数据分析负责人; Lead Data Analyst

首先是一个商业角色，其次才是一个技术角色。我们需要能够解读数据并告诉我们“下一步该怎么做”的人，而不是只会搭建仪表板、被动等待需求的人。

我们目前最核心的问题是留存。获客渠道表现良好，但周活跃用户数（WAU）和重复使用率尚未达到预期。你将负责诊断并量化这一差距，而你的绩效将取决于公司是否因你的工作而做出了不同的商业行动。

你将处于产品、增长和 GTM（转市策略）的核心位置，成为所有业务现状、原因分析及应对策略的唯一事实来源（Single Source of Truth）。在如此激烈的赛道中，学习最快的团队才能获胜，而你就是驱动这种学习的引擎。

掌控核心关键指标 —— 激活率、D1/D7/D30 留存率、周活跃用户数（WAU）、留存群组（Cohort）行为、各渠道及市场的 CPA（获客成本），以及交易和订阅转化的先行指标 —— 并建立全公司对这些数据的信任。

做诊断，而非仅仅做汇报
：将原始的产品、账单和互动数据转化为明确、有见地的商业建议；指明驱动留存的关键因素、哪些新手引导步骤转化率高、哪些专家（Specialists）和垂直领域能培养习惯，以及投入在何处能获得回报。

为每一次重大上线建立测量层 —— 包括 3D World of Minds 界面、原生 App、账号级订阅等 —— 确保每一项功能的发布都有明确成功指标和定量影响分析，而非事后靠猜。

与 GTM 和垂直领域产品经理合作，评估市场机会大小、设定目标，并运行“实验与学习”的闭环，以此决定在哪里加码投资、哪里及时止损。

建立管理层依赖的定期报告节奏（日报与周报），并搭建轻量级的自服务报表，让团队能自行解答常规问题，从而将你的精力释放出来去进行能够改变决策的深层分析。

将分析转化为决策：以产品、增长、管理层和董事会能够直接据此采取行动的方式（包括书面和会议汇报），讲述数据背后的故事 —— 提供清晰的建议、明确“这意味着什么（So What）”以及信心指数。

在数据分析栈中全面应用 AI —— 用于查询、总结、原型构建、自动化重复性工作 —— 从而实现“一人胜过一个数据团队”的效率。

具有深刻
商业思维
的数据分析师：习惯从单位经济学（Unit Economics）、投资回收期、群组分析和用户生命周期价值（LTV）的角度思考问题，能够果断给出决策建议，而非只展示图表。

精通 SQL，熟练掌握产品/行为分析工具；精通现代数据栈，并至少掌握一门用于深度分析的脚本语言（Python 或类似语言）。

具备在消费级产品（理想的为移动端、游戏、订阅制或高频消费品类）中主导留存、增长或变现分析的成功经验，且你的成果曾显著改变了业务决策。

原生 AI（AI-Native）的工作方式：已熟练使用 AI 工具加速分析，并对模型输出在何处可信、何处不可信有清醒的判断。

具备敏锐的洞察力，知道哪些问题值得解答；具备严谨的求实态度，能如实揭示数据，哪怕发现的是不讨喜的结论。

卓越的沟通能力（这是核心能力，而非加分项）：能够将复杂的分析精炼为单一、清晰的建议；能让非技术背景的听众真正听懂；撰写的摘要能让高管在 2 分钟内读懂；在受到质询时能够用数据有力捍卫自己的立场。如果业务没有根据你的工作采取行动，说明分析没有真正传达到位 —— 这是分析师的责任。

熟悉游戏化互动指标（DAU/WAU/MAU、游戏进度、任务/关卡完成度）及 AB 测试/实验框架。

熟悉订阅和支付数据（如 Stripe）及交易手续费经济学。

有智能体 AI（Agentic AI）、消费级 AI 或创作者经济产品的从业经验。