架构视界架构视界
  • 架构蓝图总览
  • 业务架构
  • 应用架构
  • 数据架构
  • 技术架构
  • 架构治理
  • 转型规划总览
  • 现状与路径
  • 信息化
  • 数字化
  • 智数化
  • 智能化
  • 平台架构总览
  • 架构蓝图
  • 规模与取舍
  • 交付与治理
  • AI 赋能
  • 场景方案总览
  • 业财一体
  • 企业中台
  • 组织与绩效
  • 流程治理
  • 行业方案总览
  • 项目管理总览
  • 管理框架
  • 研发工程总览
  • 需求与设计
  • 研发工程
  • 测试工程
  • 运维工程
  • AI 原生
  • 数据收集与分析总览
  • 数据收集
  • 数据清洗
  • 数据可视化
  • 数据分析
  • 数据报告
  • 博客与报告总览
  • 报告专题
  • 标签索引
  • 站点地图
  • 架构蓝图总览
  • 业务架构
  • 应用架构
  • 数据架构
  • 技术架构
  • 架构治理
  • 转型规划总览
  • 现状与路径
  • 信息化
  • 数字化
  • 智数化
  • 智能化
  • 平台架构总览
  • 架构蓝图
  • 规模与取舍
  • 交付与治理
  • AI 赋能
  • 场景方案总览
  • 业财一体
  • 企业中台
  • 组织与绩效
  • 流程治理
  • 行业方案总览
  • 项目管理总览
  • 管理框架
  • 研发工程总览
  • 需求与设计
  • 研发工程
  • 测试工程
  • 运维工程
  • AI 原生
  • 数据收集与分析总览
  • 数据收集
  • 数据清洗
  • 数据可视化
  • 数据分析
  • 数据报告
  • 博客与报告总览
  • 报告专题
  • 标签索引
  • 站点地图
  • 数据收集与分析总览
  • 数据收集
  • 数据清洗
  • 数据可视化
  • 数据分析
  • 数据报告

数据分析

分析不是把数据画成图,而是回答一个具体问题,并说明答案有多可信、在什么范围内成立。

方法与模型:先立竞争性假设,再按问题选择定量、定性或混合方法,用多源交叉与反例检验;结论必须带证据、置信度与适用范围。

先立竞争假设

分析常用假设驱动:先写出可能的解释,再用材料排除。

步骤做法
列出假设至少两个互相竞争的解释,避免只验证自己想看到的
找区分证据哪些数据或材料能区分这些假设,优先采集
排除与保留记录被排除的假设及理由,保留未能排除的
形成结论给出最可能的解释、置信度与待验证点

先取数再找规律,很容易得到“数据钓鱼”式的结论:只要切得够细,总能找到支持预设观点的数据。

方法服从问题

问题类型要回答什么常用方法注意点
描述发生了什么、规模多大汇总、同比环比、分布、漏斗先确认口径与粒度
诊断为什么发生拆解、对比、相关分析、归因相关不等于因果
预测接下来可能怎样趋势外推、回归、情景假设写清假设与误差
因果某个动作是否有效对照实验、准实验、双重差分尽量设计对照
动机与类型用户为什么这样做、有哪些模式访谈主题分析、编码归并频次不等于重要性

混合方法通常先定量定位异常群体或时段,再用定性解释原因;也可以先定性构建假设,再用问卷或系统数据验证规模。

结论要经得起换口径与反例

  • 来源可信度:一手系统数据与原始材料优先,二手与外部数据用于佐证;
  • 口径一致性:比较前先确认时间、范围与定义一致;
  • 时间线:把关键事件与数据变化对齐,排除同期其他因素;
  • 反例:主动寻找与结论相反的证据,并解释其存在原因;
  • 敏感性:换一种口径、时间窗口或样本切分,结论是否仍然成立。

没有对照时,不要用“上线后增长”直接证明动作有效。

一条结论必须有证据、置信度与边界

要素说明
结论一句话回答研究问题,不用“可能”“大概”糊过去
证据定量数据与定性引述,标注来源、口径与时间
置信度高、中、低及理由,列出未排除的替代解释
边界适用范围、样本限制与已知反例
行动建议建议做什么、不做什么,以及验证方式

区分事实、推断与建议:事实是数据与引述,推断是解释,建议是行动。三者混写,读者无法判断哪部分可以质疑。

分析阶段交付三件

产物内容
分析记录假设、方法、口径与排除过程
结论卡结论、证据、置信度、边界与反例
验证建议建议动作、观测指标与验证窗口

公开边界

只公开假设、方法与结论结构的组织方式;不包含真实数据集、分析脚本、商业结论与决策记录。

最近更新: 2026/11/22 21:15
Contributors: 庆峰
Prev
数据可视化
Next
数据报告