子恢增长酒馆

数据

21 篇已发布内容

漏斗分析：流失到底发生在哪一步

前面几章讲的是"指标出问题了怎么办"：监控负责发现异常（Prophet、ARIMA、3-sigma），归因负责定位原因（Delta、基尼系数、剔除法、Adtributor）。但还有一类问题，指标本身没有异动，转化率一直就卡在那里——用户在路径的哪一步流失了、为什么流失、哪类用户流失得最狠。这就要用到

3-sigma异常检测：最简单的监控方法，以及它的边界

预测方法（Prophet、ARIMA）需要建模、训练、维护，监控体系里还需要一个更轻的兜底手段——不建模型，直接用统计规则判断"这个点正不正常"。3-sigma 法就是其中最古老、最简单、也最被广泛使用的一个：它几乎不需要任何算法基础设施，一条 SQL 就能落地，但正因如此，它的适用边界也最需要被理

监控与异动归因总纲：从四个日常问题到完整的分析闭环

前面八篇文章分别拆开了各个具体方法：Prophet、ARIMA、3-sigma、Delta 法、基尼系数、剔除法、Adtributor、漏斗分析。这一篇回到总纲——这些方法在同一个数据分析体系里各自站在什么位置，以及一个完整的"监控 → 归因 → 行动"闭环长什么样。 一、从四个日常问题说起 数据分

Adtributor：用EP和S值把根因归因自动化

Adtributor：把根因归因做成自动化系统 前三篇的归因方法——Delta 法、基尼系数法、剔除法——本质上都依赖分析师手工拆解、逐层下钻。维度一多（渠道 × 地域 × 机型 × 版本），组合迅速爆炸，人工归因既慢又容易遗漏。微软研究院 2014 年在 NSDI 上发表的 Adtributor （Bhagwan e

除法指标归因：剔除法、加权分解与辛普森悖论

DAU 跌了 50 万，Delta 法一算就知道哪个渠道贡献大。但如果是 留存率跌了 2 个百分点 呢？分母（昨日用户数）和分子（今日回访用户数）同时在动，每个渠道的量也在动——直接做差，会把"量变了"和"率变了"搅在一起，算出一笔糊涂账。除法指标的归因，必须先解决这个结构性难题

量化贡献与加法指标归因：Delta法与基尼系数法

监控解决了"有没有异动"，归因要回答"异动从哪来"。多维拆解告诉我们往哪个方向下钻，但下钻之后呢？五个渠道、七个地域、几十个机型，每个都在动——到底谁才是主凶？这就轮到 量化贡献 登场。 一、量化贡献与指标分类 什么是量化贡献？ 通过量化各维度指标对整体指标波动的贡献，定位异动的

ARIMA预测方法：用历史值和历史误差预测当前值

如果说 Prophet 是"把业务直觉装进模型"的工程派代表，ARIMA 就是统计派的百年经典。它不依赖节假日表，也不需要分析师录入先验，只相信一件事： 数据自己会说话 ——当前的值，可以被过去的值和过去的误差解释。这条朴素的假设撑起了半个多世纪的时间序列预测。 一、ARIMA 的前世今生：一个模型

Prophet预测方法：把指标拆成增长、周期和节假日

指标体系搭好之后，"最近数据怎么样"就变成了每天都要回答的问题：下个月 DAU 能做到多少？今天这个下跌算不算异常？靠人肉盯报表既不现实也不可靠，业界通行的做法是 基于预测的监控 ——先让模型预测指标的合理波动范围，实际值一旦跌出这个范围就报警。而提到时间序列预测，几乎绕不开 Facebook 开源

辛普森悖论，AB实验分流的数据陷阱

当我们在A/B测试中发现B渠道在每一项细分收入上都占优，但总人均收入却落后时，这并非简单的数据错误，而是辛普森悖论正在悄无声息地扭曲我们的判断。 你是否也曾被一组看似确凿的汇总数据所误导？就像当年伯克利大学，因为女生报考热门专业的结构性差异，而被冤枉存在性别歧视。 一、辛普森悖论原版经典故事：伯克利招生“性别歧视”冤案

AB实验做完先别急，先看这组"冷门"指标

当实验结果看似正向时，应该优先检查负向指标——用户退订率是否升高、卸载率有无异动，这些常被遗漏的数据才是真正的‘警报器’。 实验结论的四类指标 输出实验结论时，需从四个维度进行综合分析： **基础指标：**活跃用户数、留存率、使用时长等大盘层面通用的核心指标，用于判断实验是否对产品基本面产生负面影响。 **过程指标：*

别再什么都AB了！"Test everything"是个陷阱

没必要当“Test everything! ”，A/B测试跨越多个应用或涉及复杂合作时，一个小小的能力折现设计偏差，就可能导致整个合作不欢而散。 并非所有改动都值得大动干戈进行A/B实验，有时保留一个功能开关，远比盲目测试一切更具性价比。 发布A/B实验阶段的配置参数，若在全量时悄然改变，可能会让大盘数据突然下跌，排查

从单点指标到指标体系：让业务可衡量、可拆解、可行动

“最近业务怎么样？”看似是数据问题，真正困难的是：这里的“业务”究竟指收入、活跃、留存，还是用户体验？没有统一的指标体系，同一份数据可能支持完全相反的结论。 指标体系的作用，是把业务目标翻译成一套有层级、有关系、可重复计算的数据语言。它既要告诉团队结果如何，也要帮助团队找到结果为什么变化，以及下一步应该行动在哪里。 一

做时间的朋友：AB实验长期对照组

当老板质疑你的大改版搞砸了长期数据时，你该如何自证清白？Facebook和国内一家公司的对比，揭示了一个关键答案。 如何确定实验时长？ 实验时长建议满足三个条件： 大于理论实验时间（可用 Evan Miller 工具计算） 跨客户端发版周期（因为先升级的用户往往是积极用户，结果可能偏乐观） 跨完整一周（绝大多数产品都有

AB实验：最小样本量的科学估算

一个实验场景的实际渗透率，能将所需样本量放大数倍，这正是许多A/B测试结论波动巨大的隐藏原因。 最小样本量的科学估计，能让你在面对质疑时，自信地给出基于统计原理的精确数字，而非模糊的经验判断。 流量样本量的确定 实验结论被挑战的经典场景：老板问：“你的实验样本量置信吗？”你只能凭历史经验说：“我觉得 1000 个样本应

A/B实验的假设必须基于因果关系

在设计产品方案时，必须遵循一个关键原则：具备强目的性，并形成一个明确可量化、可归因的具体方案。 A/B 实验的分成了三个步骤 1、提出假设&方案设计 包括数据分析、竞品反推、决策&洞察、用户反馈 需求方案设计：强目的性、可量化、可归因 2、实验设计 分流方式：互斥/正交实验 流量样本量：满足置信度，结合

A/B test=加速迭代+量化提升+降低风险

如果没有A/B实验，一个能带来30%收入增长的功能和一个导致10%下滑的功能混在一起发布，你只能看到一个‘整体不错’的假象。 一个版本发布后数据持续下跌，团队花数周查Bug、开会，最终被迫回滚——这种开发噩梦，本可以通过A/B实验在发布前就彻底避免。 第一、加速迭代 让多组实验互不干扰地同时进行。早期没有 A/B 系统

A/B test：单一变量原则与典型案例

A/B测试，就是在争议和直觉之外，用数据和单一变量原则来接管你的主观判断。 A/B 测试的定义 翻看了很多国内外文献，想找一个比较精确的定义。但大家的定义基本就是举例子——“A/B 实验就是功能组的按钮是红的，对照组是绿的，比较两组数据表现”。既然找不到现成的，我就自己归纳一下： A/B Test是指：为了达成一个明确

A/B test的起源：双盲试验与520渊源

你知道互联网上无处不在的A/B测试，其源头竟始于一艘远洋船上对12名船员的食物实验吗？ 1747 年左右，大航海时代，船员们经常在大海上航行好几个月，非常容易得一种叫“坏血病”的疾病。坏血病非常恐怖，病人从一开始牙龈出血，逐渐发展到全身溃烂而死，死状惨不忍睹。 有一位名叫 詹姆斯·林德 的英国军医，想要解决这个问题。他