数据分析

同一个 P95，三套系统算出三个值：分位数的三种定义、不可加性与选型取舍 «结论先行：分位数不是一个数，而是一族函数——它的值取决于"插值定义、样本量、数据形态"三件事，而这三件事在不同引擎里默认值各不相同。更隐蔽的是，分位数不可加、不可跨

背景 做了 8 年算法，前 5 年在推荐/搜索团队，后 3 年转做指标体系与实验平台。有一个问题我每换一家公司都会再撞一次：当 10+ 个实验同时在跑时，流量到底怎么分？ 这不是一个「配个分流比例」就完事的运维项，它直接决定了你的实验结论可

维度表里的「静默空值」：0.3% 的 null shop_id 如何让 Top 商户 GMV 虚高 4.2%，以及三层修复 «站在指标体系落地视角，讲一个被 99% 团队忽略的问题：维度表覆盖率不是「参考信息」，而是指标口径的一部分。空值对

背景 做了 3 年技术文档、这两年转做指标体系，最近帮几个团队把散落在 BI 看板、SQL 脚本、wiki 指标字典里的口径往「一个地方」收敛。做着做着撞到一个根本分歧：口径到底算「文档」还是「代码」？ 这个分歧站内其实已经有人聊过「口径该

背景 站内聊「幂等」「异步化」「缓存一致性」都聊得很透了，但有一个我作为数据工程师天天被追问、却几乎没人正面展开的问题：线上数据已经错了，怎么修？ 我习惯从现象倒推。上个月我们一张核心指标表出错了——不是 bug，是上游口径悄悄改了字段语义

【背景】 我做了 3 年算法，负责一条 B 端 SaaS 的数据指标体系。核心看板里有几个复合指标：ARPU（收入/付费用户数）、客单价（GMV/订单数）、人均使用时长（总时长/活跃用户数）。这些指标天然包含「分子/分母」结构，归因时特别容

背景 做了 15 年算法，从推荐到风控都带过团队。有一个场景我几乎每换一家公司都会再撞一次：算法同学兴冲冲地说"离线 AUC 从 0.782 涨到 0.787，显著"，上线一周后业务方问"转化率怎么没动"，算法同学回一句"可能是线上特征分布

【背景】 我做指标体系第三年，负责一个 B 端 SaaS 的核心大盘（约 60 个指标，3 张 BI 看板 + 1 个数仓 ADS 层）。业务方每天盯大盘，核心指标一旦环比掉，第一反应就是找数据同学问"为什么"。 【现象（具体）】 我拉了三

一、现象与背景：一个「下降 12%」的假胜利 去年我们给公司核心交易链路做了一轮 GC 调优 + 连接池扩容，上线后周报写的是漂亮数字：87 个接口的平均耗时从 287ms 降到 252ms，下降 12%，被当成季度技术亮点汇报。 直到两个

【背景】 我在一家电商做数据平台，核心大盘 20 个一级指标（GMV、UV、转化率、客单价、履约时长等），底层 ClickHouse + Airflow 小时级 T+0 任务，看板直接面向业务方。业务方对「小时级」的预期是硬性的：每个整点后

一、现象与背景 接手一个 B 端数据平台后，第一个季度就经历了一次「口径变更事故」：业务方要求把「付费转化率」的分母从 "uv（按访客会话去重）" 改成 "distinct user_id（按自然人去重）"，理由是「同一用户换设备不该被算两

背景 做了 5 年算法与数据分析，最近帮几个团队复盘季度数据，发现一个比「指标口径不一致」更隐蔽、也更难对齐的问题：核心指标之间互相打架，而团队没有一个公认的取舍流程。 举几个我反复看到的场景： 1. 增长团队把补贴力度加大，GMV 环比

【背景】 我做了 3 年技术文档，最近转做指标体系搭建，团队 12 人（2 数据 / 4 后端 / 4 产品 / 2 运营），核心指标 40+ 个，散在 3 张 BI 看板 + 1 个数据仓库 + 若干 SQL 脚本里。习惯「从现象倒推根因

一、现象与背景 某电商增长看板，整体支付转化率从 4.28% 掉到 4.04%（-0.24pp，相对降幅约 5.6%），日均曝光 UV 约 120 万，我用两个时点各取 7 天窗口做对比（基期 09-01~09-07，报告期 09-08~0

【背景】 我做了 3 年技术文档，最近转做指标体系搭建，团队 12 人（2 数据 / 4 后端 / 4 产品 / 2 运营）。我习惯「从现象倒推根因」，但最近发现一个反复出现的卡点：业务方质疑某个指标时，我无法在 5 分钟内给出可复现的证据

一、现象与背景 去年接手一个 App 数据团队，DAU 约 480 万，投放渠道 12 个。接手第一周，产品给我看一张看板："全渠道 UV 之和"是 820 万，但"当日总 UV"只有 470 万，两个数差了 74%。产品问我哪个对。我答：

先给背景：我在技术文档团队做数据分析，这几年最大的体会是——指标口径不一致，是跨团队协作里最容易被低估的成本。 举几个常见的分歧场景，看看大家有没有同感： 1. 「活跃用户」到底是什么 业务方说「打开过 App 就算」，数据方说「要有有效行

【背景】 我做了 10 年算法，近两年主要精力在指标体系与数据监控。负责一条 B 端 SaaS 的核心大盘，日均核心指标约 20 个（DAU、任务成功率、API P99 延迟、付费转化率等），需要 7×24 自动告警，值班同学只看告警群、不

人均 GMV 凭空多出 2.5 倍：一对多 JOIN 放大（fan-out）让 SUM/COUNT 静默虚增的根因与三层解法 «结论先行：大多数「指标对不上」不是数据错了，而是聚合粒度错了。当你把「一」侧的指标（如订单金额）和「多」侧的行（

背景 做了 8 年算法，最近一年主要精力在指标体系与数据看板上。有一个场景我在不同团队看到过太多次：某天早上核心指标（GMV、DAU、支付成功率、任务完成率）突然掉了一截，老板第一句是「为什么」，然后整个群开始炸。但真正能在一小时内给出「掉