | 3 | 模型输出直接用于回复，但无自动优化 |\n\n**飞轮强度**: 2.0 — 飞轮卡顿\n\n**关键动作**: 先建数据回流管道，让客服对话数据自动标注 → 微调专属模型 → 替代部分 API 调用\n\n## 常见误判\n\n- **有数据 ≠ 有飞轮**：数据没回流到模型，就不是飞轮\n- **调 API ≠ 数据飞轮**：每次调 GPT-4 不产生数据资产\n- **飞轮需要四个要素同时存在**：缺一个就转不起来\n\n## 一句判断\n\n> 数据飞轮不是收集数据，而是让数据自动变成更好的产品。\n\n## 核心概念\n\n### 概念 1：数据飞轮的本质\n\n数据飞轮的本质是一个自增强闭环：**产品使用产生数据 → 数据训练模型 → 模型优化产品 → 更好的产品吸引更多用户 → 更多用户产生更多数据。** 这个闭环一旦转起来，每一轮循环都会让系统变得更强，竞争对手要追赶就需要同时在数据量、模型能力和用户规模三个维度上同时超越。\n\n数据飞轮的竞争不是线性的追赶赛，而是指数级的甩开赛。假设 A 公司和 B 公司在同一赛道竞争，A 的飞轮比 B 早转 6 个月。第一个月差距只有 4 个百分点，但 6 个月后差距扩大到 11 个百分点。用户体验感知从\"还行\"到\"它好像真的懂我\"的质变。\n\n### 概念 2：模型资产 = 数据 × 处理能力 × 迭代速度\n\n模型资产比数据资产更值得重视。如果数据是石油，模型就是炼油厂——同样的原油，不同的炼化工艺，产出的价值可能相差百倍。\n\n三个乘数缺一不可：\n- **数据量**再大，处理能力跟不上，就是沉睡数据\n- **处理能力**再强，数据质量不行，就是拟合噪音\n- **迭代速度**慢就会被竞争对手追上\n\n字节跳动的推荐模型平均每两周完成一次重大迭代，每天进行上千次 A/B 测试。飞轮的壁垒不在于转了多少圈，而在于每一圈转得有多快。\n\n### 概念 3：数据质量三角\n\n好数据的三个维度——只有同时满足，才能驱动飞轮正向旋转：\n\n| 维度 | 定义 | 失控后果 |\n|------|------|----------|\n| **相关性** | 数据对模型的贡献度 | 低相关数据稀释高相关数据的信号 |\n| **干净度** | 数据经过清洗、去重、去噪 | 噪音比例超过 20% 模型性能显著退化 |\n| **及时性** | 数据反映用户当前偏好 | 推荐结果\"慢半拍\"，体验\"差一截\" |\n\n**数据飞轮可以正向旋转，也可以反向旋转。** 正向是越转越快的增长引擎，反向是越陷越深的死亡漩涡。\n\n### 概念 4：数据飞轮的三层基础设施\n\n可复利增长的底层设施是一套完整的数据飞轮基础设施：\n\n1. **数据管道**：从数据收集、清洗、存储到处理的全链路。决定你能不能把原始数据变成可用资产。\n2. **模型工厂**：从模型训练、评估、部署到监控的全链路。决定你能不能把数据资产变成模型能力。\n3. **产品闭环**：从模型输出到产品功能到用户反馈到新数据的全链路。决定你能不能把模型能力变成用户体验。\n\n三个层次共同构成数据飞轮的\"转子\"——转子越精密，飞轮转得越稳、越快。\n\n## 分步执行\n\n### Step 1：数据源识别\n\n**任务**：梳理所有可产生数据的触点。\n\n**执行要点**：\n- 用户行为数据（浏览、点击、购买、分享）\n- 产品使用数据（功能使用、时长、频率）\n- 外部数据（市场、竞争、社交）\n- 关键不是\"有哪些数据源\"，而是\"哪些与核心业务最相关\"\n\n**输出**：数据源清单 + 相关性评估\n\n### Step 2：数据收集机制设计\n\n**任务**：在不打扰用户体验的前提下，完整、及时地收集高相关性数据。\n\n**执行要点**：\n- **隐形化**：最好的数据收集是让用户感觉不到自己在被收集\n- **信号密度**：投资于数据质量比投资于数据数量回报更高\n- 记录完整的用户编辑轨迹（不只是最终输出），编辑行为比生成行为更有价值\n\n**输出**：数据收集方案 + 信号密度评估\n\n### Step 3：数据处理管道建设\n\n**任务**：从原始数据到可用数据资产的管道。\n\n**执行要点**：\n- 数据清洗、去重、标注、特征工程\n- 确保数据格式统一、ID 体系统一、更新频率一致\n- 建立数据质量自动检测机制\n- 投资在这一环节的回报率最高\n\n**输出**：数据管道架构 + 质量控制流程\n\n### Step 4：模型训练与部署\n\n**任务**：将数据资产转化为模型能力。\n\n**执行要点**：\n- 选择合适的模型架构（按场景分工：推荐模型、预测模型、生成模型）\n- 建立自动化的训练和部署流程\n- 实现模型的持续迭代——目标是从周级更新压缩到日级甚至小时级\n\n**输出**：模型选型方案 + 自动化训练部署流程\n\n### Step 5：产品闭环构建\n\n**任务**：将模型输出转化为产品功能，确保闭环完整。\n\n**执行要点**：\n- 模型输出 → 产品功能优化 → 用户体验提升 → 吸引更多用户 → 产生更多数据\n- 确保每个环节的数据都可以回流\n- 检查：模型驱动的决策占比是否 > 60%？\n\n**输出**：产品闭环设计图\n\n### Step 6：飞轮效率监控\n\n**任务**：持续监控飞轮运转状态。\n\n**关键指标**：\n- **数据增长速率**：数据量是否\"越用越多\"？\n- **模型性能提升**：模型是否\"越用越准\"？\n- **闭环周期**：飞轮转速是否在缩短？\n- **竞争壁垒**：壁垒是否\"竞争对手难以复制\"？\n\n**输出**：飞轮效率仪表盘 + 异常告警机制\n\n### 示例\n\n### 示例 1：AI 客服 SaaS 的数据飞轮构建\n\n**场景描述**：一家 AI 客服 SaaS 公司，每月处理 10 万次对话，使用 GPT-4 做意图识别和回复生成。但数据完全没有回流到模型，每次都在调外部 API，没有形成数据资产。飞轮强度评分仅为 2.0（飞轮卡顿）。\n\n**用户输入**：\n\n> 我们是 AI 客服 SaaS，每月处理 10 万次对话。用 GPT-4 做意图识别和回复生成，但数据没有回流到模型，每次都在调 API。想构建数据飞轮形成竞争壁垒。\n\n**执行流程**：\n\n1. **诊断**：飞轮四要素评分——数据收集广度 2 分（只有基础对话数据）、数据质量 2 分（无标注）、反馈闭环速度 1 分（最弱项，数据完全没回流）、产品化能力 3 分（模型输出直接用于回复）。飞轮强度 2.0，处于\"飞轮卡顿\"状态。\n2. **数据源识别**：除了对话内容本身，增加用户满意度反馈、对话质量评分、问题解决率、客户二次咨询率等维度。\n3. **数据回流管道**：建立从客服对话 → 自动标注（满意度、解决率）→ 微调数据集 → 模型微调 → 部署的完整管道。\n4. **模型资产建设**：用对话数据微调专属客服模型，替代部分 GPT-4 API 调用。模型资产 = 对话数据 × 微调能力 × 周级迭代。\n5. **产品闭环**：微调模型 → 回复质量提升 → 客户满意度提升 → 更多客户使用 → 更多对话数据。\n\n**输出结果**：\n\n```yaml\ndata_flywheel_assessment:\n  input:\n    product: \"AI 客服 SaaS\"\n    current_data: \"每月 10 万次对话，无数据回流\"\n    model_usage: \"GPT-4 API 调用，无自有模型\"\n  scores:\n    data_breadth: { score: 2, improvement: \"增加满意度反馈、质量评分、解决率\" }\n    data_quality: { score: 2, improvement: \"建立自动标注规范，历史对话质量标注\" }\n    feedback_speed: { score: 1, improvement: \"建立数据回流管道，周级模型更新\" }\n    productization: { score: 3, improvement: \"模型输出自动优化回复策略\" }\n  flywheel_strength: { total: 2.0, level: \"飞轮卡顿\" }\n  action_plan:\n    quick_wins: [\"30天内建立对话数据自动标注系统\", \"建立满意度反馈收集机制\"]\n    medium_term: [\"90天内完成第一版微调模型并上线\", \"建立 A/B 测试框架对比微调模型 vs GPT-4\"]\n    long_term: [\"6个月内实现日级模型迭代\", \"构建行业专属客服模型壁垒\"]\n  moat_assessment:\n    current_moat: \"弱——完全依赖外部 API，无数据资产\"\n    time_to_parity: \"若不启动飞轮建设，竞品可在 6 个月内追平\"\n```\n\n### 示例 2：AI 写作助手的数据飞轮修复\n\n**场景描述**：一款 AI 写作助手产品，日活 5 万，但 D30 留存仅 8%，AI 生成质量与竞品无明显差异。核心问题：只收集了\"用户生成了什么\"，没有收集\"用户修改了什么\"和\"用户最终用了什么\"——飞轮缺关键燃料。\n\n**用户输入**：\n\n> 我们做了一个 AI 写作助手，日活 5 万。问题是留存很差，D30 才 8%，而且生成质量和竞品差不多，没有壁垒。怎么构建数据飞轮？\n\n**执行流程**：\n\n1. **诊断**：数据收集只记录了用户输入的指令和 AI 的输出，没有记录用户的编辑行为（修改、删除、重写、最终选择）。这是飞轮断裂的根源——缺少最有价值的隐式反馈信号。\n2. **核心洞察**：用户的编辑行为比生成行为更有价值。用户修改了 AI 的哪些输出？删掉了什么？重写了什么？最终选择了哪个版本？这些编辑轨迹是训练偏好模型的黄金数据。\n3. **数据飞轮构建**：\n   - 收集层：记录完整的用户编辑轨迹（不只是最终输出）\n   - 模型层：用编辑轨迹训练偏好模型（RLHF/DPO）\n   - 产品层：基于偏好模型优化生成质量\n   - 增长层：质量提升 → 留存提升 → 更多用户 → 更多编辑数据\n4. **飞轮效率指标**：编辑率（用户修改 AI 输出的比例）——越低说明质量越高。追踪编辑率的下降趋势来验证飞轮是否在转。\n\n**输出结果**：\n\n```yaml\ndata_flywheel_assessment:\n  input:\n    product: \"AI 写作助手\"\n    current_data: \"日活 5 万，只收集生成数据，未收集编辑反馈\"\n    model_usage: \"通用 LLM API，无偏好学习\"\n  scores:\n    data_breadth: { score: 1, improvement: \"增加编辑轨迹采集（修改/删除/重写/接受）\" }\n    data_quality: { score: 2, improvement: \"编辑行为去噪（过滤误操作），偏好标注质量审核\" }\n    feedback_speed: { score: 2, improvement: \"当日编辑数据 → 次日模型更新\" }\n    productization: { score: 3, improvement: \"基于偏好模型的个性化写作风格\" }\n  flywheel_strength: { total: 2.0, level: \"飞轮卡顿\" }\n  data_flywheel_design:\n    data_pipeline: \"编辑行为 → 偏好标注 → DPO 模型训练 → 生成策略更新 → 质量提升\"\n    model_assets: [\"用户偏好模型（DPO）\", \"写作风格迁移模型\", \"质量评估模型\"]\n    flywheel_speed: \"次日闭环（当日编辑数据 → 次日模型更新）\"\n    quality_controls: [\"编辑行为去噪\", \"偏好标注质量审核\", \"A/B 测试验证模型改进\"]\n  action_plan:\n    quick_wins: [\"2周内上线编辑行为采集系统\", \"定义编辑行为数据 schema\"]\n    medium_term: [\"6周内完成第一版 DPO 偏好模型训练\", \"编辑率目标下降 30%\"]\n    long_term: [\"构建用户个性化写作风格模型\", \"建立实时编辑反馈闭环\"]\n```\n\n## 常见陷阱\n\n- **陷阱 1：有数据 ≠ 有飞轮**——数据没回流到模型，就不是飞轮，只是数据堆积\n- **陷阱 2：调 API ≠ 数据飞轮**——每次调 GPT-4 不产生数据资产，别人也可以调\n- **陷阱 3：数据量飞轮 ≠ 数据飞轮**——更多数据可能带来更自信的错误\n- **陷阱 4：飞轮需要四个要素同时存在**——缺一个就转不起来\n- **陷阱 5：数据质量控制必须从第一天嵌入**——飞轮高速旋转时修补成本是停机成本的指数级\n\n## 与其他 Skill 的关系\n\n- **上游输入**：`p7-marketing-growth`（增长飞轮总体设计）\n- **下游应用**：`p7b-intent-prediction-designer`（数据飞轮为意图预测提供燃料）、`p7c-predictive-retention-designer`（数据飞轮为流失预测提供数据基础）\n- **并行参考**：`p7d-marketing-productizer`（营销产品化产生的数据反哺飞轮）","tags":["p7a","data","flywheel","builder","native","product","agent","skills","gmaxxxie","agent-skills","ai-agent","ai-native"],"capabilities":["skill","source-gmaxxxie","skill-p7a-data-flywheel-builder","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/p7a-data-flywheel-builder","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 (7,847 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":"2026-05-18T18:57:33.727Z","embedding":null,"createdAt":"2026-05-01T01:03:01.788Z","updatedAt":"2026-05-18T18:57:33.727Z","lastSeenAt":"2026-05-18T18:57:33.727Z","tsv":"'-1.9':178 '-2.9':175 '-3.9':172 '-4':52,309,576,595,648,681,733,958 '-4.9':169 '-5':199,208,217,225 '-5.0':234 '0.25':157,159,161,163 '1':60,198,207,216,224,280,318,418,441,560,602,614,704,793,864,945 '1.0':177,233 '10':47,572,591,675 '11':349 '1分':67,93,119,143 '2':86,272,276,357,424,467,606,610,627,689,697,754,805,874,882,952 '2.0':174,290,583,623,716,894 '20':402 '2分':71,96,122,145 '2周内上线编辑行为采集系统':929 '3':112,286,386,430,485,619,634,710,815,888,962 '3.0':171 '30':938 '30天内可做的改进':245 '30天内建立对话数据自动标注系统':723 '3分':73,99,125,147 '4':136,344,415,504,643,830,967 '4.0':168 '4分':76,102,128,149 '5':521,655,762,783,850,971 '5.0':164 '5分':80,106,131,151 '6':341,347,539,751 '60':535 '6个月以上的改进':251 '6个月内实现日级模型迭代':736 '6周内完成第一版':934 '8':767,788 '90天内完成第一版微调模型并上线':727 '90天内的改进':248 'a/b':381,729,923 'action':241,719,925 'ai':8,42,265,561,567,587,669,755,759,768,780,796,809,834,845 'api':57,284,297,305,580,599,649,682,744,858,954 'assess':184,253,666,739,842 'asset':909 'b':335,339 'breadth':196,687,862 'builder':5 'competitor':257 'control':920 'current':188,254,672,740,847 'd30':765,786 'data':3,182,189,195,204,664,673,686,694,840,848,861,871,897,900 'design':899,988,994 'dpo':904,911,935 'evid':200,209,218,226 'feedback':213,701,879 'flywheel':4,183,230,665,713,841,891,898,914 'gap':258 'gpt':51,308,575,594,647,680,732,957 'growth':981 'id':495 'improv':202,211,220,228,690,698,705,711,865,875,883,889 'input':185,667,843 'intent':986 'level':235,717,895 'llm':857 'long':249,734,939 'market':980,999 'medium':246,725,932 'moat':252,255,738,741 'model':191,678,854,908 'nativ':9 'p7':979 'p7-marketing-growth':978 'p7a':2 'p7a-data-flywheel-builder':1 'p7b':985 'p7b-intent-prediction-designer':984 'p7c':991 'p7c-predictive-retention-designer':990 'p7d':998 'p7d-marketing-productizer':997 'pariti':262,748 'pipelin':901 'plan':242,720,926 'predict':987,992 'product':186,222,668,708,844,886,1000 'qualiti':205,695,872,919 'quick':243,721,927 'retent':993 'rlhf/dpo':822 'saa':44,267,563,569,589,671 'schema':931 'score':194,197,206,215,223,685,688,696,703,709,860,863,873,881,887 'skill':975 'skill-p7a-data-flywheel-builder' 'source-gmaxxxie' 'speed':214,702,880,915 'step':440,466,484,503,520,538 'strength':231,714,892 'term':247,250,726,735,933,940 'tiktok':166 'time':260,746 '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' 'total':232,715,893 'usag':192,679,855 'vs':731 'win':244,722,928 'yaml':181,663,839 '一句判断':313 '一句话定位':20 '一家':566 '一款':758 '万':763,784,851 '万次对话':48,573,592,676 '三个乘数缺一不可':368 '三个层次共同构成数据飞轮的':434 '上下文数据':84 '上游输入':977 '下游应用':983 '不产生数据资产':310,959 '不只是最终输出':479,819 '不同的炼化工艺':366 '与其他':974 '与竞争对手的差距':259 '个月':342 '个月内追平':752 '个月后差距扩大到':348 '个百分点':345,350 '主要自动化':127 '也可以反向旋转':411 '产出的价值可能相差百倍':367 '产品':16,26,41 '产品使用产生数据':321 '产品使用数据':451 '产品功能优化':528 '产品功能改进是否可量化':141 '产品化能力':137,162,285,618 '产品名称':187 '产品层':823 '产品描述':37 '产品闭环':431,656 '产品闭环构建':522 '产品闭环设计图':537 '产生更多数据':531 '人工操作':121 '从原始数据到可用数据资产的管道':488 '从数据收集':420 '从数据收集到模型更新的周期是多长':115 '从模型训练':426 '从模型输出到产品功能到用户反馈到新数据的全链路':432 '以及如何让飞轮转得更快':22 '任务':443,469,487,506,523,541 '但':346,764 '但数据完全没有回流到模型':578 '但数据没有回流到模型':597 '但无自动优化':288 '低相关数据稀释高相关数据的信号':396 '体系统一':496 '体验':408 '何时触发':29 '你能收集多少维度的用户行为数据':63 '你需要追赶或超越':33 '使用':13,23,574 '信号密度':476 '信号密度评估':483 '修改':799,867 '假设':332 '偏好标注':903 '偏好标注质量审核':878,922 '偏好模型训练':936 '做意图识别和回复生成':53,577,596 '先建数据回流管道':293 '全自动化':130 '全触点':74,77,81 '公司':570 '公司和':334 '公司在同一赛道竞争':336 '关键不是':459 '关键动作':292 '关键指标':543 '再大':370 '再强':374 '写作助手':781,846 '写作助手产品':760 '写作助手的数据飞轮修复':756 '写作风格迁移模型':912 '决定你能不能把原始数据变成可用资产':423 '决定你能不能把数据资产变成模型能力':429 '决定你能不能把模型能力变成用户体验':433 '分':607,611,615,620 '分享':450 '分步执行':439 '删掉了什么':811 '删除':800,868 '别人也可以调':960 '到':353 '功能使用':452 '历史对话质量标注':700 '去噪':400 '去重':399,491 '及时地收集高相关性数据':472 '及时性':404 '反向是越陷越深的死亡漩涡':413 '反馈闭环速度':113,160,279,613 '只收集了':771 '只收集生成数据':852 '只是数据堆积':950 '只有同时满足':389 '只有基础使用数据':68 '只有基础对话数据':608 '可复利增长的底层设施是一套完整的数据飞轮基础设施':417 '同样的原油':365 '吸引更多用户':530 '周度更新':126 '周级模型更新':707 '周级迭代':654 '和':775 '哪些与核心业务最相关':462 '噪音比例超过':401 '回复质量提升':658 '在不打扰用户体验的前提下':470 '场景描述':565,757 '基于':7 '基于偏好模型优化生成质量':824 '基于偏好模型的个性化写作风格':890 '增加满意度反馈':691 '增加用户满意度反馈':273,630 '增加编辑轨迹采集':866 '增长层':825 '增长飞轮总体设计':982 '壁垒是否':553 '处于':624 '处理能力':360,373 '处理能力跟不上':371 '外部数据':455 '多模态':83 '多模态数据':79 '多维度行为数据':75 '失控后果':393 '好数据的三个维度':388 '如果数据是石油':363 '字节跳动的推荐模型平均每两周完成一次重大迭代':379 '字节跳动级别':167 '存储到处理的全链路':422 '季度更新':120 '它好像真的懂我':354 '完全依赖外部':743 '完整':471 '定义':392 '定义编辑行为数据':930 '实时':78,82 '实时更新':105,109,132 '实现模型的持续迭代':515 '客户二次咨询率等维度':633 '客户满意度提升':659 '客服':43,266,562,568,588,670 '对历史对话做质量标注':277 '对话数据':652 '对话质量评分':274,631 '将数据资产转化为模型能力':507 '将模型输出转化为产品功能':524 '就不是飞轮':303,949 '就是拟合噪音':376 '就是沉睡数据':372 '差一截':409 '市场':456 '帮助产品团队评估和构建自增强的数据飞轮':12 '常见误判':299 '常见陷阱':943 '干净度':397 '并行参考':996 '建立':728 '建立从客服对话':636 '建立实时编辑反馈闭环':942 '建立数据回流管道':706 '建立数据质量自动检测机制':498 '建立标注规范':278 '建立满意度反馈收集机制':724 '建立自动化的训练和部署流程':514 '建立自动标注规范':699 '异常告警机制':557 '弱':742 '当前壁垒强度':256 '当前数据收集状况':38 '当日编辑数据':884,917 '微调专属模型':295 '微调数据集':640 '微调模型':657 '微调能力':653 '怎么构建数据飞轮':791 '想建立数据驱动的增长系统':31 '想构建数据飞轮形成竞争壁垒':600 '慢半拍':407 '慢就会被竞争对手追上':378 '我们做了一个':779 '我们是':586 '才':787 '才能驱动飞轮正向旋转':390 '执行流程':601,792 '执行要点':445,473,489,508,526 '投资于数据质量比投资于数据数量回报更高':477 '投资在这一环节的回报率最高':499 '持续监控飞轮运转状态':542 '按场景分工':510 '接受':870 '推荐模型':511 '推荐结果':406 '收集层':817 '改进建议':203,212,221,229,270 '效果自动验证':153 '数据':14,24,45,359 '数据准确':100,103,107 '数据反映用户当前偏好':405 '数据噪声大':94 '数据回流管道':635 '数据基本准确':97 '数据增长速率':544 '数据处理管道建设':486 '数据完全没回流':282,617 '数据对模型的贡献度':395 '数据收集只记录了用户输入的指令和':795 '数据收集广度':61,156,271,605 '数据收集方案':482 '数据收集机制设计':468 '数据是全触点的还是只覆盖部分环节':64 '数据是实时的还是延迟的':65 '数据标注质量如何':90 '数据没回流到模型':302,948 '数据没有回流到模型':55 '数据清洗':490 '数据源清单':464 '数据源识别':442,628 '数据状况':190 '数据的准确性如何':89 '数据的时效性如何':91 '数据管道':419 '数据管道架构':501 '数据经过清洗':398 '数据训练模型':322 '数据质量':87,158,275,609 '数据质量三角':387 '数据质量不行':375 '数据质量控制必须从第一天嵌入':972 '数据量':369 '数据量是否':545 '数据量飞轮':963 '数据飞轮':306,955,964 '数据飞轮不是收集数据':314 '数据飞轮为意图预测提供燃料':989 '数据飞轮为流失预测提供数据基础':995 '数据飞轮可以正向旋转':410 '数据飞轮构建':816 '数据飞轮构建器':6,19 '数据飞轮概念卡':11 '数据飞轮的三层基础设施':416 '数据飞轮的本质':319 '数据飞轮的本质是一个自增强闭环':320 '数据飞轮的竞争不是线性的追赶赛':330 '无偏好学习':859 '无数据回流':677 '无数据资产':745 '无标注':95,612 '无自有模型':684 '日度更新':129 '日活':761,782,849 '早转':340 '时长':453 '是自动化还是人工操作':116 '更多客户使用':660 '更多对话数据':661 '更多数据':18,28 '更多数据可能带来更自信的错误':965 '更多用户':17,27,828 '更多用户产生更多数据':325 '更多编辑数据':829 '更好的产品吸引更多用户':324 '更新频率一致':497 '替代部分':296,646 '最好的数据收集是让用户感觉不到自己在被收集':475 '最弱项':281,616 '最终选择':802 '最终选择了哪个版本':813 '月度更新':123 '有哪些数据源':460 '有数据':300,946 '有飞轮':301,947 '未收集编辑反馈':853 '构建用户个性化写作风格模型':941 '构建行业专属客服模型壁垒':737 '标注':492 '标注完整':101,104,108 '核心概念':316 '核心洞察':806 '核心问题':770 '梳理所有可产生数据的触点':444 '检查':533 '概念':317,356,385,414 '模型':15,25,49 '模型优化产品':323 '模型使用方式':39,193 '模型就是炼油厂':364 '模型层':820 '模型工厂':425 '模型微调':641 '模型性能提升':547 '模型性能显著退化':403 '模型是否':548 '模型更新的频率是多少':117 '模型能力和用户规模三个维度上同时超越':329 '模型训练':905 '模型训练与部署':505 '模型资产':358,651 '模型资产建设':644 '模型资产比数据资产更值得重视':362 '模型输出':527 '模型输出与产品功能脱节':144 '模型输出可以半自动产品化':148 '模型输出可以自动产品化':150 '模型输出直接用于回复':287,621 '模型输出能否直接转化为产品功能':139 '模型输出自动产品化':152 '模型输出自动优化回复策略':712 '模型输出需要大量人工处理才能产品化':146 '模型选型方案':518 '模型驱动的决策占比是否':534 '次日模型更新':885,918 '次日闭环':916 '正向是越转越快的增长引擎':412 '每一轮循环都会让系统变得更强':327 '每天进行上千次':380 '每月':674 '每月处理':46,571,590 '每次调':283,307,956 '每次都在调':56,598 '每次都在调外部':579 '没有壁垒':790 '没有形成数据资产':581 '没有收集':773 '没有记录用户的编辑行为':798 '没有飞轮':179,236 '测试':382 '测试框架对比微调模型':730 '测试验证模型改进':924 '浏览':447 '清洗':421 '满意度':638 '点击':70,448 '特征工程':493 '状态':626 '生成模型':513 '生成策略更新':906 '生成质量与竞品无明显差异':769 '用':50,593 '用对话数据微调专属客服模型':645 '用户体验感知从':351 '用户体验提升':529 '用户修改':833 '用户修改了':808 '用户修改了什么':774 '用户偏好模型':910 '用户最终用了什么':776 '用户生成了什么':772 '用户的编辑行为比生成行为更有价值':807 '用户行为数据':446 '用户输入':585,778 '用编辑轨迹训练偏好模型':821 '留存仅':766 '留存提升':827 '登录':69 '的关系':976 '的哪些输出':810 '的数据飞轮构建':564 '的质变':355 '的输出':797 '的飞轮比':338 '目标是从周级更新压缩到日级甚至小时级':516 '相关性':394 '相关性评估':465 '确保数据格式统一':494 '确保每个环节的数据都可以回流':532 '确保闭环完整':525 '示例':264,558,559,753 '示例输入':40 '社交':458 '竞争':457 '竞争壁垒':552 '竞争对手有数据飞轮优势':32 '竞争对手要追赶就需要同时在数据量':328 '竞争对手难以复制':554 '竞品可在':750 '第一个月差距只有':343 '管理层展示数据飞轮价值':35 '维度':391 '综合输出格式':180 '编辑率':832 '编辑率目标下降':937 '编辑行为':902 '编辑行为去噪':876,921 '编辑行为比生成行为更有价值':480 '缺一个就转不起来':312,969 '缺少最有价值的隐式反馈信号':804 '而且生成质量和竞品差不多':789 '而在于每一圈转得有多快':384 '而是':461 '而是指数级的甩开赛':331 '而是让数据自动变成更好的产品':315 '自动化训练部署流程':519 '自动标注':637 '自动训练':133 '自动部署':134 '若不启动飞轮建设':749 '营销与增长':10 '营销产品化产生的数据反哺飞轮':1001 '要素':59,85,111,135,268 '覆盖核心使用路径数据':72 '解决率':639,693 '让客服对话数据自动标注':294 '记录完整的用户编辑轨迹':478,818 '证据':201,210,219,227 '评估':427 '评估你的产品是否具备数据飞轮':21 '评估问题':62,88,114,138 '评分':269 '评分标准':66,92,118,142 '诊断':603,794 '调':304,953 '调用':298,650,683 '质量控制流程':502 '质量提升':826,907 '质量自动检测':110 '质量评估模型':913 '质量评分':692 '购买':449 '越低说明质量越高':836 '越快':438 '越用越准':549 '越用越多':546 '转化周期多长':140 '转子':435 '转子越精密':436 '输入':36 '输出':463,481,500,517,536,555 '输出的比例':835 '输出结果':662,838 '过滤误操作':877 '还行':352 '这个闭环一旦转起来':326 '这些编辑轨迹是训练偏好模型的黄金数据':814 '这是飞轮断裂的根源':803 '迭代速度':361,377 '追平所需时间':263 '追踪编辑率的下降趋势来验证飞轮是否在转':837 '选择合适的模型架构':509 '通用':856 '部分标注':98 '部分自动化':124 '部署到监控的全链路':428 '部署的完整管道':642 '重写':801,869 '重写了什么':812 '闭环周期':550 '问题':54 '问题是留存很差':785 '问题解决率':632 '除了对话内容本身':629 '陷阱':944,951,961,966,970 '隐形化':474 '需要向投资人':34 '需要评估产品的长期竞争壁垒':30 '预测模型':512 '频率':454 '飞轮加速':170,239 '飞轮卡顿':176,237,291,584,625,718,896 '飞轮四要素评估':58 '飞轮四要素评分':604 '飞轮强度':155,289,622 '飞轮强度评分':154 '飞轮强度评分仅为':582 '飞轮效率仪表盘':556 '飞轮效率指标':831 '飞轮效率监控':540 '飞轮的壁垒不在于转了多少圈':383 '飞轮缺关键燃料':777 '飞轮自转':165,240 '飞轮起步':173,238 '飞轮转得越稳':437 '飞轮转速是否在缩短':551 '飞轮需要四个要素同时存在':311,968 '飞轮高速旋转时修补成本是停机成本的指数级':973","prices":[{"id":"16ace9e6-11d6-47a1-9023-04b4aa91dbf8","listingId":"4eb39912-345d-4003-987b-bdca047b1775","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":"2026-05-01T01:03:01.788Z"}],"sources":[{"listingId":"4eb39912-345d-4003-987b-bdca047b1775","source":"github","sourceId":"gmaxxxie/ai-native-product-agent-skills/p7a-data-flywheel-builder","sourceUrl":"https://github.com/gmaxxxie/ai-native-product-agent-skills/tree/main/skills/p7a-data-flywheel-builder","isPrimary":false,"firstSeenAt":"2026-05-01T01:03:01.788Z","lastSeenAt":"2026-05-18T18:57:33.727Z"}],"details":{"listingId":"4eb39912-345d-4003-987b-bdca047b1775","quickStartSnippet":null,"exampleRequest":null,"exampleResponse":null,"schema":null,"openapiUrl":null,"agentsTxtUrl":null,"citations":[],"useCases":[],"bestFor":[],"notFor":[],"kindDetails":{"org":"gmaxxxie","slug":"p7a-data-flywheel-builder","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":"e109a49930bf996339860f4edd30fec43b679f58","skill_md_path":"skills/p7a-data-flywheel-builder/SKILL.md","default_branch":"main","skill_tree_url":"https://github.com/gmaxxxie/ai-native-product-agent-skills/tree/main/skills/p7a-data-flywheel-builder"},"layout":"multi","source":"github","category":"ai-native-product-agent-skills","frontmatter":{"name":"p7a-data-flywheel-builder","description":"数据飞轮构建器。基于《AI Native 营销与增长》数据飞轮概念卡， 帮助产品团队评估和构建自增强的数据飞轮：使用→数据→模型→产品→更多用户→更多数据。"},"skills_sh_url":"https://skills.sh/gmaxxxie/ai-native-product-agent-skills/p7a-data-flywheel-builder"},"updatedAt":"2026-05-18T18:57:33.727Z"}}