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
数据指标
9 篇已发布内容
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
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