数据分析在做什么：问题、数据与证据链
数据分析并不是“把数据画成图表”，也不是“用复杂模型替代判断”。更准确地说，数据分析是一种把不确定的问题转化为可检验的主张，并用可追溯的数据证据链来支撑行动选择的工作方式。它以决策为起点，以证据为手段，以可复现的过程为底线：同一份数据、同一套口径、同一段代码，应当能得到一致的结论；同一条结论，应当能说清楚它依赖了哪些假设、哪些指标、哪些过滤条件，以及它在什么范围内成立。
引言：数据分析的目标与边界
数据分析的目标，常被概括为“发现问题、解释原因、支持决策”。但在真实工作中，更需要明确它的边界：数据分析并不直接替你做价值判断，也不保证“找出唯一真相”。它更像是一套严谨的论证机制，把“我觉得”变为“我有依据地认为”，把“拍脑袋”变为“在约束条件下的最优选择”。
数据分析回答的三类问题
为避免把所有需求都扔给“分析”，可以先把问题分为三类：
1. 描述性问题（Descriptive）：发生了什么？例如“本周订单为什么下降？” 2. 解释性问题（Diagnostic）：为什么会发生？例如“下降主要来自哪些渠道/人群/品类？” 3. 决策性问题（Prescriptive / Causal）：做什么能改变结果？例如“如果我们改版结算页，转化会提升吗？”
三类问题对证据的要求不同：描述性问题强调“统计口径一致、可复现”；解释性问题强调“分解与对比、排除显而易见的替代解释”；决策性问题强调“因果识别”，通常需要实验（A/B）或准实验设计，而不仅是相关性。
边界：数据分析不做什么
在本书的范围内，数据分析的边界被明确为以下三点：
- **不替代业务目标**：分析只能在目标明确后优化路径，不能替你决定“该追求增长还是利润”。
- **不保证因果**：没有实验或识别策略时，相关性结论只能用于提出假设与排查线索。
- **不以工具为中心**：Python、SQL、可视化只是载体；真正的核心是“问题—数据—证据链”的结构化思维。
> 引用（纸书版排版提示）：数据分析的价值，不在于“算得多快”，而在于“论证得多清楚”。
---
概念：从业务问题到分析问题的转译
业务问题常以自然语言出现，带有目标、情绪与语境；分析问题则必须可操作、可度量、可验证。转译的关键，是把“想要什么”拆解为“衡量什么、比较什么、在什么条件下比较”。
业务问题的典型模糊性
以“留存变差了”为例，它至少包含四类未指明的要素：
- **对象不清**：新用户还是老用户？全量还是某渠道？
- **时间不清**：哪天起变差？按注册日 cohort 还是按自然日？
- **指标不清**：次日留存、7日留存、月留存，还是活跃天数？
- **对照不清**：与上周比、与去年同期比、与目标值比？
因此，转译的第一步不是写代码，而是把问题“变窄”，让它具备可检验性。
一个可复用的转译模板（5W1H 的分析化）
把业务问题改写为分析问题时，可以使用如下模板：
- **Who（对象）**：研究的人群/产品/渠道是谁？
- **What（行为/结果）**：要解释的结果变量是什么？
- **When（时间窗）**：观察窗口与归因窗口如何定义？
- **Where（场景）**：在哪个页面/流程/地区发生？
- **Why（候选原因）**：有哪些可检验的假设？
- **How（衡量与方法）**：用什么指标与对照组来检验？
用一句“合格的分析问题”来表达，通常形如： “在时间窗 $T$ 内，针对对象 $U$，结果指标 $Y$ 相比对照基线 $B$ 发生变化 $\Delta$，我们将检验候选机制集合 $\{H_1,H_2,\dots\}$，并用验证方法 $M$ 给出证据强度判断。”
转译流程图（问题到证据链）
```mermaid graph TD A[业务目标/痛点] --> B[业务问题: 自然语言] B --> C[分析问题: 可度量、可检验] C --> D[指标定义: 指标+口径] D --> E[提出假设: 可证伪] E --> F[验证设计: 对照/分解/实验] F --> G[证据链输出: 结论+置信度+范围] G --> H[行动建议与复盘指标] ```
> 电子版侧边栏提示：如果你在团队协作中经常遇到“你算的和我算的不一样”，十有八九是从 C→D 这一步开始就没有写清楚口径。
---
核心框架：建立“指标—口径—假设—验证”的证据链
本书将把“证据链”作为贯穿 20 章的主线。证据链并非华丽的表达，而是一种最低限度的科学性要求：结论必须能被追溯到具体定义与具体数据处理。
1）指标（Metric）：你究竟在衡量什么
指标是对业务目标的可观测代理变量。常见误区是把“想要的东西”直接当作指标，例如“用户满意度”“品牌心智”。这些不是不能分析，而是需要进一步找到可观测的代理：NPS、复购率、搜索量、投诉率、问卷得分等。
以转化率为例，一个最常用但也最容易被滥用的指标是：
$$\text{Conversion Rate} = \frac{\text{下单人数}}{\text{访问人数}}$$
这个公式看似简单，但每一项都隐藏着口径选择：访问是 UV 还是 PV？下单是支付成功还是提交订单？是否去重？是否排除异常流量？
2）口径（Definition）：指标的边界条件与计算规则
“口径”是指标的操作性定义，至少应包含四部分：
- **统计对象**：用户/订单/设备/会话（session）
- **去重规则**：按 user_id 去重还是按 device_id？跨端如何处理？
- **时间规则**：自然日/滚动 24 小时；以事件发生时间还是入库时间为准？
- **过滤规则**：是否排除测试账号、刷单、退款、异常订单？
> 引用：在没有写清口径的情况下讨论指标，等同于在没有标尺单位的情况下讨论长度。
为了协作与复现，建议把关键口径写成“可复制的文字 + 可运行的代码”的双重形式。本书后续章节将逐步引入“指标字典（Metric Dictionary）”的组织方式。
3）假设（Hypothesis）：把解释变成可证伪的命题
假设不是“可能是因为……”，而是“如果……那么……”。好的假设应当具备：
- **可证伪性**：存在反例数据能推翻它
- **机制指向**：解释“为什么会影响”，而不仅是“相关”
- **可操作性**：能导向下一步验证与行动
示例：
- 不佳假设：“转化下降可能是页面不好看。”（不可操作）
- 较好假设：“结算页加载时间上升导致支付成功率下降，且影响主要集中在低端机型与弱网环境。”（可分群验证）
4）验证（Validation）：用什么证据强度支持或否定
验证方法可以从弱到强排列：
- **一致性检查**：同指标在不同数据源/不同抽样下是否一致
- **分解与对比**：按渠道、人群、路径拆解贡献，寻找主导因素
- **对照组/基线**：与历史、同类、目标值比较，控制季节性
- **实验与准实验**：随机对照试验（RCT）、断点回归、差分法等
重要的是在结论中显式标注证据强度，例如“相关性证据”“机制证据”“因果证据”，以及适用范围（对谁、在什么时间窗、在什么场景）。
---
例题一：电商“转化率下降”该如何落地为分析问题
业务表述
“最近转化率下降了，帮我看看原因。”
分析转译（示例）
- **对象（Who）**：全站访问用户，重点关注新客
- **指标（What）**：支付转化率 = 支付成功 UV / 商品详情页 UV
- **时间窗（When）**：最近 14 天 vs 前 14 天（按自然日）
- **场景（Where）**：从商品详情页到支付成功的漏斗
- **候选假设（Why）**：渠道结构变化、价格/库存、页面性能、支付失败、活动结束
- **验证方法（How）**：漏斗分解 + 分群对比 + 关键事件质量检查
漏斗分解：把“下降”定位到具体环节
把转化拆成乘法结构，常能迅速定位问题环节。设：
- $p_1$: 详情页 → 加购率
- $p_2$: 加购 → 提交订单率
- $p_3$: 提交订单 → 支付成功率
则总体支付转化率 $P = p_1 \times p_2 \times p_3$。当 $P$ 下降时，优先看哪一项下降最显著。
用 Python 做一个最小可复现的检查
```python import pandas as pd
假设 events.csv 包含: user_id, event, ts, channel
df = pd.read_csv("events.csv", parse_dates=["ts"])
df["date"] = df["ts"].dt.date window_a = (df["date"] >= pd.to_datetime("2026-02-01").date()) & (df["date"] <= pd.to_datetime("2026-02-14").date()) window_b = (df["date"] >= pd.to_datetime("2026-02-15").date()) & (df["date"] <= pd.to_datetime("2026-02-28").date())
def funnel_rates(data): uv_detail = data.loc[data["event"] == "view_detail", "user_id"].nunique() uv_cart = data.loc[data["event"] == "add_to_cart", "user_id"].nunique() uv_submit = data.loc[data["event"] == "submit_order", "user_id"].nunique() uv_pay = data.loc[data["event"] == "pay_success", "user_id"].nunique()
p1 = uv_cart / uv_detail if uv_detail else 0 p2 = uv_submit / uv_cart if uv_cart else 0 p3 = uv_pay / uv_submit if uv_submit else 0 return {"uv_detail": uv_detail, "p1": p1, "p2": p2, "p3": p3, "P": p1 * p2 * p3}
a = funnel_rates(df[window_a]) b = funnel_rates(df[window_b]) result = pd.DataFrame([a, b], index=["前14天", "后14天"]) result["P变化"] = result["P"] / result.loc["前14天", "P"] - 1 print(result) ```
这段代码不追求“最终报表”，而是追求“证据链可运行”。它能回答：下降主要出在漏斗哪一段，从而把后续的假设检验聚焦到更小的范围。
常见陷阱：口径漂移与数据质量
在上述场景中，最常见的误判来自两类问题：
- **口径漂移**：例如“支付成功”事件埋点在版本更新后含义变化，导致表面下降。
- **数据缺失**：例如某渠道的事件上报延迟，使得“后 14 天”数据不完整。
因此，证据链的第一道关不是建模，而是“口径与数据质量自证”：你要能证明你用的事件是同一个含义、同样完整度。
---
例题二：在线教育“完课率提升”如何避免虚假增长
业务表述
“我们想提高完课率，下个月要看到增长。”
指标与口径：先定义“完课”到底是什么
完课率常见两种定义：
1. 课程维度：完课人数 / 购课人数 2. 课时维度：完成课时数 / 课时总数（或达到一定比例）
两者含义不同：前者强调“是否完成”，后者强调“完成程度”。如果把“看完 1 分钟视频”算作“完成课时”，完课率很容易被“激励点击”虚增，反而伤害学习质量。
假设：行动如何影响指标
可检验的假设示例：
- $H_1$：增加学习提醒（push）提升学习频次，从而提高完课率
- $H_2$：优化课程结构（短视频拆分）降低单次学习门槛，提高持续学习概率
- $H_3$：新增“倍速/字幕”功能降低理解成本，提升完成比例
验证：除了完课率，还必须设定“护栏指标（Guardrail Metrics）”
为了防止“指标好看但体验变差”，需要设定护栏指标，例如：
- 退款率、投诉率是否上升
- 单课时平均观看时长是否显著下降
- 测验通过率是否下降（学习效果代理）
> 电子版提示（可跳转术语）：护栏指标用于防止“优化一个指标、破坏系统整体”。见[术语：护栏指标](#术语护栏指标)。
---