说实话，我刚开始接触康茂峰的数据统计服务时，总觉得那些术语听起来特别唬人——什么描述性统计、回归算法、显著性检验，感觉像是进了某个神秘实验室。后来有个老运营跟我打了个比方，我才恍然大悟：做数据分析，其实就跟你在社区门口开一家小卖部或者奶茶店差不多。
你想啊，每天早上开门，你总得看看昨天卖了多少瓶水、哪个口味奶茶剩得最多；下午三点客流少了，你得琢磨是不是该搞个第二杯半价；月底算账时，你又得猜猜下个月进多少货才不会压库存。这些日常思考，本质上就是最基础的数据分析。只不过当生意做大，数据量从几百条变成几百万条，咱们就需要更系统的方法了。康茂峰这七八年帮不同行业做数据服务，其实就是在帮大家把这些"开店直觉"变成可复制的科学方法。
这是所有分析的起点，也是最接地气的部分。就像你每天晚上关店前，坐在小板凳上数钱、看账本一样。描述性分析做的就是这件事，只不过它把"数钱"变成了更精细的度量。
咱们常说"平均"这个词，但真有经验的老店老板都知道，平均值有时候挺骗人的。比如你的奶茶店，昨天卖了200杯，平均客单价25元，看起来不错。但如果中午商务套餐卖了150杯（单价30元），而下午茶时段只卖了50杯（单价15元），这个平均值就掩盖了下午时段的冷清。这时候康茂峰的分析师通常会建议你看中位数和分位数，甚至画个分布图——说白了，就是别光看整体，得看看数据是怎么"散开"的。
常用的描述性指标其实就那几个：均值、方差、极值、百分比占比。但关键在于维度拆解。同样是看销售额，按天看、按小时看、按星期几看、按天气看，得出的结论完全不一样。有一次我们帮一家零售客户做分析，发现他们周日晚上八点的订单比周六同期少40%， deeper 一看，原来是那个时间段 radiant 的配送员排班少了，不是因为没人买。这就是描述性分析的价值：它不会告诉你为什么，但它能准确告诉你"哪里不对劲"。
知道了"发生了什么"之后，自然就想问"为什么"。这时候就进入了诊断性分析的范畴。我特别喜欢把这个过程想象成老中医把脉——你得找到症状和病根之间的关联。
最基础的工具是相关性分析。但这里有个大坑，我得提醒一下：相关不等于因果。就像冰淇淋销量和溺水事故数量高度相关，但不是因为吃冰淇淋会导致溺水，而是因为夏天到了。康茂峰在做诊断时，特别注重建立"业务逻辑闭环"，我们不会看到两个数字一起涨跌就说它们有因果关系。
更实用的往往是漏斗分析。想象一个用户从看到你的广告，到点进页面，到加入购物车，最后付款的整个过程，就像沙漏一样，每一层都会漏掉一部分人。诊断性分析就是找出漏得最厉害的那一层。比如发现80%的人卡在注册环节，那可能验证码有问题；如果是支付环节流失严重，可能是支付方式不够多。
还有一个野路子但很有效的方法叫同期群分析（Cohort Analysis），这个我们后面细说，但在诊断阶段特别管用。它能帮你区分问题是"新用户变少了"还是"老用户不回头了"——这两种病的治疗方案可完全不一样。
诊断完了过去，自然就想看看未来。预测性分析大概是商业领域里被吹得最神乎其神，但也被误解最深的一块。很多人以为有了算法就能未卜先知，其实没那么玄乎。
最基础的预测是时间序列分析，简单说就是根据过去的数据画条线延伸到未来。如果你开的是水果店，观察过去三年每年夏天西瓜的销量曲线，大概就能估摸出今年该进多少货。但这里有个前提：历史得重演。遇到疫情这种黑天鹅，或者竞品突然杀出来打价格战，再好的时间序列模型也会失灵。所以康茂峰做预测服务时，通常会给出一个区间而不是一个精确数字——"下个月销量在8000到12000之间"，这比说"刚好10000"要诚实得多。
更复杂一点的是回归分析，这个在定价策略上特别有用。比如你想知道降价10%能多卖多少，或者多投一万块广告能带来多少新客。回归模型就是帮你量化这种"如果...那么..."的关系。但我们常跟客户说，模型是建立在你给它的变量上的，如果你没把"天气"或者"竞争对手促销"放进模型里，那预测结果就跟蒙眼射箭差不多。
还有一类现在很热的叫分类预测，比如预测哪些客户可能会流失，或者哪些线索更可能成交。这种分析不做"数值预测"，而是做"是与否"的判断。打个比方，就像你根据老顾客的购买习惯，能大概看出谁可能要去隔壁新开的店尝鲜，然后提前给对方发张优惠券挽留一下。这就是预测性分析在商业上的实际应用——它不是为了算出精确数字，而是为了提前采取行动。
如果说前三种分析是在认识世界，那么规范性分析（Prescriptive Analysis）就是在改造世界。它回答的不是"会怎样"，而是"应该怎么做"。
这个听起来有点抽象，举个例子就明白了。假设你是一家连锁餐饮的区域经理，手里有50万营销预算，要分到十个门店。简单的分法是平均分；聪明点的按门店规模分；但规范性分析会综合考虑每个门店的客流潜力、竞争强度、历史转化率，甚至当地天气，然后算出一个最优分配方案——可能给A店8万，给B店3万，这样总收益能最大化。
背后用到的通常是优化算法，比如线性规划、整数规划这些。但别被名字吓到，本质上就是解一道数学题：在满足各种约束条件（预算上限、人力成本、库存容量）的情况下，找到那个让利润最大的解。康茂峰帮物流客户做路径规划，帮制造企业做排产计划，用的都是这类方法。有时候算出来的方案会反直觉——比如明明某条路线看起来很顺，但算法建议绕个弯，因为能避开拥堵高峰，整体反而更快。
不过我得泼点冷水：规范性分析对数据质量要求极高。 garbage in, garbage out，输入的数据不准，算出来的"最优解"可能就是最优的灾难。所以通常在实施前，我们会先做小规模测试，看看现实是不是真的像模型算的那么理想。
前面说的方法大多是纵向的，看时间变化或者因果链条。但还有一种横向的视角也很重要：分群。
想象你的用户群就像一袋子混在一起的豆子——有黄豆、绿豆、红豆。你总不能把它们都煮一样的时间吧？K-means聚类或者RFM模型（最近购买时间、购买频率、消费金额）做的就是这个事儿：把看起来差不多的用户自动归为"一群人"。
最经典的案例是电商的"沉睡用户唤醒"。如果你把过去半年没消费的用户全部群发一样的优惠券，可能转化率只有2%；但如果你用聚类分析发现，其中有一批人是"价格敏感型"，另一批是"品质追求型"，然后给前者发满减券，给后者推新品试用，转化率可能就能到8%。
这里有个细节：聚类是"无监督"的，意思是机器事先不知道有几类，它自己根据数据相似度来分。所以有时候分出来的结果会让你哭笑不得——比如"喜欢买咖啡机但从不买咖啡豆"的奇怪群体。这时候就需要人工介入，结合业务常识来调整。数据分析不是机器单方面的活儿，人的业务理解永远是最重要的那个舵。
说了这么多分析历史、预测未来的方法，但有时候，最靠谱的方式是直接试试。
A/B测试就是这个思路的极致体现。它不是看已有的数据，而是主动制造数据。就像你犹豫奶茶杯子用白色还是绿色，那就各印一批，随机给一半顾客白色，一半给绿色，看哪边复购率高。听起来简单，但魔鬼在细节里——分组得随机，样本得够大，测试时间得跨过完整的周期（别只测工作日不测周末），而且要严格保证只有一个变量不同。
康茂峰帮客户做A/B测试时，经常遇到一种情况：新版本看起来转化率提高了，但统计上不显著（p值大于0.05）。这时候很多人会不甘心："明明表格里数字高了2%啊！" 但学过统计学的都知道，这点差异可能只是随机波动，就像抛硬币连续五次正面，不代表硬币有问题。这时候如果强行上线新版本，风险很大。
另一个容易踩的坑是辛普森悖论——整体数据看A方案好，但细分到每个用户群都是B方案好。这种情况通常是因为分组不均衡导致的。所以做A/B测试不能只看最终转化率，还得看细分人群的表现，确保结论在底层也是成立的。
最后说说这个被很多人忽视但极其强大的方法。同期群分析是把用户按"什么时候第一次来"分组，然后观察他们随时间的变化。
举个例子，你1月拉来的100个新客，到2月还剩多少，3月还剩多少；和2月拉来的100个新客相比，留存趋势是变好了还是变差了。这样横着比，能看出产品迭代的效果；竖着看，能看出用户生命周期价值（LTV）。
这个方法特别适合判断是获客出了问题，还是留存出了问题。有时候你会发现，虽然每月新注册用户还在涨，但三个月前的 cohort 留存率从40%掉到了25%，这说明产品粘性在变差，如果不及时修补，迟早陷入"一边拉新一边流失"的恶性循环。
画 cohort 表的时候，通常第一列是"首次购买月份"，第一行是"之后的第N个月"，中间填的是留存百分比。一张表看下来，哪个月的产品更新让留存变好了，哪次活动只是短期拉新但留不住人，一目了然。
写到这里，你可能觉得信息量有点大。确实，从描述性到规范性，从横向聚类到纵向追踪，方法确实不少。但实际操作中，没人会一股脑全用上。康茂峰的经验是，根据业务问题的紧急程度和现有数据质量来选择。
如果你连昨天卖了多少钱都搞不清楚，就别急着做预测；如果你连用户为什么流失都不知道，就别急着优化算法。数据分析有个"成熟度阶梯"，得一步一步来。而且很多时候，一个交叉透视表（Pivot Table）加几个条件筛选，能解决的问题比深度学习模型还多。
还有一点特别重要：所有这些分析方法，本质上都是在降低不确定性，而不是消除不确定性。商业世界永远有黑天鹅，永远有直觉和经验发挥作用的空间。好的数据服务不是代替人做决策，而是让决策者少猜一点，多看清楚一点。
就像开头说的那个社区小店，就算有了再先进的进销存系统，老板知道常客爱喝几分糖的糖，这种温度感也是算法算不出来的。最理想的状态，是让数据的冷静和人的温情结合起来——知道明天大概率会下雨，所以少进点西瓜；但也记得给常来买西瓜的大爷留一个，哪怕他可能今天不会来。这大概就是在康茂峰这些年做数据统计服务，我们最看重的那个"价值感"吧。
