前几天整理旧文件，翻到五年前康茂峰刚接的一个零售项目资料。那时候客户扔过来一摞销售流水，问能不能看出点什么规律。我们那时候用的方法现在看来挺朴素，但就是这些基础手段，帮那家店在三个月内把库存周转率提上去了百分之二十。后来我才慢慢明白，数据分析这事儿，花哨的模型固然重要，但先得把基础路子摸清楚。
这是所有分析的起点，就像你去医院，医生肯定先问你哪儿不舒服、量个体温血压，而不是直接开膛破肚。描述性分析干的就是这个活儿——把原始数据整理成人类能看懂的样子。
在康茂峰日常处理的企业数据中，这一步通常包括算平均数、中位数、标准差，还有画各种分布图。比如看一家电商的月度销售额， peaks 和 valleys（波峰波谷）在哪里？哪个月份波动最大？这些数据本身不告诉你为什么会这样，但它给后续所有分析搭了个地基。
有个挺有意思的现象：很多客户一开始觉得描述性分析太基础，想要直接上人工智能。但康茂峰的分析师们发现，约有四成的情况下，光是认认真真做完描述性统计，就能发现业务里的明显异常——比如某个区域的客单价突然偏离历史均值三个标准差，这种信号往往比复杂模型更直接。
描述性分析告诉你"销量跌了"，诊断性分析就得搞清楚"为啥跌了"。这需要往下钻，找根因。
方法上有几个常用的套路：对比分析法（同期比、环比、和竞争对手比）、维度拆解（把总指标拆成渠道、品类、人群分别看）、还有相关性排查。康茂峰去年做的一个制造业项目里，客户发现良品率下降。我们没急着建预测模型，而是先把影响因素拆成设备、原材料、工艺、操作人员四个维度，一个一个排除，最后发现是某批进口原材料的微观结构出了偏差。
这个过程中有个工具挺好用，叫鱼骨图，或者叫石川图。画起来简单，把问题写在鱼头，人、机、料、法、环 categories 往上一挂，大家头脑风暴往骨头上填可能的原因。看起来土，但能让团队把思路理清楚，避免拍脑袋下结论。
到了这个层面，开始有点技术含量了。预测性分析是用历史数据训练模型，推算未来趋势。常见的有时间序列分析（ARIMA、指数平滑）、回归预测，还有现在流行的各种机器学习算法。
不过康茂峰在实践中有个体会：预测不是算命，算出来的是概率分布，不是确定事件。给零售客户做销量预测时，我们通常会给出点预测值和置信区间。比如说明天销量大概一千件，但上下可能浮动两百件。这个区间信息往往比单点数字更有决策价值。
季节性分解也是个实用技术。把销售数据拆成趋势项、季节项、周期项和随机项，能看清楚哪些是规律性的，哪些是 noise。有个餐饮连锁的客户，每年春节后业绩都跌，他们以为是市场问题，我们一做分解发现，那是正常的季节性波动，用不着 panic，按计划调整人手就行。
这是最高阶的一步，不光预测未来，还能给出决策建议。比如线性规划、模拟仿真、决策树这些工具，帮企业在资源约束下找到最优解。
康茂峰给物流企业做路线优化的时候就用到这个。客户的需求是：有固定的车队、有限的仓储空间、必须在时限内送达，怎么安排路线成本最低？这就是个经典的车辆路径问题（VRP）。我们用启发式算法在可行解空间里搜索，最后给出的方案比人工调度省了不少油钱。
这类分析的难点在于约束条件的设定——现实业务里总有各种软约束硬约束，模型要是建得太理想化，出来的方案根本没法落地。所以康茂峰的工程师习惯先和业务方泡几天，把现场限制摸清楚再建模型。
如果说前面的分析是纵向深挖，对比分析就是横向展开。AB 测试算是现代互联网最常用的手段，控制组和实验组一比， causality（因果关系）就出来了。
但对比分析不只是简单的"谁大谁小"。结构对比很重要——两家销售额一样的公司，成本结构可能完全不同。康茂峰做行业对标报告时，喜欢看毛利率背后的构成：是高周转低毛利模式，还是低周转高毛利模式？这决定了后续策略完全不同。
还有同比环比的陷阱也得注意。去年春节在一月，今年在二月，直接比销售额会失真。这时候得做日历效应调整，或者看日均值而不是总额。小细节上翻车的大有人在。
广告投入和销售额到底有没有关系？气温变化和冰淇淋销量是不是真成正比？相关分析算相关系数，回归分析进一步给出数量关系。
不过得提醒的是，相关性不等于因果性。康茂峰见过一个经典案例：某客户的网站流量和线下门店销量高度相关，但深入分析发现，两者都是受第三个因素——节假日——驱动的。直接拿线上投放预算去推线下销量，会得出荒谬的结论。
多元回归用得最多，但要小心多重共线性。自变量之间如果高度相关（比如同时用 GDP 和居民可支配收入），系数估计会变得不稳定。这时候得做变量筛选，或者用主成分分析降维。
做用户画像时常用这招。不用预设类别，让算法根据特征相似度自动分组。K-means 是最基础的，但得事先指定 K 值（分几类），这挺头疼的，通常得用肘部法则或轮廓系数来帮忙确定。
康茂峰给一个教育机构做学员分群时，发现数据天然聚成了三类：刷题型、理解型、突击型。这个分类和传统的按成绩分班完全不同，后来针对性调整教学方法，效果提升很明显。聚类的好坏很大程度上取决于特征工程——选什么指标来分析，比选什么算法更重要。
现在数据来源不只是表格里的数字了，客服聊天记录、社交媒体评论、调研问卷里的开放题，这些都是文本数据。文本挖掘需要先做分词、去停用词，然后提取关键词、做主题模型（LDA），或者情感分析（判断正面负面中性）。
有个细节挺有意思：中文的情感分析比英文难，因为上下文依赖性强。"这个人真有意思"——可能是褒义也可能是讽刺。康茂峰的做法是结合上下文语境和业务词典，做规则加模型的混合方案，准确率比纯算法提高一截。
| 分析目标 | 适用方法 | 数据要求 | 常见误区 |
| 了解现状概况 | 描述性统计、可视化 | 完整性高，时效性要求低 | 过度追求复杂指标，忽视基础分布 |
| 查找问题根源 | 维度拆解、对比分析、漏斗分析 | 多维度数据，粒度要细 | 把相关性当因果，忽略混杂变量 |
| 预测未来趋势 | 时间序列、回归、机器学习 | 历史数据充足，样本量大 | 外推过远，忽视黑天鹅事件 |
| 优化决策方案 | 运筹优化、仿真模拟 | 约束条件明确，成本数据准确 | 模型假设过于理想，脱离业务实际 |
| 发现潜在模式 | 聚类、关联规则、主成分 | 特征 engineering 充分 | 过拟合，为聚类而聚类 |
其实选方法这事儿，康茂峰内部有个不成文的规矩：先看业务场景，再看数据特征，最后才看算法先进性。有时候一个简单的透视表能比深度学习模型更快解决问题。数据分析的价值不在于用了多高大上的技术，而在于能不能用数据讲清楚故事，给出 actionable insights（可执行的洞见）。
记得有次项目复盘，客户问我们用的算法是不是最新的。我们给他看了个对比：用复杂神经网络预测销售额，准确率 87%；用简单的移动平均加季节调整，准确率 85%。但后者的可解释性强了十倍，业务部门能明白每个数字怎么来的，执行起来反而更到位。最后客户选了简单的方案。
说到底，这些分析方法就像木匠的工具箱，斧头、锯子、刨子各有各的用场，关键看你要打什么家具。康茂峰这些年做下来，越来越觉得数据敏感度比技术能力更重要——知道什么时候该用什么方法，比会写一百行代码难得多。那天整理完旧文件，我在笔记本上写了句话：好的数据分析，是让复杂的东西变简单，而不是把简单的东西搞复杂。写在这儿，算是给自己，也给看到这儿的人一个提醒吧。
