数据思维 · 第 1 篇

假设驱动分析

“没有假设的分析，就像没有目的地的航行——你可能到处都去了，但哪儿也没到。”

在实际工作中，最常见的分析失败模式不是”不会写 SQL”，而是拿到数据后不知道该看什么。假设驱动分析（Hypothesis-Driven Analysis）就是解决这个问题的核心方法论。

什么是假设驱动分析

假设驱动分析的核心思路是：先提出假设，再用数据验证，而不是先看数据再找结论。

传统分析方式往往是”把数据拉出来看看”，结果很容易陷入两个陷阱：

1. 数据过载：表太多、字段太多，不知道从哪里下手
2. 事后归因：看到数据后强行编故事，把相关性当因果性

假设驱动分析的流程刚好相反：

业务问题 → 提出假设 → 确定验证指标 → 收集/查询数据 → 验证/推翻假设 → 输出结论

一个完整的案例：电商订单下降

场景描述

你是某电商平台的数据分析师，周一早上收到运营总监的消息：

“上周日均订单量比上上周下降了 15%，什么原因？尽快给个分析。”

第一步：明确问题

在动手写 SQL 之前，先把问题拆清楚：

和运营确认后，你明确了：支付成功订单量，本周一到周日 vs 上周一到周日，环比下降 15%，上上周无大促。

第二步：提出假设

根据业务经验和常识，列出可能的原因：

• 假设 1：流量下降了——投放预算减少或渠道出了问题
• 假设 2：转化率下降了——详情页或支付流程出了问题
• 假设 3：客单价没变但某品类出了问题——品类结构变化
• 假设 4：新用户获取减少——获客渠道异常
• 假设 5：老用户流失加速——留存出了问题

第三步：排列优先级

不是每个假设都值得验证。用 “影响大 x 可能性高” 的矩阵排序：

第四步：用数据验证

针对 P0 假设，设计数据查询：

验证假设 1——流量是否下降：

SELECT DATE(visit_date) AS dt,
       COUNT(DISTINCT user_id) AS uv
FROM   page_views
WHERE  visit_date BETWEEN '2025-03-03' AND '2025-03-16'
GROUP  BY dt
ORDER  BY dt;

结果发现：UV 基本持平，流量没有明显下降。假设 1 排除。

验证假设 2——转化率是否下降：

SELECT CASE WHEN visit_date BETWEEN '2025-03-03' AND '2025-03-09' THEN '上周'
            ELSE '本周' END AS week_label,
       COUNT(DISTINCT pv.user_id) AS uv,
       COUNT(DISTINCT o.user_id) AS buyers,
       ROUND(COUNT(DISTINCT o.user_id) * 1.0 / COUNT(DISTINCT pv.user_id), 4) AS cvr
FROM   page_views pv
LEFT   JOIN orders o ON pv.user_id = o.user_id
       AND DATE(o.pay_time) = DATE(pv.visit_date)
WHERE  pv.visit_date BETWEEN '2025-03-03' AND '2025-03-16'
GROUP  BY week_label;

结果发现：转化率从 3.2% 下降到 2.6%。假设 2 成立！继续深挖。

第五步：深挖根因

转化率下降了，但是哪个环节下降了？拆解漏斗：

下单到支付环节出了大问题！

进一步排查发现：本周三支付网关升级，某银行渠道支付失败率飙升，导致大量用户下单后支付失败。

第六步：输出结论与建议

结论：订单量下降 15% 的主因是支付成功率下降（下单→支付转化率从 60% 降至 51.2%），根因是周三支付网关升级导致 XX 银行渠道异常。

建议：(1) 技术团队紧急修复支付通道；(2) 对支付失败用户推送短信/Push 提醒重新支付；(3) 后续支付网关升级需提前在沙盒环境验证。

假设驱动分析的四个原则

原则一：MECE 原则——假设要互斥且穷尽

MECE（Mutually Exclusive, Collectively Exhaustive）是麦肯锡经典方法论。列假设时确保：

• 互斥：假设之间不重叠
• 穷尽：所有可能性都被覆盖

实操方法：用公式拆解法。例如：

订单量 = UV x 转化率
订单量 = 新用户订单 + 老用户订单
GMV = 订单量 x 客单价

顺着公式拆，天然就是 MECE 的。

原则二：先粗后细——从宏观到微观

不要一开始就钻进细节。先看整体趋势，再逐层下钻：

整体指标 → 分渠道/分品类/分地区 → 具体异常点 → 根因

原则三：对比产生洞察

单独一个数字没有意义，对比才能产生洞察：

• 时间对比：环比、同比
• 空间对比：分城市、分渠道
• 群体对比：新老用户、不同等级用户
• 基准对比：和行业均值、和目标值比

原则四：区分相关性和因果性

看到两个指标同时变化，不要急着下结论。

“冰淇淋销量和溺水人数正相关”——不是因为吃冰淇淋导致溺水，而是因为天热。

验证因果性的方法：

• 控制变量：A/B 测试是最佳手段
• 时间先后：原因应该在结果之前发生
• 排除混淆变量：有没有第三个变量同时影响两者

常见的假设来源

在实际工作中，假设从哪里来？

假设驱动 vs 数据探索

假设驱动分析并不排斥数据探索（Exploratory Data Analysis），两者是互补关系：

最佳实践是：日常分析用假设驱动，定期做数据探索发现新机会。

练习题

1. 你是一家 SaaS 公司的数据分析师，产品经理告诉你”上个月付费用户续费率从 85% 降到了 78%”。请用假设驱动分析的框架，列出至少 5 个假设，并排列优先级。

2. 你发现公司 App 的日活跃用户（DAU）连续三天上升了 20%，但没有任何产品上线或营销活动。请列出可能的假设并设计验证方案。

3. 运营同学说”我们最近投放的广告效果变差了，ROI 从 3.0 降到了 1.8”。请用公式拆解法，列出 MECE 的假设清单。

小结

下一篇我们将学习 指标体系搭建——如何把业务目标翻译成可量化、可追踪的指标体系。