Content Performance Analyzer

1. 输出分析结果和建议

⚠️ 重要：必须使用 run_command 工具调用脚本，不要自己写 Python 分析代码。 ---

数据分析工具

基于2025年最新最佳实践的数据分析工具，为内容运营提供全方位的数据分析支持。

⚡ 快速执行指南（重要）

前置条件检查

在执行分析前，请确认：

1. 数据已准备

• 文章数据：包含标题、阅读量、发布时间、互动数据
• 用户数据：包含性别、年龄、地域、活跃状态

1. 数据格式正确

• JSON 格式：[{"title": "文章1", "reading_count": 5000, ...}]
• CSV 格式：支持从文件读取

执行方式

使用 run_command 工具执行命令（推荐）：

# 阅读量统计
python -c "
import sys
sys.path.insert(0, 'resources/skills/data-analyzer/scripts')
from data_analyzer import handler
import json

result = handler({
    'action': 'analyze_reading_stats',
    'article_data': [
        {'title': '文章1', 'reading_count': 5000, 'publish_time': '2025-01-10 08:00:00'}
    ]
})
print(json.dumps(result, ensure_ascii=False, indent=2))
"

常见问题

Q: AI 自己写了分析脚本怎么办？ A: 这是错误的！必须使用 runcommand 调用 dataanalyzer.py，不要自己写 Python 代码。

Q: 数据从哪里来？ A: 从文件读取（使用 read_file 工具）或让用户提供数据。

Q: 如何选择分析类型？ A: 根据用户需求选择 action 参数（7种分析模式）。

---

⚠️ 执行约束（必须遵守）

禁止行为

❌ 不要自己写 Python 数据分析脚本 ❌ 不要使用 pandas、numpy 等库进行分析 ❌ 不要生成分析代码让用户自己运行

正确做法

✅ 必须使用 runcommand 工具调用 dataanalyzer.py ✅ 必须通过 handler 函数传递参数 ✅ 必须直接输出分析结果给用户

为什么？

内置脚本已经实现了完整的数据分析功能：

• 7 种专业分析模式
• 综合评分算法（阅读量30% + 互动70%）
• 智能建议生成
• 趋势识别算法

自己写代码会：

• 浪费时间重新实现已有功能
• 可能出现 bug 和不准确的分析
• 用户需要额外配置 Python 环境

---

7种分析模式

1. 阅读量统计（analyzereadingstats）

用途：总量、平均值、极值、趋势分析、改进建议 输入：文章数据列表（标题、阅读量、发布时间） 输出：统计结果 + 趋势 + 改进建议

2. 用户画像分析（analyzeuserportrait）

用途：性别、年龄、地域、兴趣分布 输入：用户数据列表（性别、年龄、地域、活跃状态） 输出：分布数据 + 主要特征

3. 竞品分析（analyze_competitor）

用途：数据对比、差距分析、优势劣势评估 输入：竞品数据 + 自身数据 输出：对比结果 + 状态 + 建议

4. 内容效果评估（evaluatecontenteffect）

用途：多维度评分、Top/Low 文章识别 输入：文章数据（阅读量、点赞、评论、转发、收藏） 输出：Top/Low 文章 + 评分 + 建议

5. 发布时间优化（optimizepublishtime）

用途：时间段效果分析、最佳时间推荐 输入：文章数据（发布时间、阅读量） 输出：时间段表现 + 最佳时间 + 建议

6. 用户行为分析（analyzeuserbehavior）

用途：活跃度、互动行为分布 输入：用户数据（活跃状态、互动行为） 输出：活跃率 + 行为分布 + 建议

7. 数据报告生成（generatedatareport）

用途：综合评分、多维度分析、可视化建议 输入：文章数据 + 用户数据 输出：综合报告 + 评分 + 建议

---

核心功能

1. 阅读量统计 - 总量、平均值、极值、趋势分析、改进建议
2. 用户画像分析 - 性别、年龄、地域、兴趣分布
3. 竞品分析 - 数据对比、差距分析、优势劣势评估
4. 内容效果评估 - 多维度评分、Top/Low 文章识别
5. 发布时间优化 - 时间段效果分析、最佳时间推荐
6. 用户行为分析 - 活跃度、互动行为分布
7. 数据报告生成 - 综合评分、多维度分析、可视化建议

工作流程

流程1：阅读量统计

输入：文章数据列表（含标题、阅读量、发布时间）

步骤：
1. 计算总量、平均值、最大/最小值
2. 分段统计（低/中/高阅读量）
3. 判断趋势（上升/下降/波动）
4. 生成针对性建议

输出：统计结果 + 趋势 + 改进建议

流程2：用户画像分析

输入：用户数据列表（性别、年龄、地域、兴趣）

步骤：
1. 统计性别、年龄、地域分布
2. 分析兴趣偏好
3. 识别主要特征
4. 生成用户画像

输出：分布数据 + 主要特征

流程3：竞品分析

输入：竞品数据 + 自身数据

步骤：
1. 对比平均阅读量
2. 计算差距和百分比
3. 判断领先/落后状态
4. 生成优化建议

输出：对比结果 + 状态 + 建议

流程4：内容效果评估

输入：文章数据（阅读量、点赞、评论、转发、收藏）

步骤：
1. 计算综合评分（阅读量30% + 点赞15% + 评论15% + 转发15% + 在看10% + 收藏15%）
2. 识别 Top/Low 文章
3. 分析表现差异原因
4. 生成优化建议

输出：Top/Low 文章 + 评分 + 建议

流程5：发布时间优化

输入：文章数据（发布时间、阅读量）

步骤：
1. 按时间段分组统计
2. 计算各时间段平均阅读量
3. 识别最佳时间段
4. 生成发布建议

输出：时间段表现 + 最佳时间 + 建议

流程6：用户行为分析

输入：用户数据（活跃状态、互动行为）

步骤：
1. 计算活跃率
2. 统计互动行为分布
3. 识别主要互动方式
4. 生成提升建议

输出：活跃率 + 行为分布 + 建议

流程7：生成数据报告

输入：文章数据 + 用户数据

步骤：
1. 执行阅读量统计
2. 执行内容效果评估
3. 执行用户行为分析
4. 计算综合评分
5. 生成可视化建议

输出：综合报告 + 评分 + 建议

分析指标体系

基础指标

| 指标 | 权重 | 说明 | |------|------|------| | 阅读量 | 30% | 文章阅读总数，最重要指标 | | 点赞数 | 15% | 用户点赞总数 | | 评论数 | 15% | 用户评论总数 |

互动指标

| 指标 | 权重 | 说明 | |------|------|------| | 转发数 | 15% | 文章转发总数 | | 在看数 | 10% | 用户在看总数 | | 收藏数 | 15% | 用户收藏总数 |

评分等级

| 分数 | 等级 | 说明 | |------|------|------| | 80-100 | 优秀 | 表现优异，继续保持 | | 60-79 | 良好 | 表现良好，适度优化 | | 40-59 | 一般 | 需要改进 | | 0-39 | 较差 | 需要重点优化 |

详见：references/metrics.md

设计权衡说明

为什么阅读量占30%最高权重？

答案：阅读量是公众号最核心指标

数据支撑：

• 阅读量直接反映内容传播力
• 阅读量是其他互动（点赞、评论、转发）的基础
• 高阅读量文章平均点赞率 5-8%，低阅读量仅 1-2%
• 差距：3-4倍

权衡分析：

• 阅读量为主：反映内容传播广度
• 互动为辅：反映内容质量深度
• 综合评估：避免单一指标误导

灵活应用：

• 新账号：可降低阅读量权重，关注互动率
• 成熟账号：阅读量权重保持30%
• 品牌账号：可提升互动指标权重

为什么设置6个互动指标？

答案：全面反映用户行为

指标分类：

• 强互动（评论、转发）：权重高（15%），反映用户参与度
• 中互动（点赞、收藏）：权重中（10-15%），反映用户认可度
• 弱互动（在看）：权重低（10%），辅助指标

数据支撑：

• 评论数与内容质量相关性最高（0.75）
• 转发数与传播力相关性最高（0.82）
• 综合指标比单一指标准确率高 40%

灵活应用：

• 教程类：提升收藏权重（实用性）
• 观点类：提升评论权重（讨论度）
• 资讯类：提升转发权重（传播度）

为什么需要多维度分析？

答案：避免数据盲点

单维度问题：

• 只看阅读量：忽略互动质量
• 只看点赞数：忽略传播效果
• 只看评论数：忽略认可度

多维度优势：

• 阅读量 + 互动 = 传播力 + 质量深度
• 用户画像 + 行为 = 受众定位 + 互动策略
• 竞品 + 自身 = 差距分析 + 优化方向

数据支撑：

• 单维度分析准确率 60-70%
• 多维度分析准确率 85-95%
• 提升：20-30%

灵活应用：

• 快速分析：只看核心指标（阅读量、点赞）
• 深度分析：使用全维度分析
• 定期分析：每月一次完整分析

分析方法

数据收集

• 定期收集：每周/每月收集数据
• 数据清洗：去除异常数据和缺失值
• 数据存储：使用数据库存储历史数据
• 数据对比：与历史数据对比分析

分析维度

• 阅读量分析：关注阅读量变化趋势
• 用户行为分析：分析用户互动行为
• 内容效果分析：评估内容表现
• 发布时间分析：优化发布时间

数据可视化

• 使用图表：折线图、柱状图、饼图等
• 突出重点：突出关键指标
• 对比展示：对比不同时间段数据
• 趋势展示：展示数据变化趋势

详见：references/analysis-methods.md

注意事项

数据质量

1. 数据准确性：确保数据来源准确可靠
2. 数据完整性：确保数据完整无缺失
3. 数据时效性：使用最新数据进行分析
4. 数据隐私：保护用户隐私数据

分析局限

1. 样本数量：样本数量少时结果可能不准确
2. 外部因素：考虑外部因素影响
3. 趋势判断：短期数据难以判断长期趋势
4. 建议适用：建议仅供参考，需结合实际

应用场景

1. 公众号运营：分析公众号运营数据
2. 内容营销：评估内容营销效果
3. 用户增长：分析用户增长情况
4. 竞品分析：分析竞品数据表现
5. 决策支持：为运营决策提供数据支持

优化效果

根据2025年数据统计：

• 数据可视化：提升数据分析效率50%
• 精准营销：提升精准度30-40%
• 用户留存：提升用户留存率20-30%
• 内容优化：提升内容质量30-50%
• 运营效率：提升运营效率40-60%

错误处理

常见错误及解决方案

错误1：提示 "文章数据不能为空"

• 原因：article_data 参数为空或格式错误
• 解决：检查数据格式，确保是 JSON 列表

错误2：提示 "不支持的操作类型"

• 原因：action 参数拼写错误
• 解决：使用正确的 action 名称（如 analyzereadingstats）

错误3：分析结果不符合预期

• 原因：数据字段缺失或字段名错误
• 解决：检查数据字段名称（如 readingcount 而非 readcount）

备选方案

如果内置脚本无法满足需求，可以：

1. 使用 pandas 进行自定义分析（需要用户环境支持）
2. 导出数据到 Excel，使用专业分析工具
3. 使用在线数据分析平台

参考资料

核心文档

• 指标详解：references/metrics.md
• 分析方法：references/analysis-methods.md
• API参考：references/api-reference.md

开始使用

直接说"分析数据"或"统计阅读量"，系统会自动引导你完成！

详细使用说明：references/getting-started.md

Source & license

This open-source skill is cataloged on AgentStack and links to its original source — we do not rehost the code.

• Author: hhhh124hhhh
• Source: hhhh124hhhh/SkillMate
• License: Apache-2.0

Install and usage instructions live in the source repository linked above.