データドリブンなフィーチャー開発

データインサイト、A/Bテスト、継続的な計測を活用して、分析・実装・実験の専門エージェントを用いたフィーチャー開発を行います。

[Extended thinking: このワークフローは、初期データ分析と仮説策定から、統合されたアナリティクス、A/Bテストインフラストラクチャ、ローンチ後の分析を備えたフィーチャー実装まで、包括的なデータドリブン開発プロセスをオーケストレーションします。各フェーズは、フィーチャーがデータインサイトに基づいて構築され、計測用に適切にインストルメント化され、制御された実験を通じて検証されることを確実にするために、専門エージェントを活用します。このワークフローは、最新のプロダクトアナリティクスプラクティス、テストにおける統計的厳密性、ユーザー行動からの継続的な学習を強調しています。]

このスキルを使用する場合

• データドリブンなフィーチャー開発タスクまたはワークフローに取り組んでいる場合
• データドリブンなフィーチャー開発のガイダンス、ベストプラクティス、またはチェックリストが必要な場合

このスキルを使用しない場合

• タスクがデータドリブンなフィーチャー開発と関係ない場合
• このスコープ外の異なるドメインまたはツールが必要な場合

指示

• 目標、制約、および必要な入力を明確にします。
• 関連するベストプラクティスを適用し、結果を検証します。
• 実行可能なステップと検証を提供します。
• 詳細な例が必要な場合は、resources/implementation-playbook.mdを開いてください。

フェーズ 1: データ分析と仮説策定

1. 探索的データ分析

• Task ツールを使用して subagent_type="machine-learning-ops::data-scientist" を指定
• プロンプト: 「フィーチャー: $ARGUMENTS の探索的データ分析を実施してください。既存のユーザー行動データを分析し、パターンと機会を特定し、ユーザーを行動別にセグメント化し、ベースラインメトリクスを計算してください。Amplitude、Mixpanel、Segment などの最新アナリティクスツールを使用して、現在のユーザージャーニー、コンバージョンファネル、エンゲージメントパターンを理解してください。」
• 出力: ビジュアライゼーション付きEDAレポート、ユーザーセグメント、行動パターン、ベースラインメトリクス

2. ビジネス仮説開発

• Task ツールを使用して subagent_type="business-analytics::business-analyst" を指定
• コンテキスト: データサイエンティストのEDA発見および行動パターン
• プロンプト: 「データ分析に基づいてフィーチャー: $ARGUMENTS のビジネス仮説を策定してください。明確な成功メトリクス、主要ビジネスKPIへの期待される影響、ターゲットユーザーセグメント、および最小検出可能効果を定義してください。ICEスコアリングまたはRICE優先順位付けなどのフレームワークを使用して、測定可能な仮説を作成してください。」
• 出力: 仮説ドキュメント、成功メトリクス定義、期待ROI計算

3. 統計実験設計

• Task ツールを使用して subagent_type="machine-learning-ops::data-scientist" を指定
• コンテキスト: ビジネス仮説と成功メトリクス
• プロンプト: 「フィーチャー: $ARGUMENTS の統計実験を設計してください。統計的検出力のための必要なサンプルサイズを計算し、対照群と処置群を定義し、ランダム化戦略を指定し、複数テスト補正を計画してください。より迅速な意思決定のためベイズA/Bテストアプローチを検討してください。主要メトリクスとガードレールメトリクスの両方を設計してください。」
• 出力: 実験設計ドキュメント、検定力分析、統計テスト計画

フェーズ 2: フィーチャーアーキテクチャとアナリティクス設計

4. フィーチャーアーキテクチャ計画

• Task ツールを使用して subagent_type="data-engineering::backend-architect" を指定
• コンテキスト: ビジネス要件と実験設計
• プロンプト: 「A/Bテスト機能を含むフィーチャー: $ARGUMENTS のアーキテクチャを設計してください。フィーチャーフラグ統合(LaunchDarkly、Split.io、または Optimizely)、段階的ロールアウト戦略、セーフティのためのサーキットブレーカー、対照群と処置群ロジック間のクリーンな分離を含めてください。リアルタイム設定更新をサポートするアーキテクチャを確保してください。」
• 出力: アーキテクチャダイアグラム、フィーチャーフラグスキーマ、ロールアウト戦略

5. アナリティクスインストルメンテーション設計

• Task ツールを使用して subagent_type="data-engineering::data-engineer" を指定
• コンテキスト: フィーチャーアーキテクチャと成功メトリクス
• プロンプト: 「フィーチャー: $ARGUMENTS の包括的なアナリティクスインストルメンテーションを設計してください。ユーザーインタラクションのイベントスキーマを定義し、セグメンテーションと分析のためのプロパティを指定し、ファネルトラッキングとコンバージョンイベントを設計し、コホート分析機能を計画してください。Segment、Amplitude、Mixpanel などの最新SDKを使用し、適切なイベント分類法で実装してください。」
• 出力: イベントトラッキング計画、アナリティクススキーマ、インストルメンテーションガイド

6. データパイプラインアーキテクチャ

• Task ツールを使用して subagent_type="data-engineering::data-engineer" を指定
• コンテキスト: アナリティクス要件と既存データインフラストラクチャ
• プロンプト: 「フィーチャー: $ARGUMENTS のデータパイプラインを設計してください。ライブメトリクス用のリアルタイムストリーミング(Kafka、Kinesis)、詳細分析用のバッチ処理、データウェアハウス統合(Snowflake、BigQuery)、該当する場合はMLのためのフィーチャーストアを含めてください。適切なデータガバナンスとGDPR準拠を確保してください。」
• 出力: パイプラインアーキテクチャ、ETL/ELT仕様、データフローダイアグラム

フェーズ 3: インストルメンテーション付き実装

7. バックエンド実装

• Task ツールを使用して subagent_type="backend-development::backend-architect" を指定
• コンテキスト: アーキテクチャ設計とフィーチャー要件
• プロンプト: 「フィーチャー: $ARGUMENTS の完全なインストルメンテーション付きバックエンドを実装してください。決定ポイントでのフィーチャーフラグチェック、すべてのユーザーアクションの包括的なイベントトラッキング、パフォーマンスメトリクス収集、エラートラッキングと監視を含めてください。実験分析のための適切なログを実装してください。」
• 出力: アナリティクス付きバックエンドコード、フィーチャーフラグ統合、監視セットアップ

8. フロントエンド実装

• Task ツールを使用して subagent_type="frontend-mobile-development::frontend-developer" を指定
• コンテキスト: バックエンドAPI とアナリティクス要件
• プロンプト: 「アナリティクストラッキング付きでフィーチャー: $ARGUMENTS のフロントエンドを構築してください。すべてのユーザーインタラクションのイベントトラッキング、セッション記録統合(該当する場合)、パフォーマンスメトリクス(Core Web Vitals)、適切なエラーバウンダリを実装してください。対照群と処置群間で一貫したエクスペリエンスを確保してください。」
• 出力: アナリティクス付きフロントエンドコード、A/Bテストバリアント、パフォーマンス監視

9. MLモデル統合(該当する場合)

• Task ツールを使用して subagent_type="machine-learning-ops::ml-engineer" を指定
• コンテキスト: フィーチャー要件とデータパイプライン
• プロンプト: 「必要に応じてフィーチャー: $ARGUMENTS にMLモデルを統合してください。低レイテンシーでのオンライン推論、モデルバージョン間のA/Bテスト、モデルパフォーマンストラッキング、自動フォールバックメカニズムを実装してください。ドリフト検出のためのモデル監視をセットアップしてください。」
• 出力: MLパイプライン、モデル配信インフラストラクチャ、監視セットアップ

フェーズ 4: ローンチ前検証

10. アナリティクス検証

• Task ツールを使用して subagent_type="data-engineering::data-engineer" を指定
• コンテキスト: 実装されたトラッキングとイベントスキーマ
• プロンプト: 「フィーチャー: $ARGUMENTS のアナリティクス実装を検証してください。ステージング内のすべてのイベントトラッキングをテストし、データ品質と完全性を検証し、ファネル定義を検証し、適切なユーザー識別とセッショントラッキングを確認してください。データパイプラインのエンドツーエンドテストを実行してください。」
• 出力: 検証レポート、データ品質メトリクス、トラッキング対象範囲分析

11. 実験セットアップ

• Task ツールを使用して subagent_type="cloud-infrastructure::deployment-engineer" を指定
• コンテキスト: フィーチャーフラグと実験設計
• プロンプト: 「フィーチャー: $ARGUMENTS の実験インフラストラクチャを設定してください。適切なターゲティングルール付きのフィーチャーフラグをセットアップし、トラフィック割り当てを設定し(5-10%から開始)、キルスイッチを実装し、主要メトリクスのための監視アラートをセットアップしてください。ランダム化と割り当てロジックをテストしてください。」
• 出力: 実験設定、監視ダッシュボード、ロールアウト計画

フェーズ 5: ローンチと実験

12. 段階的ロールアウト

• Task ツールを使用して subagent_type="cloud-infrastructure::deployment-engineer" を指定
• コンテキスト: 実験設定と監視セットアップ
• プロンプト: 「フィーチャー: $ARGUMENTS の段階的ロールアウトを実行してください。社内ドッグフーディングから開始し、その後ベータユーザー(1-5%)、徐々にターゲットトラフィックに増加させてください。エラー率、パフォーマンスメトリクス、初期指標を監視してください。異常検出時に自動ロールバックを実装してください。」
• 出力: ロールアウト実行、監視アラート、ヘルスメトリクス

13. リアルタイム監視

• Task ツールを使用して subagent_type="observability-monitoring::observability-engineer" を指定
• コンテキスト: デプロイされたフィーチャーと成功メトリクス
• プロンプト: 「フィーチャー: $ARGUMENTS の包括的な監視をセットアップしてください。実験メトリクスのリアルタイムダッシュボードを作成し、統計的有意性のためのアラートを設定し、ネガティブな影響のためのガードレールメトリクスを監視し、システムパフォーマンスとエラー率を追跡してください。Datadog、New Relic、またはカスタムダッシュボードなどのツールを使用してください。」
• 出力: 監視ダッシュボード、アラート設定、SLO定義

フェーズ 6: 分析と意思決定

14. 統計分析

• Task ツールを使用して subagent_type="machine-learning-ops::data-scientist" を指定
• コンテキスト: 実験データと元の仮説
• プロンプト: 「フィーチャー: $ARGUMENTS のA/Bテスト結果を分析してください。信頼区間付きで統計的有意性を計算し、セグメントレベルの効果をチェックし、二次メトリクスの影響を分析し、予期しないパターンを調査してください。頻度論的およびベイズアプローチの両方を使用してください。該当する場合は複数テストを考慮してください。」
• 出力: 統計分析レポート、有意性テスト、セグメント分析

15. ビジネスインパクト評価

• Task ツールを使用して subagent_type="business-analytics::business-analyst" を指定
• コンテキスト: 統計分析とビジネスメトリクス
• プロンプト: 「フィーチャー: $ARGUMENTS のビジネスインパクトを評価してください。実績対期待ROIを計算し、主要ビジネスメトリクスへの影響を分析し、運用オーバーヘッドを含むコスト対効果を評価し、長期的価値を予測してください。フルロールアウト、イテレーション、またはロールバックに関する推奨を行ってください。」
• 出力: ビジネスインパクトレポート、ROI分析、推奨ドキュメント

16. ローンチ後最適化

• Task ツールを使用して subagent_type="machine-learning-ops::data-scientist" を指定
• コンテキスト: ローンチ結果とユーザーフィードバック
• プロンプト: 「データに基づいてフィーチャー: $ARGUMENTS の最適化機会を特定してください。処置群のユーザー行動パターンを分析し、ユーザージャーニーの摩擦ポイントを特定し、データに基づいて改善を提案し、後続の実験を計画してください。コホート分析を使用して長期的影響を分析してください。」
• 出力: 最適化推奨、後続実験計画

設定オプション

experiment_config:
  min_sample_size: 10000
  confidence_level: 0.95
  runtime_days: 14
  traffic_allocation: "gradual"  # gradual, fixed, or adaptive

analytics_platforms:
  - amplitude
  - segment
  - mixpanel

feature_flags:
  provider: "launchdarkly"  # launchdarkly, split, optimizely, unleash

statistical_methods:
  - frequentist
  - bayesian

monitoring:
  - real_time_metrics: true
  - anomaly_detection: true
  - automatic_rollback: true

成功基準

• データカバレッジ: ユーザーインタラクションの100%が適切なイベントスキーマでトラッキングされている
• 実験妥当性: 適切なランダム化、十分な統計的検定力、サンプル比率ミスマッチなし
• 統計的厳密性: 明確な有意性テスト、適切な信頼区間、複数テスト補正
• ビジネスインパクト: ガードレールメトリクスを低下させることなくターゲットメトリクスで測定可能な改善
• 技術パフォーマンス: p95レイテンシーの低下なし、エラー率は0.1%未満
• 意思決定速度: 計画された実験実行期間内での明確なゴー/ノーゴー決定
• 学習成果: 将来のフィーチャー開発に向けた文書化されたインサイト

調整に関する注記

• データサイエンティストとビジネスアナリストは仮説策定に協力
• エンジニアは、アナリティクスを事後的ではなく一流の要件として実装
• フィーチャーフラグにより、完全デプロイなしで安全な実験を可能化
• リアルタイム監視により、迅速なイテレーション と必要に応じたロールバックが可能
• 統計的厳密性とビジネス実用性および市場投入速度のバランス
• 継続的な学習ループが次のフィーチャー開発サイクルにフィードバック

データドリブンアプローチで開発するフィーチャー: $ARGUMENTS

制限事項

• このスキルは、タスクが上記で説明されたスコープと明らかに一致する場合のみ使用してください。
• 出力を環境固有の検証、テスト、または専門家レビューの代替と見なさないでください。
• 必要な入力、パーミッション、セーフティ境界、または成功基準が不足している場合は、停止して明確化を求めてください。