# 数据分析 · 第 07 篇｜分析方法全景与选择

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

**这一篇讲什么**

前六篇分别讲了取数、描述、诊断、实验和预测，每一篇只解决一类问题。真实工作里的困难往往不在"会不会做"，而在"该用哪一个"：业务方一句"帮我分析一下为什么跌了"，背后可能是描述、诊断，也可能是在要下周的投放建议。方法选错，后面的取数、建模、写报告全是白费。这一篇把常用方法放进同一张地图：先按"描述、诊断、预测、规范"四类问题定位，再按"有没有对照、数据是什么结构"两条线索收敛到具体方法，最后用五个业务问题做匹配练习。读完你应该能在拿到需求的前十分钟，说清楚这个问题该用什么方法、需要什么数据、结论最多能说到什么程度。

## 一、四类分析：先问"这个问题在回答什么"

分析方法的分类有很多种：按学科分（统计学、机器学习、运筹学），按工具分（Excel 方法、Python 方法），按产出分（报表、模型、策略）。这些分法对学习有用，对选方法没用。能在十分钟内做判断的分法，是按**问题指向**分：你要的是事实、原因、未来，还是一个动作。

| 类型 | 回答的问题 | 典型产出 | 常用方法 | 结论强度 |
| --- | --- | --- | --- | --- |
| 描述 | 发生了什么、多少、结构如何 | 指标卡、趋势图、占比表、分布 | 汇总、同比环比、漏斗、留存、RFM | 事实，可直接引用 |
| 诊断 | 为什么发生、哪一层动了 | 贡献度拆解、下钻结论、对照差异 | 维度拆解、贡献度、同期群、相关、DID | 解释，需注明边界 |
| 预测 | 接下来会怎样、概率多大 | 预测值加区间、流失概率、分层名单 | 回归、分类、时间序列、生存分析 | 概率判断，需回测 |
| 规范 | 应该怎么做、资源怎么分 | 决策规则、预算方案、实验设计 | 优化模型、决策树、增益模型、A/B | 建议，需试点验证 |

描述性分析回答"发生了什么"，产出是可以直接引用的数字：北辰优选华东站（区域样本）2026 年 3 月 GMV 154.4 万元，环比下降 17.0%，信息流渠道贡献 32.1%。描述的关键不在算，而在口径：分母是谁、时间窗多长、哪些状态计入。北辰的 GMV 只算 paid，退款单不计入；如果换成"下单金额"，3 月会高出约 8%，趋势形状也可能变。描述做错，后面全错。

诊断性分析回答"为什么"。它的产出不是数字，而是一句可检验的解释：3 月 GMV 下降主要来自信息流渠道支付用户减少，而不是客单价下降。核心动作是拆解和对照：先把 GMV 拆成"支付用户数 × 人均下单次数 × 客单价"，看哪一项动了；再把动的那一项按渠道、城市、新老客拆开。拆解只能给出候选原因，要确认还得靠对照。

预测性分析回答"接下来会怎样"。产出必须带区间：4 月 GMV 预计 148—162 万元，而不是"158 万元"。单点预测在业务上几乎没用，因为没人能按单点备货或排班；区间宽度本身就是信息——宽，说明不确定性高，决策就该更保守。

规范性分析回答"应该怎么做"。产出是一条可执行的规则：把信息流预算的 30% 移到搜索；对 60 天未下单、历史客单价高于 300 元的用户发 20 元券。它最难，因为要同时用到描述（现状）、诊断（因果）和预测（效果），任何一环虚，建议就虚。

三类边界常被混淆。业务方说"帮我预测下季度销量"，如果目的是备货，真正要的是订货量——这是规范问题，预测只是中间产物，还要叠加库存、保质期和资金约束。判断方法是问一句"拿到这个数你要做什么动作"；如果答不出动作，需求大概率停在描述层。

四类分析还有依赖顺序。描述口径错了，诊断一定错；诊断没做，预测只能外推趋势，遇到结构变化就崩；没有预测和因果支撑的规范建议，本质是拍脑袋。第 03 到 06 篇按这个顺序排，不是随意的。

## 二、方法地图：七类方法各自守哪一段

按"处理什么关系"分，常用方法可以归成七类。这样分比按工具分稳，因为工具会换，问题结构不会。

**对比、趋势、分布：描述的三种基本动作。** 对比回答"谁高谁低"，前提是同口径、同时间窗。北辰四个渠道的获客成本，必须都按"注册后 90 天内"计算，否则信息流的 45 元和推荐的 80 元不可比，因为两笔钱发生的时间点不同。趋势回答"往哪走"，要区分同比（消季节）、环比（看短期动量）和移动平均（去噪）；电商日 GMV 有明显周末效应，看 7 日移动平均比看单日稳。分布回答"整体长什么样"：北辰华东站 3 月客单价均值 299.8 元，中位数只有 218 元，前 1% 的订单贡献约 6% 的 GMV——只报均值，会高估"典型用户"的消费。

**相关与回归：变量之间有没有关系、关系有多强。** 相关只看同向或反向，回归能控制其他变量。北辰做过一次"发券金额与复购率"的分析，全体用户相关系数 0.31，看起来发券有用；按新老客分层后，老客组内只有 0.04。原因是老客更容易领到大额券，相关被"用户类型"这个共同原因抬高了。回归把"是否老客"放进模型后，券的系数大幅缩小。这就是控制变量的意义，也是"相关不等于因果"最常见的来源。

**分类与聚类：预测已知标签，还是发现未知分组。** 分界只有一条——有没有标签。想知道"哪些用户会流失"，历史上有流失标记，是分类；想知道"用户自然分成几类"，没有标签，是聚类。RFM 是规则分群，不是聚类：它按人为阈值切，结果可解释，但不是数据驱动的分组。

**时间序列：数据点之间有顺序。** 顺序意味着不能随机打乱，也意味着"昨天影响今天"。方法从移动平均、指数平滑到 ARIMA 类、状态空间模型，共同要求是长度足够、结构稳定。北辰日 GMV 在 618 前后出现三倍峰值，直接拿全年数据训练会把大促当常态；正确做法是把促销日作为外生变量，或单独建模。

**A/B 实验：常规手段里唯一能直接说因果的。** 随机分组让两组在所有已知和未知变量上期望相同，差异只能来自干预。它的成本是工程和组织成本，收益是结论强度。凡是"要不要上""改成 A 还是 B"的问题，优先实验。

**因果推断：不能实验时的退路。** 双重差分、断点回归、倾向得分匹配、合成控制、工具变量。共同点是都要构造一个"反事实"，结论强度取决于假设是否成立。北辰在华东三个城市先上线了新结算流程，想评估它对客单价的影响，可以用未上线城市做对照做双重差分；前提是上线前两组城市客单价走势平行，这个前提必须画图检验，不能口头保证。

**优化与决策分析：从"会怎样"到"怎么办"。** 线性规划、整数规划、排队模型、决策树（期望值）、增益模型、预算分配。输入是"目标函数加约束"，输出是方案。约束写不清，优化就是数学游戏。北辰的仓配问题：三个仓、八个城市、每仓日处理上限、时效要求，目标是最小化履约成本——可以写成整数规划；但如果"时效要求"只是"尽量快"，就没有约束，也没有唯一解。

## 三、九种主力方法：适用、数据、输出、局限

下表把最常用的方法放在同一格式里对比。注意"最小数据"是下限，不是建议值；样本越少，结论越依赖假设。

| 方法 | 适用问题 | 最小数据 | 输出 | 常见误用 |
| --- | --- | --- | --- | --- |
| 描述统计与透视 | 现状、结构、异常初筛 | 一张明细表，含时间、维度、度量 | 汇总表、占比、分位数 | 只看均值；口径混用 |
| 漏斗与同期群 | 流程流失、留存变化 | 用户 ID、事件时间、事件名 | 各环节转化率、留存曲线 | 分母不统一；把队列差异当趋势 |
| 相关分析 | 两个指标是否同向 | 同一粒度上成对的数值 | 相关系数、散点图 | 把相关当因果；忽略非线性 |
| 回归 | 解释影响因素、预测连续值 | 样本量约为自变量个数的十倍以上 | 系数、置信区间、预测值 | 外推到数据范围外；遗漏变量 |
| 分类 | 预测某件事会不会发生 | 有标签的历史样本，正例不能过少 | 概率、排序名单、混淆矩阵 | 用准确率评估不平衡问题 |
| 聚类 | 发现自然分组 | 行为或属性数值矩阵，需标准化 | 分组结果、簇画像 | 当成分类；簇数靠感觉定 |
| 时间序列 | 预测带时间顺序的指标 | 至少两个完整周期，颗粒度稳定 | 预测值加区间 | 忽略促销与结构变化 |
| A/B 实验 | 判断某个动作是否有效 | 可随机分流的产品或流量 | 组间差异加置信区间 | 中途偷看、样本比例失衡 |
| 准实验（DID、PSM） | 无法实验时的效果评估 | 处理组与对照组，前后各一段 | 处理效应估计 | 平行趋势不成立仍硬用 |

表里九种方法不是并列的，有上下位关系：漏斗和同期群是描述的分支，回归和分类共享同一个线性预测框架，准实验是实验的替代品而不是升级品。

三个最容易被用错的，值得单独说。

**回归系数不是因果效应。** 北辰把"是否用券"和"订单金额"做回归，券的系数是 -18.6 元，看起来"用券让用户少花钱"。但用券订单大量集中在低价品类，模型里没有"品类"这个变量，系数吸收的是品类差异。加上品类固定效应后，系数变成 +4.2 元。同一个模型，换个设定，符号都反了——这不是模型不稳定，是遗漏变量在提醒你：系数只在模型设定的条件下成立。

**准确率会骗人。** 北辰有 10 万活跃用户，未来 60 天流失 8,000 人，流失率 8%。一个"全部预测为不流失"的模型，准确率 92%，但召回为 0，一个都捞不出来。把阈值调到能捞 3,000 人、精确率 30%，命中 900 个真实流失用户，按 20% 挽回率、人均年贡献 900 元算，价值约 16.2 万元。评估不平衡问题要看召回、精确率、AUC 或 PR 曲线，准确率只在类别均衡时才有意义。

**聚类不是分类。** 分类有标准答案，聚类没有。K-means 对量纲敏感：把"年消费额（元）"和"年龄（岁）"直接放进去，距离几乎全由消费额决定，年龄等于没参与。必须先标准化，再解释簇。簇数也不能只靠轮廓系数，业务可解释性同样重要——分出六个簇但没人能命名，不如三个能命名的。

## 四、选择路径：三个岔路口

方法选择不是从方法清单里挑一个顺眼的，而是连续回答三个问题。顺序不能反：先问问题性质，再问有没有对照，最后问数据结构。

**第一个岔路口：这个问题要不要"反事实"？** 如果结论要回答"如果不做会怎样"，就必须有对照。能随机分组就做 A/B；不能随机但有前后和对照，用双重差分、断点回归或合成控制；只有单组数据，只能做拆解和假设，结论要降级成"候选原因"，写报告时也必须这么写。

**第二个岔路口：数据结构是截面、时序还是面板？** 截面是一个时点上多个对象，比如 3 月的用户快照，适合对比、分类、聚类；时序是一个对象的多个时点，适合趋势和预测；面板是多个对象多个时点，信息量最大，能控制个体固定差异，双重差分就建立在面板上。北辰的 orders 表天然是面板：user_id 乘 order_date。

**第三个岔路口：结论要用在哪？** 内部讨论，描述加拆解够了；要投预算、改产品，必须有因果或实验证据；要写进合同或考核，还要有区间和回测。结论强度要配得上决策代价，这是方法选择里最容易被忽略的一条。

```mermaid
flowchart TD
    A["业务问题"] --> B{"要回答什么"}
    B -->|"发生了什么"| C["描述：汇总、对比、趋势、分布"]
    B -->|"为什么"| D{"有没有对照"}
    D -->|"能随机分组"| E["A/B 实验"]
    D -->|"有前后和对照"| F["DID、PSM 等准实验"]
    D -->|"只有单组"| G["维度拆解 + 贡献度 + 假设清单"]
    B -->|"会怎样"| H{"目标变量类型"}
    H -->|"连续"| I{"是否有时序"}
    I -->|"是"| J["时间序列"]
    I -->|"否"| K["回归"]
    H -->|"类别"| L["分类"]
    B -->|"该怎么做"| M{"约束能否量化"}
    M -->|"能"| N["优化模型、预算分配"]
    M -->|"不能"| O["规则加小范围试点"]
```

决策树给出的是起点，不是终点。走通之后还要回头检查两件事：数据够不够支撑这个方法（时间序列至少要两个完整周期），以及结论强度是否配得上决策（一次渠道预算调整，用两周的 A/B 就比三个月的回归可靠）。

## 五、五个业务问题的匹配练习

下面五个问题都来自北辰优选的典型决策场景，数字为教学示例。每个问题都给出推荐方法、理由，以及"不能做什么"——最后这一栏往往比方法本身更重要。

| 业务问题 | 问题类型 | 推荐方法 | 最小数据 | 不能做什么 |
| --- | --- | --- | --- | --- |
| 哪个渠道的用户更值钱 | 描述加比较 | 同期群、LTV 与 CAC 对比 | 渠道、注册月、90 天订单、渠道成本 | 用 7 日数据比 90 日 LTV；只看首单客单价 |
| 改版是否有效 | 因果 | A/B 实验，退而用 DID | 随机分流；或前后加对照城市 | 前后对比当实验；中途看结果就停 |
| 下季度销量多少 | 预测转规范 | 时间序列加促销日历，给区间 | 两年以上月度数据、活动排期 | 只给单点值；忽略供给约束 |
| 哪些用户会流失 | 预测（分类） | 逻辑回归或树模型，按时间切分验证 | 有流失标签的样本、行为特征 | 随机切分造成泄漏；用准确率评估 |
| 预算怎么分配 | 规范 | 边际 ROI、预算优化 | 分渠道分月投放与产出、饱和区间 | 用平均 ROI 分配；外推到历史区间外 |

**问题一：哪个渠道带来的用户更值钱。** 北辰华东站 2026 年第一季度共新增 72,500 名注册用户，分渠道的示意数据如下：信息流新增 38,000 人，首单转化率 3.2%，首单客单价 268 元，获客成本 45 元每人，90 日 LTV 96 元；搜索新增 17,000 人，转化率 9.8%，首单客单价 342 元，成本 62 元，90 日 LTV 268 元；老客推荐新增 6,500 人，转化率 18.5%，首单客单价 386 元，成本 80 元，90 日 LTV 512 元；自然访问新增 11,000 人，转化率 6.1%，首单客单价 301 元，成本为零，90 日 LTV 210 元。四个渠道首单用户合计约 4,760 人，与 3 月 4,300 名支付用户的比例关系大致吻合。把成本摊到首单用户上，信息流是 45 除以 3.2%，约 1,406 元，而 90 日 LTV 只有 96 元；老客推荐是 432 元对 512 元，勉强为正。结论不是"关掉信息流"，而是"在 90 天窗口内信息流未回本，需要看 180 天数据，或者接受它是拉新规模工具"。这就是"不能做什么"的第一条：不能用一个窗口的结论去否定另一个窗口的生意。

**问题二：改版是否有效。** 北辰详情页改版，实验组转化率 3.1%，对照组 2.9%，每组 2 万 UV。差异 0.2 个百分点，标准误约 0.17 个百分点，检验结果 p 约 0.24，不显著。正确结论是"当前样本量下未观察到显著提升"，而不是"改版无效"，更不是"改版有效但效果小"。不能做的事：拿改版前后两个月的整体转化率对比——3 月有促销、2 月有春节，季节性和改版混在一起，谁也说不清。

**问题三：下季度销量多少。** 北辰 2026 年第四季度 GMV 预测 620 万元，区间 560—690 万元。方法是用过去两年的月度数据加促销日历，先分解趋势和季节，再对残差做区间估计。备货按 80 分位取 660 万元，因为缺货损失高于压货成本。不能做的事：只用同比增速外推——2025 年第四季度有大促拉高基数，同比会低估；也不能只给一个数，仓库没法按一个数排产。

**问题四：哪些用户会流失。** 定义"连续 60 天无下单"为流失，用历史行为特征训练分类模型，按时间切分（用 1—6 月预测 7—9 月），得到 AUC 0.78，取概率前 10% 的名单，命中率 35%。不能做的事：随机切分——同一个用户的前后行为会同时出现在训练集和测试集，AUC 虚高；也不能只交名单不给动作，运营拿到 3,000 个 ID 不知道发什么、说什么。

**问题五：预算怎么分配。** 信息流月投放 30 万元时平均 ROI 1.2，加到 45 万元时边际 ROI 降到 0.6；搜索平均 ROI 1.5，加到 20 万元时边际仍有 1.8。正确做法是按边际 ROI 排序分配，先把预算移到搜索，直到两边边际相等。不能做的事：按平均 ROI 分配——平均值里混着低成本的前 10 万元，照它加预算一定过量；也不能把 45 万元之后的曲线外推到 80 万元，饱和曲线的形状在数据范围外没有依据。

## 六、方法不是工具：Excel 也能回归，Python 也能透视

工具与方法的关系经常被搞反。有人以为"回归要用 Python"，其实 Excel 的分析工具库、甚至一个 LINEST 数组公式就能做多元回归；有人以为"透视表是 Excel 的专利"，pandas 的 pivot_table、SQL 的 GROUP BY、BI 的矩阵表都是同一件事。方法定义的是"用什么逻辑从数据推到结论"，工具只决定三件事：能处理多大数据量、能不能复现、能不能和别人协作。

北辰华东站 3 月的支付订单只有 5,150 行，做一张渠道 GMV 透视，Excel 三十秒完成；同样的事在 Python 里三行代码，优势是下个月换个文件还能一键重跑，而且每一步都留在代码里。反过来，要处理 200 万行事件明细、给每个用户算二十个特征，Excel 会卡死，SQL 或 Python 才是对的。工具选错的代价通常不是"做不出来"，而是"做出来了但下周没法重做"。

| 能力 | Excel | SQL | Python | BI |
| --- | --- | --- | --- | --- |
| 透视汇总 | 原生 | 原生 | 原生 | 原生 |
| 相关与回归 | 能做但费劲 | 不适合 | 原生 | 不适合 |
| 分类与聚类 | 不适合 | 不适合 | 原生 | 不适合 |
| 时间序列 | 能做但费劲 | 窗口函数可做特征 | 原生 | 只能展示 |
| A/B 检验 | 能做 | 需外部计算 | 原生 | 不适合 |
| 因果推断 | 不适合 | 不适合 | 原生 | 不适合 |
| 自动化监控 | 弱 | 强 | 强 | 原生 |
| 协作与权限 | 弱 | 中 | 中 | 强 |

所以"我是 Excel 分析师"这种自我定位是有害的：它把方法选择锁死在工具能力上。正确的顺序是先把问题和方法定下来，再问"我手上这个工具能不能做，不能做要谁配合"。方法卡住的时候，换工具；问题卡住的时候，换方法。

## 七、七种常见误用与自查清单

方法误用很少以"我用错了"的形式出现，通常以"我有一个发现"的形式出现。下面七条，每条配一个自检问题，可以在提交结论前过一遍。

| 误用 | 为什么错 | 正确做法 | 自检问题 |
| --- | --- | --- | --- |
| 用回归系数说因果 | 遗漏变量、反向因果都可能 | 做实验或准实验，否则只写关联 | 有没有没进模型的共同原因 |
| 用聚类做分类 | 聚类没有标签，簇不等于业务类别 | 有标签用分类，无标签先人工定义 | 我要预测已知标签还是发现新分组 |
| 用准确率评估不平衡 | 负例占绝大多数时全判负也高分 | 召回、精确率、AUC、PR 曲线 | 正例占比多少 |
| 用相关代替实验 | 相关里含选择效应 | A/B，或明确降级为假设 | 这个结论能直接指导改版吗 |
| 用复杂模型解简单问题 | 维护成本高，没人能解释 | 先做基线：规则、均值、同比 | 简单方法差多少 |
| 用均值描述偏态 | 均值被长尾拉高 | 中位数、分位数、直方图 | 分布长什么样 |
| 忽略口径变化 | 统计规则变了，趋势是假的 | 先查口径变更和埋点记录 | 分母、状态、埋点动过吗 |

再加一条容易被漏掉的：**多重比较**。北辰的运营把用户按渠道、城市、新老客、品类切了二十四个格子，找出三个"显著提升"，p 值都小于 0.05。二十四个格子里出现一个假阳性本来就是大概率事件。正确做法是预先指定要看的切分，或者对 p 值做校正；至少在报告里写明"我们试了多少个切分"。

自查清单不需要长，五句话够用：口径写了吗？对照是谁？样本够吗？结论能指导哪个动作？如果这个动作做错了，代价多大？前四个问题决定结论能不能发，最后一个决定结论要不要加区间和风险提示。

## 八、把方法选择写下来：一页方法卡

方法选择最容易出问题的地方，是它发生在脑子里，没人看见，也没人复核。团队里推一张一页的方法卡，成本很低，收益是把"我觉得该用回归"变成"我们为什么排除实验"。

```text
问题原话：
决策人 / 决策动作：
问题类型：描述 / 诊断 / 预测 / 规范
候选方法：            排除理由：
数据与口径：
结论强度上限：        验证方式：
如果结论错了，代价：
```

填卡的过程本身就是筛选。很多需求填到"决策动作"就卡住了——说明它可能只是好奇，不必投入两周。填到"排除理由"也会卡住——说明方法是从习惯里拿的，不是从问题里推的。一个常见的教训是：分析师花了三周做渠道归因模型，结论交付后没有任何人改变预算，因为需求方想要的其实是"下周该关哪个渠道"这样一个二元判断，用两周的对照测试就能回答。

方法卡还有第二个作用：让结论强度变得可讨论。写"结论强度上限：关联，不能指导改版"，业务方就知道该怎么用；写"上限：实验证据，可指导全量上线"，对方才会真的执行。这比在报告最后加一句"仅供参考"有用得多。

## 本篇要点回顾

1. 四类分析按问题指向分，不按难度分：北辰华东站 3 月 GMV 下降 17.0% 是描述，拆到"信息流支付用户减少 36.5%"才是诊断。
2. 选方法先看有没有对照：能随机就做 A/B，不能随机但有前后和对照用 DID，只有单组就只做拆解，结论降级为候选原因。
3. 数据结构决定方法上限：截面适合对比和分类，时序适合预测，面板才能控制个体差异、支撑准实验。
4. 分类与聚类的分界只有"有没有标签"：北辰流失名单是分类，用户自然分群是聚类，RFM 是规则不是聚类。
5. 方法不由工具定义：5,150 行订单透视 Excel 三十秒能做完，20 万行特征工程必须上 SQL 或 Python，差别在可复现性而不在方法。

## 延伸阅读

- 第 03 篇《描述性分析与指标体系》：本篇第一节的"描述"在那篇展开为具体指标、漏斗和看板，是把四类分析落到口径的地方。
- 第 04 篇《诊断性分析与归因》：承接本篇"只有单组数据"的岔路，讲拆解、下钻和贡献度的完整步骤。
- 第 05 篇《统计推断与 AB 实验》：本篇只把 A/B 放在地图上，样本量、功效和中途偷看的问题在那篇讲透。
- 第 06 篇《预测分析与建模入门》：回归、分类、时间序列的具体做法、评估与过拟合，是本节表格第三、四、七行的展开。
- 第 08 篇《工具使用：Excel、SQL、Python、BI》：承接本篇第六节，把能力矩阵变成可执行的写法和协作规范。