# 数据分析 · 第 04 篇｜诊断性分析与归因

> 系列：project / 数据分析（共 12 篇）｜AI生成｜2026-10-27｜codebuddy

**这一篇讲什么**

第 03 篇回答「现在是什么样」，这一篇处理描述之后最难的一步：数字变了，为什么变。诊断性分析的价值不在于给出一个听起来合理的解释，而在于把「可能是」压缩成「大概率是，而且我知道下一步怎么验证」。本篇按真实工作的顺序展开：先做异常核查，因为相当一部分「异常」其实是口径、埋点、时区、退款造成的假信号；再做加法拆解、乘法拆解和维度拆解，用北辰优选 GMV 下降 8% 走完一棵完整的拆解树；接着讲下钻顺序、相关与因果的四类陷阱、五种归因模型、假设验证和 5 Whys；最后给出诊断报告的六段式结构与三条纪律。读完应该能做到：拿到一个异常数字，先怀疑数据，再怀疑结构，最后才怀疑业务。

## 一、先别急着解释：确认「数是不是真的」

周一早上九点，运营群里弹出一句「GMV 环比跌了 8%，是不是大促结束了」。十分钟后，三种解释已经出现：竞品降价、天气转凉、投放预算砍了。这三种解释可能都对，也可能全错，因为它们都跳过了第一步——**这个 8% 是真的吗**。

诊断性分析最常见的浪费，是花两天时间解释一个并不存在的下跌。数据链路上有六类假信号，每一类都能凭空造出一个「异常」。

| 检查项 | 典型问题 | 怎么查 | 命中后怎么办 |
| --- | --- | --- | --- |
| 口径变化 | 分子分母被改过；退款是否计入；是否含运费 | 对比指标定义文档与看板 SQL | 统一口径后重算，历史数据同步回刷 |
| 埋点变更 | 事件重命名、SDK 升级、上报丢失 | 看事件量的日粒度曲线是否有台阶 | 用相邻事件量交叉验证，必要时补数 |
| 时区与跨天 | 服务器用 UTC，报表按本地日期 | 同一批订单按两种时间归日，看差额 | 明确归日规则，写进指标字典 |
| 退款与取消 | 只统计 paid，忽略跨期退款 | 毛 GMV 与净 GMV 分开算 | 同时报两个数，说明差异 |
| 重复计算 | 一对多 join 把订单放大；多端重复上报 | 按主键 group by 数行数 | 先去重再聚合，或改用子查询 |
| 数据延迟 | T+1 任务未跑完、迟到数据未回补 | 看分区是否完整、最新分区时间 | 等数据齐再下结论，或标注「未完整」 |

北辰优选的这次异常，核查从三条 SQL 开始。注意这三条查询只用 users、orders、events 里已有的字段，不需要额外建表，目的是先排除「数据本身有问题」这个最廉价的可能性。

```sql
-- 1) 订单粒度是否被放大：一个 order_id 是否出现多行
SELECT order_id, COUNT(*) AS cnt
FROM orders
GROUP BY order_id
HAVING COUNT(*) > 1
ORDER BY cnt DESC;

-- 2) 状态口径：paid / refunded / cancelled 各占多少
SELECT status,
       COUNT(*)    AS orders,
       SUM(amount) AS amount
FROM orders
WHERE order_date >= '2026-09-01' AND order_date < '2026-10-01'
GROUP BY status;

-- 3) 同一用户同一天多笔：是真实复购还是重复上报
SELECT user_id, order_date, COUNT(*) AS n, SUM(amount) AS amt
FROM orders
WHERE status = 'paid'
  AND order_date >= '2026-09-01' AND order_date < '2026-10-01'
GROUP BY user_id, order_date
HAVING COUNT(*) >= 5
ORDER BY n DESC
LIMIT 30;
```

第一条查主键重复，第二条查状态结构，第三条查可疑的集中下单。如果三条都干净，还要问两个问题：`order_date` 是按服务器时区还是用户本地时区落库的？9 月 30 日 23 点之后的订单落在哪一天？这两个问题在大促、月末、跨年时经常制造出 1%—3% 的假波动。

核查的结论必须写成一句话，而不是「应该没问题」。比如：**口径未变、无重复主键、退款率与上月持平（3.1% 对 3.0%），因此 100 万元的下降是真实发生的**。这句话后面所有的分析才有地基。

## 二、加法拆解与乘法拆解：把大数字拆成能查的小数字

确认数是真的之后，第一件事不是找原因，而是把 100 万元拆成几个可以分别去查的部分。拆解的方向由指标的定义决定，常见两种。

**加法拆解**适合「总量由几类构成」的指标。北辰优选的 GMV 可以按新老客拆：

GMV = 新客 GMV + 老客 GMV

| 分项 | 8 月（万元） | 9 月（万元） | 变化（万元） | 贡献占比 |
| --- | --- | --- | --- | --- |
| 新客 GMV | 500 | 420 | -80 | 80% |
| 老客 GMV | 750 | 730 | -20 | 20% |
| 合计 | 1250 | 1150 | -100 | 100% |

这张表一眼就能改变讨论方向：老客几乎没动，问题在新客。继续沿新客往下拆，新客 GMV 又能拆成「新客数 × 新客客单价」：新客数从 10,000 降到 8,400（-16%），新客客单价 500 元持平。于是问题从「为什么 GMV 跌」收敛成「为什么 9 月新客少了 1,600 人」。这是诊断最重要的动作——**每拆一层，问题的范围就小一圈**。

**乘法拆解**适合「总量由几个比率相乘」的指标。电商最常用的一条：

GMV = UV × 支付转化率 × 客单价

| 因子 | 8 月 | 9 月 | 变化率 |
| --- | --- | --- | --- |
| UV（访问用户数） | 500,000 | 520,000 | +4.0% |
| 支付转化率 | 3.20% | 2.95% | -7.8% |
| 客单价（元） | 781.25 | 750.00 | -4.0% |
| GMV（万元） | 1250 | 1150 | -8.0% |

三个因子的变化率分别是 +4.0%、-7.8%、-4.0%，看起来「谁都没跌 8%」，但 GMV 就是跌了 8%，因为乘法里的小幅下降会累积。这时候不能看变化率，要看**贡献度**：固定一个替换顺序，每次只把一个因子换成当期值。

| 替换步骤 | 替换后 GMV（万元） | 本步贡献（万元） | 占总变化 |
| --- | --- | --- | --- |
| 基准 | 1250.0 | — | — |
| UV 换为 52 万 | 1300.0 | +50.0 | -50% |
| 转化率换为 2.95% | 1198.4 | -101.6 | +102% |
| 客单价换为 750 | 1150.5 | -47.9 | +48% |
| 合计 | 1150.5 | -99.5 | 100% |

读法是：UV 增长本来能带来 +50 万，转化率下滑吃掉了 101.6 万，客单价下滑又吃掉 47.9 万，三者相抵是 -99.5 万。**转化率是主因，UV 的增长掩盖了它的一半杀伤力**。如果只看「UV 涨了 4%」就下结论说流量健康，就会错过真正的问题。

这里有一个必须提醒的技术细节：逐项替换法的贡献度**依赖替换顺序**。先换 UV 和先换客单价，得到的分解结果不同。想消除顺序依赖，可以改用对数分解：

ln(GMV₁/GMV₀) = ln(UV₁/UV₀) + ln(CVR₁/CVR₀) + ln(AOV₁/AOV₀)

把每个对数项除以总对数变化，就是该因子的贡献占比。北辰优选这组数算出来，UV 约 -47%（正向抵消）、转化率约 +98%、客单价约 +49%，与上表方向一致但数值更稳定。代码示意如下，可以直接替换成自己的数。

```python
#乘法拆解的两种贡献度算法（示意，数值为虚构教学数据）
import numpy as np

cur  = {"uv": 520_000, "cvr": 0.0295, "aov": 750.00}
base = {"uv": 500_000, "cvr": 0.0320, "aov": 781.25}

#方法一：逐项替换，结果与顺序有关
state, prev = dict(base), 1250.0
for k in ["uv", "cvr", "aov"]:
    state[k] = cur[k]
    now = state["uv"] * state["cvr"] * state["aov"] / 10_000
    print(f"{k:>4} 贡献 {now - prev:>8.1f} 万元")
    prev = now

#方法二：对数分解，可加且与顺序无关（简化版）
g = {k: np.log(cur[k] / base[k]) for k in cur}
total = sum(g.values())
for k, v in g.items():
    print(f"{k:>4} 对数贡献占比 {v / total:>7.1%}")
```

## 三、按维度拆：渠道、城市、品类、新老客、机型

乘法拆解告诉你「是转化率的问题」，维度拆解告诉你「是谁的转化率」。北辰优选把 100 万元按四个维度各切一遍，得到四张都加总为 -100 万的表。

| 渠道 | 8 月 | 9 月 | 变化 | 贡献占比 |
| --- | --- | --- | --- | --- |
| 信息流 | 520 | 458 | -62 | 62% |
| 搜索 | 300 | 282 | -18 | 18% |
| 老客推荐 | 180 | 168 | -12 | 12% |
| 自然流量及其他 | 250 | 242 | -8 | 8% |
| 合计 | 1250 | 1150 | -100 | 100% |

同样一笔 100 万，按城市拆是「一线 -30、新一线 -25、二线 -28、三线及以下 -17」；按品类拆是「生鲜 -55、美妆 -30、家居 -25、数码 +10」；按机型拆是「安卓低端 -70、安卓中高端 -20、iOS -10」。四张表都成立，因为它们是对同一个总量的不同切分。

新手最容易犯的错，是把四张表的「主要原因」相加，得出「信息流 + 生鲜 + 低端安卓 + 一线城市共同导致下跌」——这是同一批订单被数了四遍。正确的做法是**交叉**：把渠道和机型放在一起看，才会发现信息流的跌幅集中在安卓低端机（-52 万，占信息流跌幅的 84%），而生鲜的跌幅又主要来自这批用户的订单结构。维度拆解的目的不是列清单，是找到那个「一交叉就收敛」的切片。

另一个必须警惕的现象是**变化率与贡献度的错位**。假设「宠物用品」这个品类跌了 50%，听起来触目惊心，但它 8 月只有 6 万元，对 100 万的下跌只贡献 3 万。反过来，生鲜只跌了 9%，却贡献了 55 万。所以在诊断会上，第一个该问的问题不是「哪个跌得最狠」，而是「哪个贡献得最多」。变化率回答「哪里异常」，贡献度回答「哪里重要」，两者都要，但排序不能反。

## 四、下钻顺序：总体 → 维度 → 链路 → 用户 → 时间

拆解是横向铺开，下钻是纵向深入。有五层，每层只问一个问题。

| 层级 | 要回答的问题 | 典型产出 | 常见误判 |
| --- | --- | --- | --- |
| 总体 | 跌了多少，是哪个指标，是否季节性 | 一句话量化事实 | 把正常波动当异常 |
| 维度 | 哪个切片的贡献最大 | 贡献度排序表 | 用变化率代替贡献度 |
| 链路 | 漏斗的哪一步断了 | 分步转化率对比 | 只看末端转化率 |
| 用户 | 是所有人都在跌，还是某类人 | 新老、频次、价值分层 | 用整体均值掩盖分层差异 |
| 时间 | 是突变还是渐变，断点在哪天 | 日粒度曲线与断点位置 | 用月度数据掩盖单日故障 |

**链路层**要按事件表还原漏斗：曝光 → 访问（view）→ 加购（add_cart）→ 结算（checkout）→ 支付（pay）。北辰优选 9 月的漏斗是：访问 52 万 → 加购率 18.2%（8 月 18.5%，基本持平）→ 结算率 41%（8 月 42%）→ 支付率 61%（8 月 72%）。前三步都正常，断在最后一步，支付率掉了 11 个百分点。到这里，「转化率下降」被定位成「支付环节流失」。

**用户层**要问：是所有人都掉，还是只有一部分人掉。把 9 月支付率按新老客拆：新客从 58% 掉到 44%，老客从 79% 掉到 77%。老客几乎没动，新客掉了 14 个百分点。再按机型拆新客：iOS 新客 57%→55%，安卓中高端 56%→52%，安卓低端 59%→38%。**跌幅高度集中在安卓低端机的新客**，这个切片的形状已经非常像技术问题，而不像「用户不想买」。

**时间层**决定是突变还是渐变。把安卓低端机的支付率画成日曲线：9 月 1—7 日稳定在 58% 左右，9 月 8 日突然掉到 40%，之后一直在 38%—42% 之间。突变意味着一次事件（发版、配置变更、第三方服务故障、政策），渐变意味着结构性变化（竞争、价格、供给）。9 月 8 日这个断点，把排查范围从「一个月」压缩到「那一天发生了什么」。

五层走完，最初的「GMV 跌了 8%」变成了一句可验证的话：**9 月 8 日起，安卓低端机新客在支付页的失败率从 1.2% 升到 6.8%，导致新客支付率下降 14 个百分点，进而造成 GMV 减少约 100 万元**。这句话里有时间、有切片、有机理、有量级，随便哪个环节错了都能被证伪——这才是诊断该有的样子。

## 五、相关不是因果：四种会让你写错结论的陷阱

诊断报告最容易出事的地方，是把「同时发生」写成「导致」。有四种陷阱，每一种都能让一个看起来严密的分析彻底跑偏。

**混淆变量**。观察到「投广告后 GMV 涨」，于是得出结论「广告有效」。但 9 月同时发生的事还有：大促开始、平台发放跨店满减、竞品缺货。这三件事都能单独推高 GMV。广告投放期和大促期高度重叠，两者在数据上无法区分。识别方法是问一句：**有没有第三个变量同时影响了原因和结果**。如果有，就要么控制它（分层、回归加协变量），要么用实验把它随机掉。

**反向因果**。也可能是「因为预计 GMV 会涨，所以加大了投放」——预算本来就跟大促节奏走。数据上广告和 GMV 正相关，因果方向却完全相反。判断顺序只能靠时间：投放决策发生在 GMV 上涨之前，还是之后？如果预算审批单的日期晚于销量起势的日期，这条因果链就该反过来写。

**选择偏差**。只对「高潜人群」投放，然后发现投放组转化率远高于未投放组。这不是广告的效果，是挑选的效果——高潜人群本来就会买。解决办法是找一个可比对照组，或者做随机分流。凡是「按某种规则挑人」的对比，都要先问：这个规则本身是不是就和结果相关。

**辛普森悖论**。这是最隐蔽的一种。北辰优选的渠道复盘里，搜索渠道整体转化率 4.0%，信息流只有 2.76%，看起来应该把预算全搬到搜索。但分新老客一看，信息流在两个分层里都更高。

| 渠道 | 新客转化率 | 老客转化率 | 新客占比 | 整体转化率 |
| --- | --- | --- | --- | --- |
| 搜索 | 2.0% | 4.5% | 20% | 4.00% |
| 信息流 | 2.2% | 5.0% | 80% | 2.76% |

搜索整体高，只是因为它的老客占比高达 80%，而老客转化率天然更高。**分组结论和整体结论相反**，原因是分组权重不同。这种结构在「渠道对比」「版本对比」「地区对比」里极其常见，凡是看到整体和分组方向不一致，就要先检查权重，而不是急着选一个相信。

区分相关与因果，实操上有三道门：第一，时序对不对（因在前、果在后）；第二，有没有剂量反应（投得多是否效果更大）；第三，能不能排除竞争解释（同期还有什么变了）。三门都过，可以写「很可能是」；只过一门，只能写「相关」。第五篇会用实验和准实验方法，把「很可能」再往前推一步。

## 六、归因模型：五次点击，功劳该给谁

前面讲的是「指标为什么变」，归因模型解决的是另一个问题：**一笔转化发生了，功劳怎么分给路上的各个触点**。北辰优选有个用户，8 天内接触了四个触点后下单 300 元：

| 触点 | 时间 | 动作 | 最后点击 | 首次点击 | 线性 | 时间衰减 | 位置归因 |
| --- | --- | --- | --- | --- | --- | --- | --- |
| 信息流曝光 | 第 1 天 | 看到素材 | 0 | 300 | 75 | 51 | 120 |
| 搜索点击 | 第 3 天 | 搜品牌词 | 0 | 0 | 75 | 63 | 30 |
| 详情页加购 | 第 6 天 | 加购物车 | 0 | 0 | 75 | 84 | 30 |
| 优惠券点击 | 第 8 天 | 领券并支付 | 300 | 0 | 75 | 102 | 120 |
| 合计 | — | — | 300 | 300 | 300 | 300 | 300 |

同一笔订单，五种规则给出五个「真相」。时间衰减用的是 w = 2^(-(T-t)/h)，半衰期 h 取 7 天，权重归一化后分配。位置归因是首末各 40%、中间触点均分 20%。

| 模型 | 分配规则 | 适合回答 | 主要盲点 |
| --- | --- | --- | --- |
| 最后点击 | 100% 给最后一次触点 | 直接转化渠道的考核 | 完全无视种草，容易高估搜索 |
| 首次点击 | 100% 给第一次触点 | 拉新渠道的价值评估 | 无视临门一脚，容易高估品牌广告 |
| 线性 | 所有触点平均分 | 长链路、多触点的品牌曝光 | 把「路过」和「推动」等同 |
| 时间衰减 | 越近权重越高 | 决策周期短的品类 | 半衰期是人为设定，可调出不同答案 |
| 位置归因 | 首末各 40%，中间分 20% | 既要拉新又要转化的平衡视角 | 中间触点的真实作用被压扁 |

用归因模型要记住一句话：**它是分配规则，不是因果测量**。换一个模型，预算就会从搜索搬到信息流，但用户行为一点没变。所以归因结果适合用来「对齐内部对渠道价值的共识」，不适合用来「证明某个渠道真的有效」。要证明有效性，还是得回到实验或准实验。

至于营销组合模型（MMM），可以把它理解成「在更粗的粒度上做归因」：用周或月的时间序列，把销量拆成基线、季节性、价格、各渠道投放几部分，通过回归估计每个渠道的边际贡献。它的优点是能覆盖线下和无法追踪的曝光，缺点是粒度粗、需要长期数据、容易把相关当因果。实践中常见做法是 MMM 定预算大盘，实验定单渠道的边际效率，两者互相校准。

## 七、假设验证与 5 Whys：把猜测变成可检验的命题

诊断到链路层之后，通常会剩下两三个候选解释。此时不要开会投票，要把每个解释写成可证伪的假设，然后设计最小验证动作。

| 假设 | 预期证据 | 可能的反证 | 最小验证动作 | 成本 |
| --- | --- | --- | --- | --- |
| H1 支付页改版引发技术故障 | 失败率随版本、机型、网络分层出现差异；回滚后恢复 | iOS 与高端机完全无变化，说明与版本无关 | 按「版本 × 机型 × 网络」三向分组看失败率；回滚 10% 流量观察 48 小时 | 1 人日 |
| H2 券力度下降导致购买意愿降低 | 用券订单占比下降，且未用券用户转化率不变 | 未用券用户转化率同步下降，说明不是券的问题 | 对比同券档位用户与无券用户的支付率变化 | 0.5 人日 |
| H3 渠道结构变差，进来的是低质流量 | 新客占比上升，且各渠道内部转化率不变 | 分渠道看转化率普遍下降，说明是全局问题 | 渠道 × 新老客交叉表，看组内是否同降 | 0.5 人日 |

北辰优选的实际结果是：H1 的分层差异显著（安卓低端 38%、iOS 55%），回滚后 48 小时内恢复；H2 被反证（未用券用户同样下降）；H3 被反证（分渠道普遍下降）。三个假设里一个成立、两个排除，这个结论比「我们认为是支付页问题」强得多，因为**排除本身就是信息**——它告诉后来的人不必再往那两个方向查。

5 Whys 是另一种常用工具，适合在锁定环节后继续往机理深处走。下面是 3 月的另一次复盘（与 9 月这次无关，用来说明方法），同样是新客支付转化率下降，看它如何从现象问到可控点。

| 层级 | 问题 | 回答 | 证据 |
| --- | --- | --- | --- |
| Why 1 | 为什么新客支付转化率下降？ | 结算到支付这一步流失增加，从 68% 降到 54% | 漏斗分步转化率 |
| Why 2 | 为什么这一步流失增加？ | 支付页加载失败率从 0.9% 升到 5.4% | 前端错误日志按日聚合 |
| Why 3 | 为什么失败率上升？ | 3 月初上线新版支付页，接入了新的第三方 SDK | 发版记录与断点日期吻合 |
| Why 4 | 为什么新 SDK 会导致失败？ | 弱网与低端机型下请求超时，且没有做降级 | 分机型、分网络的成功率 |
| Why 5 | 为什么上线前没发现？ | 灰度只覆盖 iOS 与新机型，缺少低端安卓与弱网用例 | 灰度名单与测试用例清单 |

问到第五层，答案已经是一个可以改的动作：补灰度分层、补弱网用例、加超时降级。这就是 5 Whys 的价值——它把「技术问题」这种无法执行的结论，逼成「灰度策略缺了一类设备」这种可以排期的结论。

但 5 Whys 有个结构性缺陷：每一层只追一条线，很容易得到一个整洁但片面的叙事。更稳的做法是先用鱼骨图并行铺开可能原因，再对每条分支做 5 Whys。鱼骨图的六个分支可以按业务改写为：用户（需求、价格敏感）、系统（发版、第三方依赖、性能）、商品（缺货、涨价、评价）、流程（券规则、结算步骤、客服）、外部（竞争、季节、政策）、数据（口径、埋点、延迟）。铺开是为了不漏，追问是为了到底，两者顺序不能反。

## 八、诊断报告：六段式结构与三条纪律

诊断做完了，还要让人相信。报告不需要长，但结构要固定，让读者知道每一段在回答什么。

**一、现象**：一句话说清什么指标、什么时间、变化多少。例：9 月 GMV 1150 万元，环比下降 8.0%（-100 万元）。

**二、范围**：说明影响面，哪些用户、渠道、地区、品类被波及，哪些没有。范围本身就是结论的一部分，「只影响安卓低端机新客」比「影响新客」信息量大一个量级。

**三、拆解**：给出拆解树和贡献度表，让读者能自己复算。至少包含一层加法或乘法拆解，以及一层维度拆解。

**四、证据**：每条证据标注来源、时间窗、样本量。证据要能支持结论，也要能排除替代解释——被排除的假设同样要写进来。

**五、结论**：区分三种状态。「已证实」（有实验或强证据）、「高度可能」（证据一致但无实验）、「待验证」（有方向但证据不足）。混在一起写，是诊断报告最常见的问题。

**六、待验证与行动**：下一步做什么、谁来做、多久能看到结果、如果结论错了会观察到什么。最后一条尤其重要，它让报告具备自我纠错能力。

三条纪律，值得贴在显示器边上。第一，**每个结论句后面要能指到一条证据**，指不到的句子删掉。第二，**不把猜测写成结论**，「可能是」「或许」要么升级成假设去验证，要么明确标为待验证，不要用模糊措辞蒙混。第三，**给出量级和不确定性**，「约 100 万元」「±15 万元」比「大幅下降」有用得多。

诊断性分析的天花板，是它只能处理「已经发生的事」，而且永远受限于观察数据。想在「为什么」上拿到更硬的证据，需要主动制造差异——这就是下一篇要讲的实验。而在那之前，先把口径、拆解、下钻、因果边界这四件事做扎实，已经能解决日常八成的「为什么跌了」。

## 本篇要点回顾

1. 诊断的第一步是怀疑数据：口径、埋点、时区、退款、重复计算、延迟六类假信号，能凭空造出一个 8% 的下跌。
2. 加法拆解定位「哪一类」，北辰优选新客贡献了 100 万跌幅中的 80 万，问题立刻从全局收敛到新客。
3. 乘法拆解要看贡献度而非变化率：UV 涨 4% 带来 +50 万，转化率下滑吃掉 101.6 万，后者才是主因。
4. 下钻按「总体 → 维度 → 链路 → 用户 → 时间」推进，9 月 8 日的断点把排查范围从一个月压到一天。
5. 归因模型是分配规则不是因果测量，同一笔 300 元订单在五种模型下可以分出五个不同的「真相」，证明有效性仍要靠实验。

## 延伸阅读

- **第 03 篇｜描述性分析与指标体系**：本篇的所有拆解都建立在指标定义清楚的前提上，漏斗、留存、RFM 的分层口径在那篇里定义，读本篇前建议先确认口径一致。
- **第 05 篇｜统计推断与 AB 实验**：本篇反复说「相关不等于因果」，那篇给出正面解法——随机分流、假设检验、置信区间，是把「高度可能」升级为「已证实」的工具。
- **第 02 篇｜数据准备与 SQL 取数**：异常核查里的三条 SQL 只用了基础聚合，join 放大、时区归日、去重这些取数细节在那篇展开。
- **第 09 篇｜行业实战：电商与 SaaS**：本篇的渠道 × 新老客 × 机型交叉，是电商诊断的标准动作，那篇会把增长、漏斗、复购的诊断路径串成完整流程。
- **第 11 篇｜分析报告与沟通**：六段式结构如何变成一页纸、如何把「待验证」讲得不让老板焦虑，属于沟通问题，那篇专门处理。