- 制定全量、增量、日志备份的策略与周期- 编写详细的数据恢复（Restore）步骤- 设计定期灾备演练的流程- 明确RTO（恢复时间）和RPO（恢复点）目标
- 检查服务器硬件配置（CPU/内存/磁盘）- 验证操作系统版本与内核参数- 检测网络连通性与端口占用情况- 校验依赖软件（Docker/Java）的版本
=- 自动识别项目中使用的开源组件- 列出每个组件的License类型(MIT/GPL/Apache)- 标记高风险的传染性协议(如GPL)- 生成对外发布的Attribution文档
=- 设计全量数据一致性的校验算法(如MD5/行数对比)- 规划增量数据的同步与追平策略- 制定业务抽样验证的测试用例- 设定回滚触发条件与操作步骤
=- 屏蔽底层技术细节,聚焦业务模块的交互- 清晰展示核心业务流程的数据流向- 划分清晰的业务边界与层级- 辅助产品与技术团队对齐业务理解
- 阐述产品遵循的数据安全标准（ISO27001/SOC2）- 描述数据加密（传输/存储）的技术实现- 说明访问控制与审计机制- 回应企业客户常见的安全关切
- 为每个错误代码（Error Code）提供清晰含义- 列举导致错误的常见原因- 提供分步骤的排查与解决路径- 附带相关的日志示例或工具命令
- 制定配置文件（Config）的分离与分层策略- 设计敏感信息（Secrets）的加密存储方案- 规范配置变更的审核与回滚流程- 确保开发、测试、生产环境的一致性
- 定义兼容性变更与破坏性变更（Breaking Changes）的边界- 编写清晰的升级指南与废弃（Deprecation）公告- 设计版本控制策略（URL/Header）- 提供新旧字段的映射说明
=- 提炼关键决策指标(KPIs)- 设计符合逻辑的指标关联与下钻路径- 选择最直观的图表表达形式- 避免数据堆砌,强调趋势与异常
=- 建立“观察-假设-实验-分析-决策”的标准流程- 规范数据在每个迭代环节的输入输出- 设定迭代成功的量化验收标准- 促进团队的数据文化建设
- 识别新手用户与核心用户的路径差异- 发现老用户逐渐“去功能化”的习惯固化现象- 指导新用户引导（Onboarding）的设计- 挖掘老用户未发现的高级功能价值
=- 区分正常的周期性波动与真正的异常- 选择合适的统计算法(如3-Sigma、同环比)- 设定不同敏感度的报警级别(P0/P1)- 减少误报,避免“狼来了”效应
- 制定标准化的埋点命名规范（Event/Property）- 设计埋点需求文档（DRD）模板- 规划埋点测试与验收流程（Data QA）- 建立废弃埋点的定期清理机制
=- 发现类似Facebook“10天7好友”的关键行为阈值- 通过相关性分析筛选候选行为- 验证魔法数字对留存率的因果影响- 指导Onboarding流程的优化目标
=- 将原始的行为日志转化为结构化标签- 设计基于RFM模型的分层标签- 预测用户的生命周期阶段(引入期/成长期/流失期)- 为个性化推荐提供数据基础
=- 建立涵盖采用率、留存率、满意度的评分体系- 设定各维度的权重分配逻辑- 自动化生成功能“体检报告”- 辅助决策功能的迭代、维护或下线
=- 绘制关键业务流程的转化漏斗- 识别流失率最高的“断头路”环节- 提出定性与定量结合的归因假设- 设计挽回流失用户的实验方案
- 识别反映产品核心价值的单一指标- 构建输入指标与北极星指标的数学关系- 排除虚荣指标（Vanity Metrics）的干扰- 确保指标具有可操作性和先导性
=- 定义需要监控的竞品关键信号源- 设计仪表盘的信息分类与展示逻辑- 设定重大变动的预警阈值- 整合社交媒体、官网、招聘等多元数据