数据分析
「综合方向」下的数据分析方法与实践笔记。本方向聚焦「把业务问题拆成可回答的数据问题」：指标定义、取数清洗、实验验证、可视化与结论表达。与后端技术 的数据库、AI 方向 的机器学习基础 等页面分工互链：后端页讲存储原理与架构，AI 页讲建模算法，本方向讲面向决策的分析方法论与 SQL 实战。
已收录
- 分析工作流 — 从问题定义（四层次定位 + 改写为可回答的数据问题）到七步闭环（问题→假设→指标→取数→清洗→分析→结论行动）；区分描述 / 诊断 / 预测 / 决策四层
- SQL 与取数 — 取数三问（粒度 / 口径 / 窗口）与高频分析模式（窗口函数、条件聚合）；分区裁剪与预聚合的性能直觉；共享视图沉淀口径（原理与数据库互链）
- 指标体系与埋点 — 指标树三层结构与加法/乘法拆解；指标好坏三性（敏感 / 抗操控 / 可解释）与护栏指标；事件命名规范与三要素自查；口径一致性与指标字典（与产品指标增长口径对齐）
- 实验与统计 — A/B 实验四要素与效应量/样本量直觉；p 值 / 置信区间 / 功效的正确读法（含偷看问题）；四类偏差（幸存者 / 新奇 / 干扰 / 多重比较）
- 可视化与报告 — 图表选型矩阵与数据墨水原则；坐标截断 / 双轴 / 3D 等失真陷阱；仪表盘设计五原则；分析报告的倒金字塔结构与模板
规划清单
| 主题 | 说明 | 状态 |
|---|---|---|
| 分析工作流 | 问题定义 → 指标 → 取数 → 清洗 → 分析 → 结论的完整闭环 | ✅ 已收录（analysis-workflow.md：四层次分析定位；业务问题改写为可回答的数据问题；七步闭环分步要点与交付物；相关 vs 因果提醒；常见坑速查） |
| SQL 与取数 | 面向分析的 SQL 查询、常用函数与查询性能、口径与导出口径（原理与数据库互链） | ✅ 已收录（sql-extraction.md：取数三问（粒度/口径/窗口）；窗口函数与条件聚合高频模式含示例 SQL；分区裁剪/预聚合性能直觉；共享视图沉淀口径；常见坑速查） |
| 指标体系与埋点 | 指标树与北极星、埋点事件设计、口径一致性 | ✅ 已收录（metrics-instrumentation.md：指标树三层与加减法拆解示例；指标三性与护栏指标；事件命名规范与三要素；埋点验收；口径字典；常见坑速查） |
| 实验与统计 | A/B 实验设计与显著性直觉、抽样与常见偏差 | ✅ 已收录（experiments-statistics.md：实验四要素与 MDE 样本量直觉；p 值/置信区间/功效读法；四类偏差与对策；抽样直觉速查；常见坑速查） |
| 可视化与报告 | 图表选型、仪表盘设计、分析报告的结构与表达 | ✅ 已收录（visualization-reporting.md：图表选型矩阵；数据墨水与失真陷阱表；仪表盘五原则；倒金字塔报告结构与模板；常见坑速查） |
写作规范
- 每篇聚焦一个主题，按「核心概念 → 方法步骤 / 示例 → 常见坑速查 → 检查清单」组织；
- 与后端技术、AI 方向、产品方向 等重复的主题做分工互链，不整段复制；
- 新增页面后在
config.mjs侧边栏登记，并同步本页「已收录」与「规划清单」。
写作规范请参阅写作指南。