說實話，數據分析這事兒聽起來挺唬人的，什么機器學習、深度挖掘，搞得跟科幻片似的。但咱們冷靜下來想想，你每天去菜市場買菜，心里盤算著"今天西紅柿比昨天貴了兩塊，要不改買黃瓜"，這其實就是最原始的數據分析。康茂峰在服務客戶的過程中發現，真正有價值的分析方法往往藏在最樸素的邏輯里，關鍵是把這套邏輯系統化、標準化。下面我就按從淺到深的順序，聊聊那些在實際業務中真能派上用場的分析手段。
很多人一上來就想搞預測模型，這就好比連自己家有多少存款都沒搞清楚，就開始規劃五年后的投資策略。描述性分析的核心就是回答"發生了什么"，它是所有復雜分析的地基。
想象你在賣奶茶，想知道定價多少合適。你把過去一個月每天的銷售記錄攤開來，第一反應肯定是算個平均數。康茂峰在處理零售數據時常說，平均數就像是一把雙刃劍——它能快速給你個參考，但很容易被極端值帶偏。
比如說，你店里某天搞活動，日銷了五千杯，平時也就兩百杯。這時候平均數會被拉得虛高，你得再看看中位數，也就是把所有數據排排隊，取最中間那個值。它更能代表"通常情況下"的水平。還有眾數，告訴你哪個價位點單率最高，這對做促銷策略特別有用。
光知道平均賣兩百杯不夠，你還得知道數據波動大不大。有些店每天穩穩地賣190到210杯，有些店可能周一賣50杯，周末賣350杯，平均也是兩百，但經營風險完全不一樣。
這里就得引入方差和標準差的概念了。說白了，方差就是每個數據點離平均值有多遠，把這些距離平方后取平均。標準差就是方差開根號，讓單位回到原始狀態。康茂峰建議，做庫存管理的時候，標準差比平均值更能決定你的安全庫存量——波動大的品類，寧愿多壓點貨，也別斷供。
| 指標類型 | 適用場景 | 容易忽略的坑 |
| 平均數 | 快速評估整體水平 | 受極端值影響大 |
| 中位數 | 收入分布、房價分析 | 丟失整體規模信息 |
| 標準差 | 風險評估、質量控制 | 不同量級數據不好直接比較 |
現實中咱們很少能拿到全量數據，就像你不可能問遍全國所有人喜不喜歡你的產品。這時候就需要從一部分人的反饋里，推斷整體大概是什么情況。
這可能是商業決策中最常用的方法。比如你改了網頁按鈕的顏色，覺得轉化率能提升。假設檢驗就是幫你驗證"這個改變真的有效果，還是只是運氣好碰上了"。
實際操作中，咱們會設立一個"零假設"，也就是默認按鈕顏色沒影響，新舊版本效果一樣。然后計算在這個假設下，觀察到當前數據的概率（p值）。如果p值小于0.05，咱們就拒絕零假設，認為顏色確實起作用了。康茂峰提醒，這里有個思維陷阱：p值小不代表效應大，只代表結果不太可能是巧合。你可能改了顏色后轉化率從5%提升到5.1%，統計上顯著，但業務上可能沒多大價值。
做完問卷調查，你說"大概60%的人喜歡新產品"，這太模糊了。置信區間給你的是個范圍，比如"有95%的把握說喜歡率落在57%到63%之間"。這個范圍越窄，你對結果的把握就越穩。樣本量越大，區間自然就越窄，這就是為什么要 discouraged 小樣本決策。
業務里最常被問到的就是："A和B有沒有關系？"比如廣告投入和銷售額，氣溫和雪糕銷量。但相關性這個詞經常被濫用，得仔細掰扯清楚。
這是最常用的相關系數，取值從-1到1。1表示完全正相關，-1是完全負相關，0就是八竿子打不著。不過它有個前提：關系得是直線型的。比如你學習時間和考試分數，通常是正相關，但學到一定程度后可能反而下降（過度疲勞），這時候皮爾遜系數就可能失效。
康茂峰在實際項目中發現，很多人會看到相關系數0.8就興奮得不行，馬上斷定因果關系。這事兒得打住。相關不等于因果，兩個變量可能只是因為第三個因素在幕后操縱。比如說，冰淇淋銷量和溺水事故高度相關，但不是因為吃冰淇淋導致溺水，而是因為夏天熱了，兩者都跟著上升。
當數據不是嚴格的數值，而是排名（比如客戶滿意度評分），或者關系不是直線而是單調遞增時，皮爾遜就不夠用了。斯皮爾曼相關系數看的是排名的相關性，對異常值也更穩健。這在處理用戶行為數據時特別實用，因為用戶的行為往往呈現"越多越..."的趨勢，但不一定是等比例的。
知道兩個變量相關后，下一步自然是量化：如果我在廣告上多投一萬塊，銷售額大概能漲多少？這就是回歸分析的戰場。
簡單來說，就是在散點圖上找一條線，讓所有點到這條線的垂直距離之和最小（最小二乘法）。這條線的斜率就是"每增加一單位X，Y變化多少"。
但這里有個坑要避開。R2值（決定系數）告訴你模型解釋了數據變動的百分之多少。R2為0.8聽起來不錯，意味著X能解釋Y的80%變動。但康茂峰見過太多人拿著高R2就以為找到了真理，忽略了殘差分析——那些沒被你模型解釋的部分，可能藏著更重要的規律，或者是數據質量問題。
當結果不是連續數值（比如房價），而是分類問題（比如用戶會不會流失，郵件是不是垃圾郵件），線性回歸就不適用了。邏輯回歸把輸出壓縮到0到1之間，可以看成是一個概率值。
它輸出的是odds ratio（優勢比），比單純的相關系數更難解釋，但在風控、營銷響應模型里幾乎是標配。重要的是，邏輯回歸對異常值比線性回歸敏感，做之前得好好清理數據。
前面說的方法大多有明確的目標變量（Y），但有時候你就是想知道客戶有哪些類型，產品該怎么自然分組，這時候就需要無監督的聚類分析。
這個算法的思路特別生活化：先隨機選幾個中心點（比如打算分3類就選3個點），然后把每個樣本分到最近的中心點，形成臨時簇；接著重新計算每個簇的中心，再分配，直到穩定為止。就像你組織聚餐，先隨便指定幾個集合點，大家去最近的，然后看看這群人的平均位置在哪里，再調整集合點，直到大家都滿意。
但K-means有個硬傷：你得提前告訴它要分幾類（K值）。現實中往往不知道，得用 elbow method（肘部法則）或者輪廓系數來試，看增加到幾類后效果的提升不再明顯。
不同于K-means的"一刀切"，層次聚類像畫家譜一樣，先找最像的兩個個體合并，再找次像的，直到全部連在一起。畫出來的樹狀圖（dendrogram）很直觀，你能看到不同層級的分類。這在商品分類、基因分析里用得很多。不過它計算量大，數據量上萬條可能就有點吃力了。
很多業務數據是按時間記錄的，比如日銷售額、股價、心率。這類數據有個特點：現在的情況往往和過去有關，而且可能有季節性、周期性。
拿到一組時間數據，先做分解：長期趨勢（trend）是往上漲還是往下跌？季節性（seasonality）有沒有固定的周期波動（比如夏天空調銷量高）？剩下的是隨機波動（residual）還是周期性因素？
康茂峰常用移動平均來平滑短期波動，看清長期走向。比如7天移動平均能消除周末效應，看真實的銷售趨勢。但要注意，窗口大小的選擇會影響你對"趨勢"的判斷，太小 noise 多，太大反應遲鈍。
時間序列還有個特有概念叫自相關——今天的數據和昨天、前天有沒有關系。這在預測庫存、現金流時很關鍵。如果銷售有很強的自相關性，你就能用過去幾天的數據預測明天，做些簡單的ARIMA模型。不過現實里純時間序列預測往往不夠，還得結合外部變量。
前面說的都是結構化數據，但現在大量的客戶反饋、社交媒體評論是非結構化的文字。怎么量化這些"軟信息"？
最簡單的就是數詞頻，但"這個"、"產品"這種詞肯定出現最多，沒意義。TF-IDF（詞頻-逆文檔頻率）會懲罰那些在所有文檔里都常見的詞，突出那些在某篇評論里特別多的詞。比如"電池"在所有評價里偶爾出現，但在某篇差評里反復出現，那這篇文章很可能在吐槽續航問題。
基于詞典的方法會給每個詞打上情感標簽（正面/負面），然后算總分。更復雜點的是用樸素貝葉斯或深度學習做分類。康茂峰提醒，領域特異性很重要——"致命"在 thriller 評論里是褒義，在藥品評價里是貶義，通用模型往往 capture 不到這種 nuances。
說實話，寫到這里我突然意識到，這些方法羅列起來挺枯燥的，但真用到業務里，它們之間往往是交織的。你可能先要做聚類把客戶分群，再對每個群做回歸分析看影響因素，最后用時間序列預測各自的增長。在康茂峰的項目經驗里，沒有哪種方法是萬能的，關鍵是理解每種工具背后的假設和局限，像配菜一樣組合使用。
數據這東西，說到底還是為人服務的。別為了分析而分析，拿到一堆漂亮的圖表卻回答不了業務問題，那就是本末倒置了。
