04-data-driven-decision

name	04-data-driven-decision
description	用数据驱动产品决策，避免认知偏误。当用户说"数据分析"、"AB测试"、"数据驱动"、"指标解读"时使用。

Data Driven Decision

何时使用

• 需要基于数据做产品决策
• 需要设计或解读 A/B 测试
• 需要避免数据分析中的常见偏误
• 需要用数据说服利益相关者

工作流程

Step 1: 设定判断标准

在看数据之前，先定义成功标准：

• 明确核心指标和阈值
• 预设"什么结果意味着什么决策"
• 避免看完数据再编理由（确认偏误）

Step 2: 收集与清洗数据

确保数据质量：

• 检查数据来源和采集方式
• 识别幸存者偏差和选择偏差
• 区分相关性和因果性

Step 3: 分析与解读

严谨地解读数据：

• 使用对照组和统计显著性
• 考虑辛普森悖论等统计陷阱
• 多维度交叉验证，不依赖单一指标

Step 4: 输出决策建议

将数据分析转化为可执行结论：

• 明确推荐行动及预期影响
• 标注置信度和已知局限
• 附上原始数据供验证

关键原则

原则	说明
先定标准，后看数据	实验前确定成功/失败标准，避免事后诸葛亮
追问数据背后的行为	DAU 涨了 → 是新用户涌入还是老用户回流？
关注反例	不用的人比在用的人更值得研究
相关 ≠ 因果	冰淇淋销量和溺水人数正相关，但不是因果
分层分析	平均值会掩盖真相，按用户群分层才能看到规律

落地模板

# 数据分析报告：[分析主题]

## 1. 分析目的
- 要回答的问题：[一句话描述]
- 假设：[你认为答案是什么]
- 推翻假设的条件：[什么数据能证明你错了]

## 2. 数据概览
### 核心指标
| 指标 | 当前值 | 对比基准 | 变化 | 判断 |
|------|--------|---------|------|------|
| [指标1] | | | ↑/↓ % | 好/差/中性 |
| [指标2] | | | | |

### 数据来源与口径
- 数据源：[数据库/埋点/第三方平台]
- 时间范围：[起止日期]
- 口径定义：[DAU = 当日打开APP的去重用户数]
- 已知数据缺陷：[什么数据缺失或不准]

## 3. 分层分析
### 按用户群分层
| 用户群 | 样本量 | 指标A | 指标B | 洞察 |
|--------|--------|-------|-------|------|
| 新用户(7天内) | | | | |
| 活跃用户 | | | | |
| 沉默用户 | | | | |
| 流失用户 | | | | |

### 按行为路径分层
[不同行为路径的用户表现差异]

## 4. 关键发现
- 发现 1：[数据说了什么]
  - 原始数据：[具体数字]
  - 解读：[意味着什么]
  - 置信度：高/中/低
  
- 发现 2：[...]

## 5. 排除的替代解释
| 替代解释 | 为什么排除 | 需要额外验证？ |
|---------|-----------|--------------|
| [也许是因为A] | [A的证据不支持，因为...] | 是/否 |

## 6. 决策建议
| 建议 | 预期效果 | 验证方式 | 回退方案 |
|------|---------|---------|---------|
| [做什么] | [预计指标变化] | [怎么验证] | [失败了怎么办] |

## 7. 诚实申报
- 本次分析我可能存在的偏见：[...]
- 数据不足以回答的问题：[...]
- 建议的后续分析：[...]

相关技能

本技能与 Skill 23 产品分析与指标、Skill 30 决策框架 相邻但不重复：

技能	回答的问题	核心能力
04 数据驱动决策（本篇）	如何严谨地用数据？	避免偏误、设定标准再看数据
23 产品分析与指标	该看哪些指标？	AARRR/HEART 度量体系搭建
30 决策框架	如何结构化地做决定？	WRAP、System 1/2、元认知工具
推荐顺序：先用 23 确定度量指标 → 用 04 严谨解读数据 → 用 30 结构化地做决定。

参考资料

详细理论基础、原则解析和推荐书目见 references/knowledge.md。