- 博客(14)
- 收藏
- 关注
RSS订阅原创 科学分析第一篇：你的分析是“科学”还是“玄学”
当面对“用户使用时长下滑10%”这样的数据时，我们的大脑会本能地跳出各种“我觉得”。这个过程，杜绝了仅凭直觉就将问题归咎于“版本更新”或“用户喜新厌旧”的“一拍脑门就定案”，而是引导我们沿着“技术问题->产品设计->用户行为迁移”的逻辑链，一步步用数据逼近真实原因。科学分析的本质，不是复杂的数学公式，而是一种崇尚理性、尊重证据、敢于让事实修正自己的思维方式。科学分析的第一步，是让“证据”而不是“感觉”站在舞台中央。一个经典迷思：“数据表明，游泳池的溺水人数增加时，冰淇淋的销量也同步攀升。
2026-07-28 14:49:32
174
原创 数据分析-埋点介绍篇
作为数据分析师，无需像开发人员一样精通埋点的代码实现，但必须掌握埋点背后的“数据生产逻辑”。否则，当分析结论与业务预期不符时，很难判断到底是业务出了问题，还是数据本身采集错了。数据分析师需要知道的三个点：1. 数据怎么来的2. 数据可能错在哪里3. 知道怎么提需求。
2026-07-01 21:00:00
233
原创 科学分析第二篇：描述性分析——读懂数据的“第一句话”
当海量的数据摆在面前，你得第一反应是什么？是茫然无措，还是试图从中挖掘深刻的规律？别急，在成为数据侦探之前，我们首先要学会成为一位“数据翻译官”。而描述性分析，就是你最重要的翻译工具。一、它是什么？数据的“体检报告”想象一下，你拿到一份长达100页的年度体检报告，里边充满了各种数字和指标。描述性分析的作用，就是帮你生成这份报告的“首页摘要”。描述性分析的核心任务只有一个：用最清晰、简洁的方式，告诉我们“数据到底长什么样”。
2026-07-01 14:27:50
334
原创 科学分析第五篇：因果推断常用方法
混杂因子：因果推断面临的核心障碍是——混杂偏误。混杂因子指即影响"因"又影响"果"的变量，因果推断的核心任务就是通过各种方法消除混杂偏误，逼近真实的因果效应。例如：在研究“喝咖啡是否导致心脏病”时，“年龄”可能是一个混杂因子——年龄越大的人可能喝咖啡越多，同时患心脏病的风险也越高。
2026-06-29 11:39:49
166
原创 科学分析：相关性！=因果性
当面对“用户使用时长下滑10%”这样的数据时，我们的大脑会本能地跳出各种“我觉得”。这个过程，杜绝了仅凭直觉就将问题归咎于“版本更新”或“用户喜新厌旧”的“一拍脑门就定案”，而是引导我们沿着“技术问题->产品设计->用户行为迁移”的逻辑链，一步步用数据逼近真实原因。科学分析的本质，不是复杂的数学公式，而是一种崇尚理性、尊重证据、敢于让事实修正自己的思维方式。科学分析的第一步，是让“证据”而不是“感觉”站在舞台中央。一个经典迷思：“数据表明，游泳池的溺水人数增加时，冰淇淋的销量也同步攀升。
2026-06-29 11:22:06
175
原创 常用分析方法：根因分析与异动分析
根因分析(RCA)的核心目标是找到导致问题发生的“根本原因”，并防止问题再次发生。它假设问题已经发生，且通常是一个长期、深层次、系统性的缺陷。核心逻辑：治本。不是消除表面症状，而是找到并消除病因。关键问题：为什么这个问题会发生？为什么之前没发现？如何确保它永不复发？常用方法：5why法：连续追问“为什么”，直到找到根本原因。鱼骨图（因果图）：从人、机、料、法、环等维度系统分析潜在原因。故障树分析（FTA）：用逻辑门（与、或）将故障层层分解。
2026-05-08 21:00:00
785
原创 用户增长模型
AARRR和RARRA是用户增长和产品运营领域非常经典的理论框架。简单来说，AARRR是传统的“漏斗”模型，关注获客；而RARRA是适应流量红利消失后的“留存”优先模型。
2026-05-08 21:00:00
378
原创 科学分析第三篇：探索性分析
探索性数据分析（EDA）是数据分析流程中非常关键的第一步。它的核心思想是在不知道数据具体规律的情况下，通过可视化、汇总统计等手段，自由、开放地探索数据，以形成假设、发现模型、检查异常。简单来说，验证性分析是用来“证明”或“推翻”一个既有假设的（比如通过A/B测试证明新算法更好），而探索性分析是用来“产生”这个假设的——你还不确定数据里藏着什么故事，所以先到处看看。
2026-05-07 08:50:46
372
原创 科学分析第四篇：推断性统计
推断性统计是统计分析的核心支柱之一。推断统计研究如何利用样本数据来推断总体特征的统计方法。比如：要了解一个地区的人口特征，不可能对每个人的特征一一进行测量，对产品的质量进行眼尖，往往是破坏性的，也不可能对每个产品进行测量。这就需要抽取部分个体即样本进行测量，然后根据获得的样本数据对所研究的总体特征进行推断，这就是推断统计要解决的问题。与描述性统计“只描述手中数据”不同，推断性统计要回答：“样本中看到的规律，在总体中是否真实存在？差异是随机波动还是系统性差别？
2026-05-07 08:49:44
365
原创 机器学习-回归模型评价指标：R²和RMSE
R²是衡量回归模型对目标变量方差的解释比例。A. 解释：R²取值通常在0-1之间。1表示模型完美拟合所有数据点（预测值等于真实值），0表示模型预测效果与直接使用均值相当。例如R²=0.85意味着模型可以解释目标变量85%的波动。B. 局限：随特征增加而虚高：向模型中添加任意新特征（即使与目标无关），R²都不会减少，只会增加或保持不变。这容易导致误认为模型更好。无法反映预测误差的绝对值：同样的R²在目标变量尺度不同的情况下，实际误差大小完全不同。
2026-05-06 21:00:00
131
原创 假设检验基本概念
1. 比例类指标来自二项分布，在大样本下，样本比例近似正态分布，而且零假设下方差可由（1-P）*P唯一确定（无需额外估计方差参数），因此可直接使用正态近似（Z检验）。5. P值：是一个概率值，如果原假设为真，P值是抽样分布中大于或小于样本统计量的概率。2. 均值类指标来自总体分布，通常总体方差未知，需要用样本方差估计，此时T统计量服从T分布（小样本）或近似正态（大样本）。双侧检验：指按分布两端计算显著水平概率的检验，应用于理论上不能确定两个总体一个一定比另一个大或小的假设检验。1）原假设为真，但拒绝了它。
2026-04-30 21:00:00
370
原创 AB实验基础理论
A/B测试是互联网科学决策的"金标准"，但其有效性建立在统计学严谨性和业务逻辑合理之上。成功的A/B测试不仅在于"跑实验"，更在于：1. 架构先行：建立可靠的分层分流实验系统。2. 指标健全：构建包含核心指标、护栏指标、长期指标的体系。3. 流程规范：遵循"计算样本量->AA验证->试验运行->显著性检验->复盘决策"的标准流程。4. 避免偏见：警惕新奇效应、辛普森悖论和P-hacking等常见陷阱。
2026-04-30 16:53:55
521
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人