retentioneering-tools
用于可复现、可审计的用户点击流与事件日志分析的Python工具包与MCP服务。
安装使用
复制下面这段提示词发给你的 AI（Claude / Cursor / TRAE / Codex / WorkBuddy 等），它会自动帮你完成安装：
帮我安装这个 AI Skill：retentioneering-tools。 它的用途是：用于可复现、可审计的用户点击流与事件日志分析的Python工具包与MCP服务。 完整的 Skill 内容见：https://321skill.com/skills/retentioneering-tools/raw/index.md 请读取该页面内容，如果是 SKILL.md 格式直接安装，如果是 README 提炼核心 prompt 后安装。
提示词包含完整的 Skill 内容链接，AI 读取后即可完成安装。你也可以 查看完整内容 确认无误。
使用示例
“帮我分析一下最近一个月App内用户的注册转化路径，找出主要流失环节和替代转化路径。” 它会引导你加载事件数据到Retentioneering，并生成交互式用户流图，高亮显示关键流失节点和未被预设漏斗捕获的成功路径。你还可以要求它对比不同渠道来源用户的旅程差异，或模拟修改某个产品步骤后的潜在影响。
介绍
Retentioneering 是一个开源工具集，旨在解决产品分析中常见的“一次性脚本”问题。当数据分析师或AI智能体需要从原始的用户点击流、事件日志等序列数据中，分析用户旅程、转化路径、行为分群或A/B测试效果时，传统方法往往需要为每个问题编写临时代码，不仅效率低下，且难以复现和交叉验证。Retentioneering 提供了一套经过测试的分析原语和可复用的工作流，将这一过程标准化。
用户通过将数据（如Pandas DataFrame、CSV文件或数据库导出）加载到其核心的 Eventstream 对象中，即可快速生成交互式的用户流图、步骤矩阵等可视化图表，进行行为分群、路径对比和实验评估。整个过程在Jupyter、Colab等本地Python环境中完成，无需依赖SaaS平台，保障了数据隐私和计算自主性。
它非常适合数据分析师、产品分析师以及需要处理用户行为数据的AI智能体开发者使用。对于希望深入理解用户在产品中的真实行为路径，而非仅仅关注预设漏斗的团队来说，这是一个强大的工具。
使用建议：建议用户具备基础的Python和Pandas数据处理能力。虽然它旨在降低分析门槛，但理解其图论和马尔可夫链等底层概念，将有助于更深入地解读分析结果。注意，它主要处理时序事件数据，对于非序列化的截面数据或需要复杂统计建模的场景，可能需要结合其他库使用。
核心特点
与通用数据分析库（如Pandas）或单一可视化工具不同，Retentioneering 专为多分辨率用户旅程分析而设计，能从原始事件、会话到长期客户旅程等多个层面，在同一图分析框架下进行“缩放”观察，揭示预设漏斗之外的替代路径、循环和死胡同。
注意事项
不适合处理非时序性的截面数据，或需要复杂因果推断、高级机器学习建模的专项分析场景。
常见问题
Retentioneering 能替代Mixpanel或Amplitude吗？
不能完全替代。它是一个代码优先的分析工具包，侧重于在自有环境中进行深度、可复现的分析和建模，而非提供开箱即用的SaaS数据看板。
需要联网使用吗？
核心分析功能完全离线运行。只有安装包、访问在线文档或使用其MCP服务与AI智能体交互时才需要网络。
给 AI 助手的安装指引
如果你的 AI 编程助手（Claude Code、Cursor、TRAE 等）能看到这个页面，把下面这段发给它即可自动完成安装：
请访问 https://321skill.com/skills/retentioneering-tools/raw/index.md 读取 retentioneering-tools 的原始 Skill 定义（Markdown 格式），按其中说明在我的环境里完成安装和配置。
AI 可直接读取的原始 Markdown 地址：/skills/retentioneering-tools/raw/index.md（查看排版版本）