写代码只是数据分析的苦力环节，真正决定成败的往往是拿到Excel或数据库后那5分钟——你打算先看哪一列，统计什么指标，这个决策直接决定了你接下来是高效产出还是浪费时间做无用功。

先问自己：这个分析到底想帮谁做什么决策？

一个真实的电商案例：某运营同学被要求“分析用户流失原因”，他直接拉出注册时间、消费频次、最近登录日期三列，做了个相关性矩阵，结果跑出来全是弱相关。我问他：“你老板拿到这个结果后，能决定下周做什么动作吗？”他愣住。实际上，老板想知道的是“哪个渠道来的用户流失更快”以便调整投放预算。于是我们改成分渠道流失率对比，发现百度SEM渠道的新客30天留存比抖音低40%。这个结论直接导向了预算重新分配，而之前的矩阵分析毫无落地价值。

先描述现状，再套模型，别反过来

很多教程喜欢一上来就讲“线性回归”“K-means聚类”，但实际业务场景里，连“用户活跃度”这个指标都可能定义不清。比如某社区App，运营把“月发帖超过3次”定义为活跃用户，但分析后发现这批人只占全体用户的8%，大多数用户是“只看不发的潜水党”。如果直接套聚类模型，会把潜水党全部归为“不活跃”，从而错误地推荐他们发帖任务，反而加速流失。正确的做法是先画一条用户行为时间轴，把登录频率、浏览时长、互动次数三组原始数据做箱线图，观察数据分布形态，再决定是用K-means还是阈值划分。

唯一必须背下来的公式：准确率可能害了你

金融反欺诈场景里，欺诈案件通常只占万分之五。如果你训练一个模型把所有人都判为“正常”，准确率高达99.95%，但这个模型毫无意义。真实案例中，某银行用逻辑回归做信用卡盗刷检测，模型准确率98%，但实际拦截率只有11%，因为大部分盗刷金额低于500元，特征被淹没在正常小额消费中。正确的做法是：先分桶，把交易金额按0-100、100-500、500-2000、2000+切四段，对每段单独建模，小金额用规则引擎（如连续3笔同商户），大金额才上机器学习模型。

• 误区一：上来就做数据清洗。先问业务方“你拿到结果后要做什么决定”，如果对方说“看看”，那说明需求没对齐，先逼他具体到“是砍掉A渠道还是加投B渠道”，再决定清洗哪些字段。
• 误区二：盲目追求P值小于0.05。样本量够大时，任何微小的差异都会显著，比如100万用户里男女点击率差0.1%也能P<0.001，但这个差异没有业务意义。要看效应量（Cohen's d或相关系数绝对值），低于0.2基本可忽略。
• 误区三：把分析报告写成代码说明书。老板或业务方根本不关心你用GBDT还是XGBoost，他需要的是“哪个产品功能改版后次日留存提升了5%，建议全量上线”。图表标题直接写结论，不要写“用户留存率箱线图”。