如何用 AI 做数据分析

为什么很多分析跑完了还是没法做决策

分析交付物常见的失败，是只给了数字，没给判断。三类典型情况：一是目标不清，没说清这份分析要支持什么决策、什么差异才值得动作，跑出一堆图却落不到行动；二是口径不稳，同一个"复购率""转化率"在不同查询里实体、粒度、分母都不一样，数据无法横向对比；三是把算术当结论，看到 A 比 B 高就下判断，没区分这是统计噪声还是真实差异、置信度有多高、有哪些限制。

这个技能怎么把数据变成决策依据

它的方法是一条从问题到行动的链路。开始前先明确要支持的决策、什么样的结果会改变判断、有哪些可用数据和相关时间窗口；然后定义指标口径，把实体、粒度、分子、分母、时区和过滤条件锁死，建立一份清晰的"指标契约"；分析过程中区分提取、转换和解释三步，并根据问题类型——趋势、比较、分布、关系、构成、漏斗还是留存——选用对应的方法（如假设检验、回归、分群）和图表；最后以决策简报形式输出洞察、证据、置信度、限制和行动建议。

核心区别在于"避免把算术误当决策"：同样的数字，配上置信度和限制说明，管理层拿到的是一页能直接拍板的结论，而不是一堆需要自己再解读的查询和图表。

怎么用它

用法是把要回答的业务问题和手上的数据用自然语言交给它。例如可以这样对它说：

它适合这些场景：实验结果需要判断差异是否显著、是否具有业务意义；漏斗、留存或流失指标异常、要定位变化来自哪个环节；管理层需要一页式结论而非查询代码和图表堆叠；以及已有报表口径不清、需要重建指标契约并检查数据质量风险。

大家常问

什么是指标口径，为什么同一个指标不同人算出来不一样？

指标口径是一个指标的完整定义规则，包含计算对象、聚合方式、归因规则、剔除规则、时间窗口、对齐方式和参数设定。同名指标算出不同结果，多数不是算错，而是各人前提假设没书面化对齐。

漏斗分析法到底是分析现状还是分析原因？

漏斗分析属于现状分析的定位型方法，回答"在哪一步流失"，不回答"为什么流失"。它把模糊的"效果不好"精确为"第 N 步流失严重"，再交给归因分析或 A/B 检验去验证假设。

A/B 测试显示"提升 8%"，为什么不能直接上线？

8% 只是样本点估计，要先看置信区间下限是否跨零、p 值是否过显著性阈值、功效是否充足，再做分层归因排查辛普森悖论，并看 D30 留存和漏斗下游是否同步改善，单一指标提升不等于全局提升。

留存率多少算正常？怎么判断是产品问题还是渠道问题？

留存率是相对比较指标，没有放之四海皆准的数值。判断产品还是渠道问题，构建"渠道×功能"交叉表：列内差异大偏产品，行内差异大偏渠道；再用时间序列对齐产品改版与渠道变更，看哪个时间点吻合得更紧。