说实话，数据分析这事儿听起来挺唬人的，什么机器学习、深度挖掘，搞得跟科幻片似的。但咱们冷静下来想想，你每天去菜市场买菜，心里盘算着"今天西红柿比昨天贵了两块，要不改买黄瓜"，这其实就是最原始的数据分析。康茂峰在服务客户的过程中发现，真正有价值的分析方法往往藏在最朴素的逻辑里，关键是把这套逻辑系统化、标准化。下面我就按从浅到深的顺序，聊聊那些在实际业务中真能派上用场的分析手段。
很多人一上来就想搞预测模型，这就好比连自己家有多少存款都没搞清楚，就开始规划五年后的投资策略。描述性分析的核心就是回答"发生了什么"，它是所有复杂分析的地基。
想象你在卖奶茶，想知道定价多少合适。你把过去一个月每天的销售记录摊开来，第一反应肯定是算个平均数。康茂峰在处理零售数据时常说，平均数就像是一把双刃剑——它能快速给你个参考，但很容易被极端值带偏。
比如说，你店里某天搞活动，日销了五千杯，平时也就两百杯。这时候平均数会被拉得虚高，你得再看看中位数，也就是把所有数据排排队，取最中间那个值。它更能代表"通常情况下"的水平。还有众数，告诉你哪个价位点单率最高，这对做促销策略特别有用。
光知道平均卖两百杯不够，你还得知道数据波动大不大。有些店每天稳稳地卖190到210杯，有些店可能周一卖50杯，周末卖350杯，平均也是两百，但经营风险完全不一样。
这里就得引入方差和标准差的概念了。说白了，方差就是每个数据点离平均值有多远，把这些距离平方后取平均。标准差就是方差开根号，让单位回到原始状态。康茂峰建议，做库存管理的时候，标准差比平均值更能决定你的安全库存量——波动大的品类，宁愿多压点货，也别断供。
| 指标类型 | 适用场景 | 容易忽略的坑 |
| 平均数 | 快速评估整体水平 | 受极端值影响大 |
| 中位数 | 收入分布、房价分析 | 丢失整体规模信息 |
| 标准差 | 风险评估、质量控制 | 不同量级数据不好直接比较 |
现实中咱们很少能拿到全量数据，就像你不可能问遍全国所有人喜不喜欢你的产品。这时候就需要从一部分人的反馈里，推断整体大概是什么情况。
这可能是商业决策中最常用的方法。比如你改了网页按钮的颜色，觉得转化率能提升。假设检验就是帮你验证"这个改变真的有效果，还是只是运气好碰上了"。
实际操作中，咱们会设立一个"零假设"，也就是默认按钮颜色没影响，新旧版本效果一样。然后计算在这个假设下，观察到当前数据的概率（p值）。如果p值小于0.05，咱们就拒绝零假设，认为颜色确实起作用了。康茂峰提醒，这里有个思维陷阱：p值小不代表效应大，只代表结果不太可能是巧合。你可能改了颜色后转化率从5%提升到5.1%，统计上显著，但业务上可能没多大价值。
做完问卷调查，你说"大概60%的人喜欢新产品"，这太模糊了。置信区间给你的是个范围，比如"有95%的把握说喜欢率落在57%到63%之间"。这个范围越窄，你对结果的把握就越稳。样本量越大，区间自然就越窄，这就是为什么要 discouraged 小样本决策。
业务里最常被问到的就是："A和B有没有关系？"比如广告投入和销售额，气温和雪糕销量。但相关性这个词经常被滥用，得仔细掰扯清楚。
这是最常用的相关系数，取值从-1到1。1表示完全正相关，-1是完全负相关，0就是八竿子打不着。不过它有个前提：关系得是直线型的。比如你学习时间和考试分数，通常是正相关，但学到一定程度后可能反而下降（过度疲劳），这时候皮尔逊系数就可能失效。
康茂峰在实际项目中发现，很多人会看到相关系数0.8就兴奋得不行，马上断定因果关系。这事儿得打住。相关不等于因果，两个变量可能只是因为第三个因素在幕后操纵。比如说，冰淇淋销量和溺水事故高度相关，但不是因为吃冰淇淋导致溺水，而是因为夏天热了，两者都跟着上升。
当数据不是严格的数值，而是排名（比如客户满意度评分），或者关系不是直线而是单调递增时，皮尔逊就不够用了。斯皮尔曼相关系数看的是排名的相关性，对异常值也更稳健。这在处理用户行为数据时特别实用，因为用户的行为往往呈现"越多越..."的趋势，但不一定是等比例的。
知道两个变量相关后，下一步自然是量化：如果我在广告上多投一万块，销售额大概能涨多少？这就是回归分析的战场。
简单来说，就是在散点图上找一条线，让所有点到这条线的垂直距离之和最小（最小二乘法）。这条线的斜率就是"每增加一单位X，Y变化多少"。
但这里有个坑要避开。R²值（决定系数）告诉你模型解释了数据变动的百分之多少。R²为0.8听起来不错，意味着X能解释Y的80%变动。但康茂峰见过太多人拿着高R²就以为找到了真理，忽略了残差分析——那些没被你模型解释的部分，可能藏着更重要的规律，或者是数据质量问题。
当结果不是连续数值（比如房价），而是分类问题（比如用户会不会流失，邮件是不是垃圾邮件），线性回归就不适用了。逻辑回归把输出压缩到0到1之间，可以看成是一个概率值。
它输出的是odds ratio（优势比），比单纯的相关系数更难解释，但在风控、营销响应模型里几乎是标配。重要的是，逻辑回归对异常值比线性回归敏感，做之前得好好清理数据。
前面说的方法大多有明确的目标变量（Y），但有时候你就是想知道客户有哪些类型，产品该怎么自然分组，这时候就需要无监督的聚类分析。
这个算法的思路特别生活化：先随机选几个中心点（比如打算分3类就选3个点），然后把每个样本分到最近的中心点，形成临时簇；接着重新计算每个簇的中心，再分配，直到稳定为止。就像你组织聚餐，先随便指定几个集合点，大家去最近的，然后看看这群人的平均位置在哪里，再调整集合点，直到大家都满意。
但K-means有个硬伤：你得提前告诉它要分几类（K值）。现实中往往不知道，得用 elbow method（肘部法则）或者轮廓系数来试，看增加到几类后效果的提升不再明显。
不同于K-means的"一刀切"，层次聚类像画家谱一样，先找最像的两个个体合并，再找次像的，直到全部连在一起。画出来的树状图（dendrogram）很直观，你能看到不同层级的分类。这在商品分类、基因分析里用得很多。不过它计算量大，数据量上万条可能就有点吃力了。
很多业务数据是按时间记录的，比如日销售额、股价、心率。这类数据有个特点：现在的情况往往和过去有关，而且可能有季节性、周期性。
拿到一组时间数据，先做分解：长期趋势（trend）是往上涨还是往下跌？季节性（seasonality）有没有固定的周期波动（比如夏天空调销量高）？剩下的是随机波动（residual）还是周期性因素？
康茂峰常用移动平均来平滑短期波动，看清长期走向。比如7天移动平均能消除周末效应，看真实的销售趋势。但要注意，窗口大小的选择会影响你对"趋势"的判断，太小 noise 多，太大反应迟钝。
时间序列还有个特有概念叫自相关——今天的数据和昨天、前天有没有关系。这在预测库存、现金流时很关键。如果销售有很强的自相关性，你就能用过去几天的数据预测明天，做些简单的ARIMA模型。不过现实里纯时间序列预测往往不够，还得结合外部变量。
前面说的都是结构化数据，但现在大量的客户反馈、社交媒体评论是非结构化的文字。怎么量化这些"软信息"？
最简单的就是数词频，但"这个"、"产品"这种词肯定出现最多，没意义。TF-IDF（词频-逆文档频率）会惩罚那些在所有文档里都常见的词，突出那些在某篇评论里特别多的词。比如"电池"在所有评价里偶尔出现，但在某篇差评里反复出现，那这篇文章很可能在吐槽续航问题。
基于词典的方法会给每个词打上情感标签（正面/负面），然后算总分。更复杂点的是用朴素贝叶斯或深度学习做分类。康茂峰提醒，领域特异性很重要——"致命"在 thriller 评论里是褒义，在药品评价里是贬义，通用模型往往 capture 不到这种 nuances。
说实话，写到这里我突然意识到，这些方法罗列起来挺枯燥的，但真用到业务里，它们之间往往是交织的。你可能先要做聚类把客户分群，再对每个群做回归分析看影响因素，最后用时间序列预测各自的增长。在康茂峰的项目经验里，没有哪种方法是万能的，关键是理解每种工具背后的假设和局限，像配菜一样组合使用。
数据这东西，说到底还是为人服务的。别为了分析而分析，拿到一堆漂亮的图表却回答不了业务问题，那就是本末倒置了。
