user-behavior-analyzer

为AIME（AI交易助手）生成综合用户行为分析报告。当用户要求分析用户行为、生成用户报告、分析交互模式、调查用户流失、了解用户参与度或从用户ID或日志数据创建分析文档时，使用此技能。

Safety Notice

This listing is from the official public ClawHub registry. Review SKILL.md and referenced scripts before running.

Copy this and send it to your AI assistant to learn

Install skill "user-behavior-analyzer" with this command: npx skills add testa

AIME用户行为分析器

AIME是什么？

AIME 是集成在 Ainvest 平台中的 AI 驱动的交易助手。它帮助用户在多种资产类别中做出明智的投资决策：

  • 股票：美股、A股、港股等
  • 加密货币：比特币、以太坊和其他代币
  • 大宗商品：黄金、石油、金属和农产品
  • 外汇：货币对和外汇交易
  • 期权：衍生品和期权交易
  • 其他金融工具：ETF、指数等

AIME的核心能力

  • 实时市场分析和洞察
  • 交易策略推荐
  • 技术面和基本面分析
  • 风险评估和投资组合管理
  • 投资者教育内容
  • 定制化股票/加密货币筛选和过滤
  • 价格提醒和通知

本技能分析 AIME 用户交互日志，以了解用户行为、评估服务质量、识别改进机会并评估流失风险。

架构

┌─────────────────┐      ┌─────────────────┐      ┌─────────────────┐
│  数据层         │  →   │  AI分析层       │  →   │  报告层         │
│  (Python)       │      │  (Claude Code)  │      │  (Python)       │
└─────────────────┘      └─────────────────┘      └─────────────────┘

关键原则：

  • 数据提取由 Python 代码完成（稳定、可靠）
  • 分析由 Claude Code 基于实际数据执行（灵活、智能）
  • 报告生成由 Python 工具处理（格式化输出）

无硬编码的分析逻辑 - 所有洞察都基于用户的实际对话数据动态生成。

何时使用此技能

在以下情况下使用此技能：

  • 用户提供用户ID并要求进行分析或生成报告
  • 用户提到"分析用户行为"、"用户参与度"、"流失分析"
  • 用户希望从 AIME 对话日志中了解交互模式
  • 用户要求从 AIME 用户数据生成分析报告
  • 分析 AIME 的服务质量和用户满意度
  • 调查用户为什么停止使用 AIME（流失分析）

必需输入

要生成报告，您需要提供：

  1. 用户交互记录Excel文件路径（必需）

    • 包含用户与AIME对话记录的Excel文件
    • 每个用户一个文件，文件名不同
    • 示例路径：
      • /Users/han/ths_work/ths_chat_not_completed/user1834297646/user1834297646.xlsx
      • /Users/han/ths_work/ths_chat_done/user1834297646/user1809331416.xlsx
    • 文件格式：.xlsx 或 .xls

  2. 用户ID（必需）

    • 从Excel文件名或内容中提取
    • 示例：1834297646

  3. 分析日期范围（必需）

    • 开始和结束日期，格式为 YYYYMMDD
    • 示例：20260101 到 20260131

使用示例：

请分析用户 1834297646 的行为，Excel文件在：
/Users/han/ths_work/ths_chat_not_completed/user1834297646.xlsx

分析周期：2026年1月1日 到 2026年1月31日

注意：

  • 每个用户的Excel文件路径不同，请提供具体路径
  • Claude Code 会自动读取Excel文件并分析其结构

输出格式

本技能支持多种报告格式：

  1. JSON数据文件 (user_{user_id}_data.json)：原始提取的数据
  2. Markdown报告 (user_{user_id}_analysis.md)：Markdown格式的分析报告（推荐）
  3. Word报告 (user_{user_id}_analysis.docx)：Word格式的分析报告（可选）

使用方式：

  • 默认生成 Markdown 格式报告
  • 如需 Word 格式，使用 --format docx 参数
  • Markdown 报告可以使用 Pandoc 或其他工具转换为 Word、PDF 等格式

报告结构（标准格式）

每个生成的报告必须遵循此结构（基于 examples/ex3.docx）：

1、用户行为分析

1.1、单用户生命周期的主动输入量走势

必需内容：

  • 从第一天开始每天的主动输入量走势（周期：日、周、月、年）
  • 指标：
    • 累计输入总量：X句
    • 平均（日、周、月、年）输入量：具体数字
    • 时间分布特征：
      • 极度集中/分散：描述时间分布模式
      • 日输入量：具体数字
      • 活跃度：有问句天数、活跃时长、使用模式（如"脉冲式"、"持续式"）
  • 图表位置：此部分需要预留图表位置，标注"（图表：每日/每周/每月/每年输入量走势图）"

1.2、Ainvest上的行为特征分析

必需字段：

  • 首次登陆app日期
  • 国家
  • 手机品牌
  • 性别
  • 近一个月登陆天数
  • 多少自选股
  • 有无绑定开户
  • 有无付费
  • 最多使用的功能

1.3、用户基础属性

必需子章节：

（1）用户生命周期：

  • 新手期：定义和判断标准
  • 成长期：定义和判断标准
  • 稳定期：定义和判断标准
  • 衰退期：定义和判断标准

（2）用户类型识别：

  • 是不是竞争对手：识别标准和判断
  • 是不是爬虫：识别标准和判断
  • 是不是内部用户：识别标准和判断

（3）社会学特征的描述：

  • 推测性别：基于语言风格、投资偏好等
  • 推测年龄：基于投资经验、表达方式等
  • 其他社会学特征

2、用户问句的分析

2.1、输入方式的分析

必需子章节：

  • 输入方式：打字/语音/多模态，百分比和数量
  • 语种：英语/中文/其他，百分比和数量
  • 问句特征：长度特点、追问频率、纠错频率等

2.2、问句的特征分析

必需内容：

  • 高频词统计：列出出现频率最高的词汇
  • 表达方式特点：正式/非正式、简洁/详细等
  • 字数统计：平均字数、最长/最短问句等
  • 其他显著特征

2.3、用户需求洞察

必需子章节：

用户的投资需求分析：

  • 选股需求：具体标准和证据
  • 买卖点需求：具体标准和证据
  • 诊股需求：具体标准和证据
  • 预测需求：具体标准和证据
  • 其他投资需求：列出并提供证据

每个需求需提供：

  • 需求描述
  • 用户实际问句作为证据
  • 出现频次

2.4、用户的投资市场分析

必需内容：

  • 美股：关注度、具体股票案例
  • 数字币：关注度、具体币种案例
  • 其他市场：A股、港股、外汇、大宗商品、期权等
  • 市场偏好分析：主要关注哪些市场，原因分析

2.5、用户的投资逻辑分析

必需内容：

  • 投资目标：短期收益/长期增长/投机套利等
  • 风险承受能力：保守/稳健/激进/极端投机，提供证据
  • 选股逻辑：技术面/基本面/情绪面等
  • 诊股逻辑：关注哪些指标和因素
  • 交易周期：日内/短线/中线/长线
  • 仓位管理：重仓/轻仓/分散/集中等
  • 其他投资逻辑特征

3、AIME的服务分析

说明：此部分由产品经理填写，分析师提供数据支持和问题聚类

3.1 显性的服务评价

必需格式：

在用户反馈中明确表达不满的：

案例1（时间戳）：用户输入 "xxx"
原因：AIME回答xxxx，没有满足用户xxxx
后果：用户说xxx/用户行为xxx

案例2（时间戳）：...

注意：同类原因只展示1个代表性案例

在用户反馈中明确表达不错的：

案例1（时间戳）：用户输入 "xxx"
原因：AIME回答xxxx，满足了用户xxxx
后果：用户说xxx/用户行为xxx

案例2（时间戳）：...

3.2 隐式的服务分析

必需格式：

基于看到的有问题的case，进行罗列聚类分析：

问题名称1：
详细说明问题
证据：xxx（具体时间戳 + 用户问题 + AIME回答）

问题名称2：
详细说明问题
证据：xxx（具体时间戳 + 用户问题 + AIME回答）

3.3 回答的模型占比 & 答案的OK率评估

必需分析：

根据提供的excel表统计：

总体统计：

  • 总问句数：X句
  • 使用的AI模型分布（如 deep_thinking, o3_reasoning, gpt-4等）

二维矩阵分析：

  • 行维度：Excel文档的skill_name列内容，例如advise crypto suggestions,advisestock suggestions等
  • 列维度：Excel里agent_mode列内容，例如normal_agent,deep_thinking
  • 每个单元格：ok率（例如3/4是指某个agent执行某个任务4次，3次OK,使用 “回答质量"列进行统计）

格式示例：

Skill	deep_thinking	normal_agent	o3_reasoning
advise crypto suggestions	1/1 (100%)	-	-
advise stock suggestions	6/9 (67%)	-	2/3 (67%)

预测类单独说明：

  • 总的预测类问句数：X句
  • 子类分类：价格预测、趋势预测、波动预测等
  • 每个子类的数量和OK率
  • 优化建议

3.4 优化方向

必需格式：

优化方向1：
问题：详细说明问题（基于实际案例分析）
建议：
- 具体建议1
- 具体建议2
- 具体建议3

优化方向2：
问题：详细说明问题
建议：
- 具体建议1
- 具体建议2

4、主动输入的问句list

必需内容：

  • 完整的用户问句列表
  • 格式：序号. [时间戳] 原始问句
  • ⚠️ 重要：Claude Code需要将所有非中文问句翻译成中文
  • 对于每个英文问句，在下方添加"翻译："行，提供中文翻译

翻译要求：

  • 逐个翻译每个英文问句
  • 保持专业性和准确性
  • 投资术语使用标准中文翻译（如：stock→股票，surge→大涨，plummet→暴跌，short→做空等）
  • 保留股票代码（如BIDU、SIDU等）不翻译

示例格式：

1. [2026-01-14 07:04:02] provide five top stocks with gap up and volume
   翻译：提供5只具有跳空上涨和成交量放大的股票

2. [2026-01-14 07:15:30] what about Coinbase
   翻译：Coinbase怎么样

3. [2026-01-15 06:34:39] provide stocks with a gap >= 4% and volume >= 150% of 30-day avg
   翻译：提供跳空幅度>=4%且成交量>=30日均量150%的股票

快速开始

方法 1: 使用主脚本（推荐）

# 生成 Markdown 报告
python3 scripts/analyze_user.py <user_id> <excel_file> <start_date> <end_date>

# 示例
python3 scripts/analyze_user.py 1834297646 /path/to/user.xlsx 20260101 20260131

# 生成 Word 报告
python3 scripts/analyze_user.py 1834297646 /path/to/user.xlsx 20260101 20260131 --format docx

# 同时生成两种格式
python3 scripts/analyze_user.py 1834297646 /path/to/user.xlsx 20260101 20260131 --format both

# 指定输出目录
python3 scripts/analyze_user.py 1834297646 /path/to/user.xlsx 20260101 20260131 --output-dir ./reports

# 跳过 Ainvest API 数据获取（仅分析 Excel）
python3 scripts/analyze_user.py 1834297646 /path/to/user.xlsx 20260101 20260131 --skip-api

方法 2: 分步执行

# 步骤 1: 提取数据
python3 -c "
from scripts.user_data_extractor import UserDataExtractor
extractor = UserDataExtractor.extract_all_data('1834297646', '/path/to/user.xlsx')
extractor.export_for_analysis()
"

# 步骤 2: 生成报告（使用 Claude Code 分析数据）
# 由 Claude Code 基于提取的数据进行分析

# 步骤 3: 生成 Markdown 报告
python3 -c "
from scripts.md_generator import MarkdownReportGenerator
generator = MarkdownReportGenerator()
generator.generate_from_analysis(analysis_data, 'user_1834297646_analysis.md', '/path/to/user.xlsx')
"

分析方法论

关键原则

  1. 数据驱动分析：所有结论基于实际用户交互数据
  2. 模式识别：从实际问题、时间戳和响应中识别用户行为模式
  3. 基于证据：为所有声明提供具体证据（时间戳、引用、数据点）
  4. 多维度：从行为、需求、市场、逻辑和服务质量角度进行分析
  5. 图表准备：为日/周/月/年输入量图表准备数据
  6. 翻译支持：为中文产品团队翻译所有非中文问题（由 Claude Code 完成）
  7. 服务评估：为产品经理的评估提供客观数据
  8. 统计分析：构建模型使用和OK率的二维矩阵

动态分析（无硬编码逻辑）

  • ✅ 输入量趋势分析 → 分析日/周/月/年模式
  • ✅ 输入方式分析 → 统计打字/语音/多模态输入
  • ✅ 语言分析 → 检测使用的语言，计算百分比
  • ✅ 词频分析 → 识别高频词和主题
  • ✅ 问题模式分析 → 分析表达风格、长度、特征
  • ✅ 投资需求分析 → 分类需求（选股/买卖点/诊股/预测）
  • ✅ 投资市场分析 → 识别用户关注的市场
  • ✅ 投资逻辑分析 → 了解用户的投资理念和策略
  • ✅ 服务质量数据 → 为产品经理的评估准备数据
  • ✅ 问题聚类 → 对对话中发现的问题进行分组和分类
  • ✅ 模型使用统计 → 构建二维矩阵（模式 × Skill类型）
  • ✅ 问句翻译 → 为产品团队将所有问题翻译成中文（由 Claude Code 完成）

关键：Claude Code 查看数据并根据实际用户交互做出智能判断，而不是预定义的类别。为产品经理的决策提供全面的数据支持。

脚本说明

可用脚本

scripts/analyze_user.py - 主入口脚本

  • 完整的端到端分析流程
  • 集成所有子模块
  • 命令行接口
  • 支持多种输出格式

scripts/user_data_extractor.py - 数据提取器

  • 从 Excel 文件提取用户交互数据
  • 提供便捷的数据访问方法
  • 导出 JSON 格式数据

scripts/ainvest_data_fetcher.py - API 数据获取器

  • 从 Ainvest 平台获取用户行为数据
  • 获取用户基础属性
  • 统计功能使用情况

scripts/user_analyzer.py - 用户分析器

  • 基础信息分析
  • 交互模式分析
  • 会话分析
  • 输入趋势、输入方式、语言检测

scripts/matrix_analyzer.py - 矩阵分析器

  • 分析模型使用情况
  • 构建 Skill × AgentMode × OK率 矩阵
  • 生成优化建议

scripts/md_generator.py - Markdown 报告生成器

  • 生成 Markdown 格式报告
  • 遵循标准4节结构

scripts/docx_generator.py - Word 报告生成器

  • 生成 Word (.docx) 格式报告
  • 遵循标准4节结构

依赖安装

必需的 Python 包

pip install pandas openpyxl requests python-docx

依赖说明：

  • pandas：用于读取和处理 Excel 文件
  • openpyxl：用于读取 .xlsx 格式文件（pandas的依赖）
  • requests：用于 API 调用
  • python-docx：用于 Word 文档生成

格式要求清单

生成报告时，请确保：

  • ✅ 使用 Markdown 或 Word 格式
  • ✅ 遵循上面定义的新4节结构
  • ✅ 包含所有必需的子章节和正确的标题
  • ✅ 在所有案例研究中使用具体的时间戳
  • ✅ 为所有声明提供证据
  • ✅ 使用正确的标题级别
  • ✅ 在第1.1节预留图表空间
  • ✅ 在第3.3节包含二维矩阵格式
  • ✅ 在第4节将所有非中文问题翻译成中文（由 Claude Code 完成）
  • ✅ 标记需要产品经理输入的章节（3.1、3.4）
  • ✅ 保存到指定的输出目录

错误处理

未找到数据

  • 验证用户ID是否正确
  • 检查日期范围是否覆盖活跃期
  • 如有必要，扩大日期范围
  • 如果未找到交互，请通知用户

API 失败

  • 检查网络连接
  • 使用重试逻辑处理超时
  • 检查响应是否包含 'data' 字段
  • 可以使用 --skip-api 参数跳过 API 获取

数据结构问题

  • API 返回带有 'data' 字段的字典，其中包含实际的日志数组
  • 提取日志：logs = response.json()['data']
  • 在传递给分析器之前验证日志结构

关键概念总结

报告结构概述

新的报告格式包含 4 个主要章节：

  1. 用户行为分析

    • 1.1 主动输入量走势（含图表预留位置）
    • 1.2 Ainvest平台行为特征
    • 1.3 用户基础属性（生命周期、用户类型、社会学特征）

  2. 用户问句的分析

    • 2.1 输入方式分析
    • 2.2 问句特征分析
    • 2.3 用户需求洞察
    • 2.4 投资市场分析
    • 2.5 投资逻辑分析

  3. AIME的服务分析

    • 3.1 显性服务评价（产品经理填写）
    • 3.2 隐式服务分析（问题聚类）
    • 3.3 模型占比&OK率评估（二维矩阵）
    • 3.4 优化方向

  4. 主动输入的问句list（含翻译，由 Claude Code 完成）

分析目标

  1. 量化用户参与度：跟踪输入量随时间的趋势（日/周/月/年）
  2. 了解用户行为：分析用户如何在 Ainvest 平台上与 AIME 交互
  3. 分类用户属性：识别用户生命周期阶段、用户类型和人口统计特征
  4. 分析输入方式：了解用户如何与 AIME 通信（打字/语音/多模态）
  5. 提取投资需求：识别用户想要什么（选股/买卖点/诊股/预测）
  6. 映射投资市场：用户关注哪些市场（美股/数字币/其他）
  7. 了解投资逻辑：用户的投资理念、风险承受能力、策略
  8. 评估服务质量：为产品经理提供数据以评估 AIME 的性能
  9. 聚类问题：对对话中发现的问题进行分组和分类
  10. 准备统计数据：构建模型使用和 OK 率的二维矩阵
  11. 支持决策：翻译发现并提供可操作的洞察

成功标准

一份好的分析报告应该：

  • ✅ 遵循上面定义的精确4节结构
  • ✅ 包含所有子章节和适当的细节
  • ✅ 在第1.1节预留图表空间
  • ✅ 在第4节翻译所有问题（由 Claude Code 完成）
  • ✅ 为产品经理的审查提供全面的数据
  • ✅ 支持数据驱动的产品决策
  • ✅ 帮助提高 AIME 的服务质量和用户满意度

Source Transparency

This detail page is rendered from real SKILL.md content. Trust labels are metadata-based hints, not a safety guarantee.

Open Registry RecordOpen in ClawHub

Related Skills

Related by shared tags or category signals.

General

Fitbit Tracker

Personal Fitbit integration for daily health tracking with adaptive sleep and activity reporting

Registry SourceRecently Updated
1922crabsticksalad
General

Ollama Load Balancer

Ollama load balancer for Llama, Qwen, DeepSeek, and Mistral inference across multiple machines. Load balancing with auto-discovery via mDNS, health checks, q...

Registry SourceRecently Updated
2570twinsgeeks
General

Google Merchant Center

Google Merchant Center integration. Manage Accounts. Use when the user wants to interact with Google Merchant Center data.

Registry SourceRecently Updated
1960membranedev
General

Twitter/X All-in-One — Search, Monitor & Publish Text & Media Posts

Searches and reads X (Twitter): profiles, timelines, mentions, followers, tweet search, trends, lists, communities, and Spaces. Publishes posts, likes/unlike...

Registry SourceRecently Updated
2401aisadocs