第 5 关：军师 — 用数据驱动业务决策

🎯 本关目标

从"做分析"进化到"用分析驱动决策"
对应工程能力：能设计指标体系、做漏斗分析和同期群分析、用 SCQA 框架写业务分析报告

Step 1：本关资料（海量输入）

48h 内完成浏览，建立知识全景。不需要精读，标记"在哪、解决什么"即可。

| 资料类型 | 具体资料 | 用途 | |---------|---------|------| | 书籍 | 《精益数据分析》第 2-3 章 | 不同业务类型的指标体系设计 | | 书籍 | 《金字塔原理》第 1-4 章 | SCQA 框架和逻辑表达 | | 书籍 | 《数据化决策》全书 | 如何用数据做决策而非凭直觉 | | 博客 | Netflix Tech Blog（netflixtechblog.com） | 数据驱动文化的真实案例 | | 博客 | Airbnb Engineering（medium.com/airbnb-engineering） | 搜索排名和指标体系的工程实现 | | 文章 | Brian Balfour: Choosing the Right Product Metrics（Reforge） | 北极星指标框架的提出者 | | 论文 | Google HEART Framework（Rodden et al., 2010） | 用户体验度量系统框架 | | 文章 | Dave McClure: AARRR Pirate Metrics（500 Startups） | 增长黑客的漏斗模型 | | 论文 | Survival Analysis for Customer Retention（Liu et al., 2021） | 留存分析的精细建模方法 | | 论文 | Kaplan & Norton: The Balanced Scorecard（HBR 1992） | 指标体系设计的鼻祖 |

📐 数学补给站

本关涉及数学模块：③ 概率统计（A/B 测试、因果推断的统计基础）

| 数学概念 | 本关用途 | 深入参考 | |---------|---------|---------| | 假设检验 & 统计功效 | A/B 测试的样本量计算、结果显著性判断 | 数学-③ 概率统计 | | 贝叶斯推断 | 持续更新业务判断（不用等测试结束） | 数学-③ 概率统计 | | 同期群分析（Cohort）的统计基础 | 留存曲线拟合、生存分析 | 数学-③ 概率统计 |

快速自测：

A/B 测试中，功效（power）不足会导致什么类型的错误？
漏斗分析中，如何判断"第2步流失增加"是真实变化还是随机波动？
同期群留存曲线的差异，用什么统计方法验证？

答不上来的去对应数学模块补课。

Step 2：本关心智模型

理解这三个模型，你就有了"用数据驱动决策"的思维框架。

模型 1：指标体系模型

核心思想：指标是业务的"仪表盘"。好的指标体系像金字塔——顶层一个北极星指标（North Star Metric），往下逐层拆解为过程指标和诊断指标。北极星指标只应该有一个，它回答"我们到底在优化什么"。一级指标控制在 3-5 个，二级指标按需添加。指标泛滥（50 个 KPI = 0 个 KPI）是常见病。
关键变量：
- 北极星指标 → 衡量业务核心价值的唯一指标（如：Spotify 的"用户总收听时长"），三个标准：反映用户价值、指导产品方向、可衡量可追踪
- 一级指标（过程）→ 北极星的关键驱动因素（如：日活用户数、单次收听时长）
- 二级指标（诊断）→ 一级指标的具体拆解，用于定位问题（如：新用户 7 日留存率）
应用场景：产品数据中台建设、OKR 制定、周报/月报指标设计、增长实验的效果评估
局限性：
- 北极星指标不是一成不变的——业务阶段变了，北极星也要变（初创期看获客，成熟期看留存）
- 指标体系容易变成"数字游戏"——团队开始优化指标而非优化业务（Goodhart 定律）
- 不同角色对"核心价值"的理解不同（CEO 看营收，用户看体验），一个北极星无法同时满足
相关资料：Balfour (Reforge)；Google HEART Framework；《精益数据分析》；Kaplan & Norton (1992)

模型 2：漏斗分析模型

核心思想：用户从"接触产品"到"完成目标行为"会经历一系列步骤，每一步都有流失。漏斗分析帮你找到"最大的漏水点"——优化流失最大的环节，ROI 最高。但漏斗不只是"画个倒三角"，关键是比较维度（按渠道、按用户类型、按时间段拆解）才能找到"为什么流失"。
关键变量：
- 漏斗步骤定义 → 每一步的用户行为要互斥且穷尽（一个人在同一时间只能处于一个步骤）
- 转化率 → 步骤间转化（15% 加购率）vs 整体转化（100 → 10 = 10%）
- 拆解维度 → 按渠道/设备/用户类型拆解，才能定位"谁在流失"
应用场景：电商转化优化、用户注册流程优化、SaaS 试用转付费分析
局限性：
- 漏斗假设线性路径（A→B→C），但用户行为常是非线性的（反复跳转、跨设备）
- 只看转化率不看绝对数会误判（100→10 是 10%，10000→500 是 5%，后者更有价值）
- 漏斗是"快照"，无法展示用户行为的动态变化
相关资料：McClure AARRR；《精益数据分析》；Zhang et al. (KDD 2019) 漏斗分析系统化方法

模型 3：SCQA 数据故事模型

核心思想：SCQA（Situation → Complication → Question → Answer）是说服力的底层结构。先建立共识（S），再制造冲突（C），引出核心问题（Q），最后给数据驱动的答案（A）。业务方要的不是"这是数据"，而是"所以呢？"。数据是证据，结论才是交付物。
关键变量：
- Situation（背景）→ 当前业务状态，用 1-2 个数据点建立共识（"DAU 稳定在 1.2 万"）
- Complication（冲突）→ 出了什么问题或什么机会（"但 7 日留存从 42% 降到 35%"）
- Question（问题）→ 需要回答的核心问题（"留存下降的原因是什么？"）
- Answer（答案）→ 数据驱动的行动建议，附带支撑数据（"建议优化新手引导，预计可提升留存 5pp"）
应用场景：管理咨询报告、技术方案评审、OKR 回顾、CEO 周报
局限性：
- SCQA 是线性叙事，不适合探索性分析（你还没找到 C 和 Q 的时候）
- "好的 S 和 C"需要对业务有深度理解，不是格式问题而是洞察问题
- 不同受众需要不同的 SCQA 角度（CEO 关心方向，总监关心执行，客服关心投诉量）
相关资料：《金字塔原理》；McKinsey 报告模板；Netflix Tech Blog 的分析案例

Step 3：本关分歧点

指标和决策的争论比你想的多，每个选择都影响业务走向。

分歧 1：北极星指标到底该选"量"还是"质"？

A 方：选"量"——DAU、GMV、注册数。理由：容易衡量，团队有清晰目标，增长团队的核心使命就是拉新。
B 方：选"质"——留存率、NPS、活跃用户使用深度。理由：DAU 可以靠活动刷上去但不可持续，质量指标才是长期健康的信号。
实践倾向：没有标准答案，取决于业务阶段。初创期/增长期偏"量"（先活下来），成熟期偏"质"（留存率下降意味着增长是虚假的）。如果 DAU 涨 10% 但 7 日留存从 42% 降到 35%，这个增长是"有毒的"。
为什么重要：选错北极星指标，整个团队都在优化错误的方向。DAU 涨了但付费用户在跌，说明北极星可能选错了。

分歧 2：漏斗分析看转化率还是看绝对数？

A 方：看转化率。理由：转化率是效率指标，不受基数影响，适合跨渠道/跨时期比较。
B 方：看绝对数。理由：100 人转化 10 个（10%）比 10000 人转化 500 个（5%）价值更小。业务方关心的是"赚了多少钱"，不是"效率多高"。
实践倾向：两个都要看。转化率定位问题环节（"加购率太低"），绝对数评估业务影响（"每月损失 5000 单"）。只看一个都会做出错误决策。
为什么重要：只看转化率会忽视规模差异（小渠道转化率高但贡献小），只看绝对数会忽视效率问题（大渠道效率低浪费流量）。

分歧 3：给数据还是给结论？

A 方：给数据，让业务方自己做判断。理由：分析师不应该替业务方做决策，数据要客观中立。
B 方：给结论，附带数据支撑。理由：业务方没有时间看数据，他们要的是"所以呢？"——一个明确的行动建议。
实践倾向：给结论，但标注置信度和假设前提。比如："建议优化新手引导（信心 80%，基于 A/B 测试 p < 0.05）。如果不改，预计 30 天后留存继续下降 3pp。" 业务方要的是可执行的建议，不是数据表格。
为什么重要：只给数据的分析师会被业务方绕过（"我直接找能给我结论的人"）。只给结论不标注置信度则失去可信度。

Step 4：闯关任务（动手验证）

用代码验证你的理解。每个子任务都要有可运行的输出。

子任务 1：定义北极星指标

选一个你感兴趣的真实业务场景（如：SaaS 产品、电商平台、内容平台、社交 App）
定义北极星指标，要求：
- 反映用户获得的核心价值
- 能指导产品方向
- 可衡量、可追踪
写 100 字说明"为什么选这个而不是别的"
输出：场景说明 + 北极星指标 + 选择理由

子任务 2：构建三层指标体系

围绕北极星指标，设计 3 层指标体系：
- 北极星（1 个）
- 一级指标（3-5 个）
- 二级指标（每个一级指标下 2-3 个）
画指标树（手绘/工具均可）
输出：指标树 + 每个指标的定义、计算方式、数据来源

子任务 3：漏斗分析

用 Python（pandas）对模拟或真实数据做漏斗分析：
- 定义漏斗步骤（如：访问 → 注册 → 首次使用 → 付费 → 续费）
- 计算每一步的转化率和整体转化率
- 找出最大流失环节
画漏斗图（plotly 或 matplotlib）
输出：漏斗图 + 流失分析（哪个环节流失最多、可能原因）

子任务 4：同期群分析

用 Python 对模拟或真实数据做同期群分析：
- 按注册时间分群（如：按周或按月）
- 计算每个群在后续各周期的留存率
- 画留存热力图（seaborn.heatmap）
分析：哪个时间段的群留存最好？为什么？
输出：留存热力图 + 同期群分析结论

子任务 5：经典案例研究

读 3 个经典案例，每个写 200 字分析：
- Netflix：如何用数据驱动内容决策（推荐算法、A/B 测试、原创内容投资）
- Uber：动态定价的指标体系（供需平衡、司机供给、乘客等待时间）
- Airbnb：搜索排名算法的指标体系（预订率、评价、房东响应速度）
输出：3 份案例分析 + 你学到的 3 个可迁移的方法论

子任务 6：SCQA 业务报告

用 SCQA 框架写一份业务分析报告（1000-1500 字）：
- 选一个你了解的业务场景
- Situation：当前业务状态
- Complication：遇到的问题或发现的机会
- Question：需要回答的核心问题
- Answer：数据驱动的行动建议（附带图表/数据支撑）
输出：完整 SCQA 报告

Step 4.5：💬 AI 教练对话

在做任务的过程中，用这 4 个 Prompt 和 AI 深度对话。每个 Prompt 标注了使用时机。

🕐 时机：子任务 1-2 期间——纠结北极星指标

我正在为一个在线教育平台设计指标体系。
我在纠结北极星指标选"课程完成数"还是"用户学习时长"。

请引导我思考：
1. 北极星指标的 3 个核心标准是什么？（反映用户价值、指导产品方向、可衡量）
2. "课程完成数"和"用户学习时长"分别偏向什么？如果一个用户花了 100 小时但一门课都没完成，哪个指标更好看？哪个更能反映真实价值？
3. 有没有可能两个指标都是错的？什么才是"用户真正获得的价值"？

不要直接推荐，让我权衡后你再补充。

🕐 时机：子任务 3 之后——漏斗最大流失点，不知如何深挖

我做了一个电商漏斗分析：
- 访问 → 浏览商品：80%
- 浏览商品 → 加入购物车：15%
- 加入购物车 → 下单：60%
- 下单 → 支付：95%

最大流失环节是"浏览商品 → 加入购物车"，只有 15%。
但我不确定该如何进一步分析这个问题。

请引导我思考：
1. 15% 的加购率，我该判断它是"高"还是"低"？需要什么参照物？
2. 流失可能发生在哪些细分维度？（提示我至少想 3 个维度）
3. 给我下一步分析的框架，不要直接说结论。

🕐 时机：子任务 4 之后——归纳模型规律

我刚完成了漏斗分析和同期群分析，发现：
- 漏斗的最大流失在"注册 → 首次使用"（45% 流失）
- 2024 年 1 月注册的用户群 7 日留存是 35%，2024 年 6 月注册的是 22%
- 留存下降和同期上线的一个新功能高度时间相关

请帮我：
1. 归纳"指标体系模型"——这些发现如何映射到北极星 → 一级 → 二级指标？
2. 引导我思考：如果这是你的产品，你的 SCQA 报告会怎么写？
3. 让我先尝试写 SCQA 的 S 和 C 部分，你评审后再继续。

注意：不要帮我写报告。

🕐 时机：子任务 6 之后——工程映射

假设你在字节跳动（或你熟悉的大厂），负责一个内容平台的数据分析。
产品经理问你："最近 DAU 下降了 5%，帮我分析原因。"

请引导我思考：
1. 你的第一步是什么？（提示：先确认数据准确性，再做维度拆解）
2. 你会从哪些维度拆解 DAU？（提示：新用户 vs 老用户、渠道、地区、内容类型...）
3. 如果拆解后发现"新用户留存下降"是主因，你的下一步分析是什么？
4. 最终如何把分析结论变成"行动建议"？（这就是 SCQA 的 Answer 部分）

让我先制定分析框架，你评审。

Step 5：关 AI 自测

⚠️ 关闭 AI 前提：完成所有任务后，合上 AI，独立回答以下 4 题。限时 30 分钟。每题都要给出判断 + 理由，不是回忆知识点，而是做判断。

📋 题 1：DAU 涨了 10%，但留存降了——健康还是虚假？

改编自费曼检验场景 1

扫地机器人 App 的 DAU 同比增长 10%，但 7 日留存率从 42% 降到 35%，30 日留存率从 28% 降到 22%。

请回答：

DAU 涨了是好事吗？你会怎么解读这组数据？
这个增长是"健康的"还是"虚假的"？判断依据是什么？
如果让你看 3 个额外指标来验证你的判断，你看哪 3 个？

📋 题 2：活动数据很好看——但能持续吗？

改编自费曼检验场景 2

「清扫打卡 21 天送耗材」活动上线一周：App 日活 1.2 万 → 1.5 万，清扫完成率 78% → 85%，耗材商城访问量 ×3。运营说"大成功"。

请回答：

你会用哪些指标判断"增长能不能持续"？（至少列出 3 个）
"耗材商城访问量翻 3 倍"是不是好事？还需要看什么？
如果要设计"活动效果评估"的指标体系，你的北极星指标选什么？为什么？

📋 题 3：DAU 涨了但付费在跌——北极星选错了吗？

改编自费曼检验场景 3

团队一直用「App DAU」作为北极星指标。但最近 DAU 涨、付费用户跌、客服投诉涨。有人提议改成「活跃用户的清扫完成率」或「用户 NPS」。

请回答：

你怎么评估当前北极星指标是否需要更换？（给出你的评估框架）
"清扫完成率"和"NPS"作为北极星，各有什么优劣？
更换北极星指标的代价是什么？有没有可能两个都不够好？

📋 题 4：GMV 涨 20%，成本涨 25%，退货率翻倍——怎么写 SCQA？

改编自费曼检验场景 4

扫地机器人耗材商城：GMV 同比 +20%，运营成本 +25%，退货率 3% → 7%。老板问："增长健康吗？下一步策略是什么？"

请回答：

用 SCQA 框架写出你的分析（S、C、Q、A 各 2-3 句话）
你用什么标准定义"健康"？为什么选这个标准？
你的 Answer 部分（行动建议）是什么？如何用数据支撑？

🤖 自测后追问 Prompt

我刚完成了数据分析第 5 关的自测，以下是我的回答：

题 1：[你的回答]
题 2：[你的回答]
题 3：[你的回答]
题 4：[你的回答]

请扮演一个持怀疑态度的高级数据分析师，对我的回答进行追问：
1. 每题至少追问 1 轮
2. 如果我的回答有漏洞，不要直接指出，而是用提问让我自己发现
3. 如果我的回答到位了，说"这个回答到位了"然后进入下一题
4. 追问要有递进性：第一轮问"为什么"，第二轮问"如果条件变了呢"，第三轮问"你确定吗？有没有反例？"
5. 不要直接给答案，永远用提问引导

Step 6：费曼输出 + 信心校准

一句话版本

用一句话解释本关核心。如果说不清，说明还没真懂。

（你的回答：___）

三分钟版本

假设你的同事是产品经理，不懂数据分析方法论。用 3 分钟讲清楚"指标体系、漏斗分析、SCQA"三者的关系。

（你的回答：___）

场景判断表格

| 场景 | 你用什么模型/方法？为什么？ | |------|--------------------------| | 产品经理问"最近 DAU 降了 5%，为什么？" | | | 北极星指标选 DAU 还是留存率？ | | | 漏斗中"加购→下单"转化率 60%，但绝对数只有 200 单——怎么评估？ | | | 给 CEO 写周报，第一段写什么？ | | | 同期群分析发现 1 月用户留存好于 6 月——下一步怎么分析？ | |

信心自评

| 维度 | 1-5 分 | 说明 | |------|--------|------| | 北极星指标设计（选择标准 + 拆解） | /5 | | | 漏斗分析（转化率 + 绝对数 + 维度拆解） | /5 | | | 同期群分析（留存曲线解读） | /5 | | | SCQA 框架应用 | /5 | | | "给数据 vs 给结论"的判断 | /5 | | | 总分 | /25 | 20+ 通关 |

📘 精准阅读

| 资源 | 精确位置 | 解决什么问题 | |------|---------|-------------| | 《精益数据分析》 | 第 2-3 章 | 不同业务类型的指标体系设计 | | 《金字塔原理》 | 第 1-4 章 | SCQA 框架和逻辑表达 | | 《数据化决策》 | 全书 | 如何用数据做决策而非凭直觉 | | Netflix Tech Blog | netflixtechblog.com | 数据驱动文化的真实案例 | | Airbnb Engineering | medium.com/airbnb-engineering | 搜索排名和指标体系的工程实现 |

⚠️ 常见误区

误区：指标越多越好 指标泛滥导致"什么都看但什么都不看"。一家公司如果有 50 个 KPI，等于没有 KPI。北极星指标只应该有一个——它回答"我们到底在优化什么"。一级指标控制在 3-5 个，二级指标按需添加。
误区：直接给数据不给结论 业务方要的是"所以呢？"，不是"这是数据"。你的分析报告不应该以一张表格结尾，而应该以一个明确的行动建议结尾。数据是证据，结论才是交付物。
误区：漏斗分析只看转化率不看绝对数 100 → 10 是 10% 转化，10000 → 500 是 5% 转化。后者转化率更低，但绝对价值更大（500 个用户 > 10 个用户）。看转化率的同时必须看绝对数，否则会做出错误决策。
误区：同期群分析只看第一个周期 真正的留存曲线要看 1 周 / 2 周 / 1 月 / 3 月的趋势。只看 Day 1 留存会错过长期模式——有些产品的留存是"U 型"的（早期流失但后来回来），只看短期会误判。

🔗 工程映射

| 数据分析概念 | 真实工程场景 | 为什么会发生 | |-------------|-------------|-------------| | 指标体系 | 产品数据中台 | 字节跳动的指标字典、美团的数据看板——没有统一的指标体系，数据团队和业务团队无法对话 | | 漏斗分析 | 电商转化优化 | 加购物车 → 下单 → 支付，每一步的流失都意味着收入损失，漏斗分析帮你找到"最大的漏水点" | | 同期群分析 | SaaS 客户留存 | 不同注册时间的客户留存曲线对比，判断产品改动是否改善了留存 | | SCQA 框架 | 管理咨询报告 | 麦肯锡的金字塔原理就是 SCQA——先给结论，再给支撑，最后给数据 |

✅ 通关标准

[ ] 为一个真实场景定义北极星指标，写出选择理由
[ ] 设计三层指标体系（北极星 → 一级 → 二级）
[ ] 完成漏斗分析，找出最大流失环节
[ ] 完成同期群分析，画出留存热力图
[ ] 写出 3 份经典案例分析
[ ] 用 SCQA 框架完成一份业务分析报告
[ ] 自测 4 题总分 ≥ 20/25
[ ] 费曼输出能让非技术人员理解

🎉 恭喜通关

到这里，你已经掌握了数据分析的完整闭环：

看懂数据（描述性统计、分布、异常值）
发现关系（相关性、回归）
判断靠谱（假设检验、A/B 测试）
讲好故事（可视化、仪表盘）
驱动决策（指标体系、SCQA 报告）

接下来，选择一个你感兴趣的方向深入：

机器学习：从回归到分类到深度学习
数据工程：ETL、数据仓库、实时流处理
商业分析：定价策略、市场分析、竞争情报
产品分析：增长黑客、用户研究、实验设计

数据只是工具，洞察力才是稀缺能力。保持好奇，持续实践。

📚 论文阅读清单

阅读策略

泛读（30-40 篇）：读摘要 + 图表 + 结论，3-5 分钟/篇，记一句话笔记精读（8-10 篇）：逐段读，复现核心方法，记详细笔记研读（2-3 篇）：跟着做实验/改参数，作为通关论文的参考

搜索渠道：Google Scholar、arXiv、Semantic Scholar、Papers With Code

🔴 必读（精读 8-10 篇）

| # | 论文 | 来源/年份 | 核心方法 | 一句话总结 | 状态 | |---|------|----------|---------|-----------|------| | 1 | Choosing the Right Product Metrics — Brian Balfour | Reforge（博客/课程） | 北极星指标框架的提出者 | Reforge 的北极星方法论影响了整个互联网行业的指标设计 | ⬜ | | 2 | HEART: A Framework for Measuring User Experience — Rodden, Hutchinson, Fu | Google Research, 2010 | HEART 框架（Happiness、Engagement、Adoption、Retention、Task Success） | 用户体验度量不能只看一个指标，Google 给了系统性的框架 | ⬜ | | 3 | Measuring the Customer Experience with AARRR — Dave McClure | 500 Startups, 2007 | AARRR 漏斗模型（Acquisition、Activation、Retention、Revenue、Referral） | 增长黑客的"海盗指标"，几乎所有增长团队都在用 | ⬜ | | 4 | Survival Analysis for Customer Retention — Liu et al. | Statistics and Computing, 2021 | 生存分析在客户留存中的应用 | 留存分析不只是"第 N 天回来的比例"，生存分析给你更精细的建模 | ⬜ | | 5 | A Framework for Analyzing Business Data: The Balanced Scorecard — Kaplan, Norton | Harvard Business Review, 1992 | 平衡计分卡（财务/客户/内部流程/学习成长） | 指标体系设计的鼻祖，虽然年代久远但思想依然有效 | ⬜ | | 6 | The One Metric That Matters — Mark MacLeod | For Entrepreneurs, 2013 | "唯一关键指标"方法论 | 指标泛滥的解药——如果只能看一个指标，你选什么？ | ⬜ | | 7 | Data Maturity Model: A Framework for Assessing Organizational Data Capability — Gartner | Gartner Research | 数据分析成熟度模型 | 你的组织在数据分析上的水平如何？成熟度模型帮你定位 | ⬜ | | 8 | Causal Impact: An R Package for Causal Inference in Time Series — Brodersen et al. | Google Research, 2015 | 时间序列因果推断评估干预效果 | 没法做 A/B 测试时，用时间序列因果推断评估干预效果 | ⬜ |

自行补充

搜索关键词：north star metric framework product management、user lifecycle model product analytics、cohort analysis customer retention、metric taxonomy business intelligence、product analytics framework growth、key driver analysis regression、data-driven decision making organizational、OKR metrics alignment、customer health score SaaS、causal impact metric design

🟡 推荐阅读（泛读 30-40 篇）

搜索关键词：

north star metric framework product management（北极星指标框架）
user lifecycle model product analytics（用户生命周期模型）
cohort analysis customer retention（同期群分析与客户留存）
metric taxonomy business intelligence（指标分类体系）
product analytics framework growth（增长分析框架）
key driver analysis regression（关键驱动因素分析）
data-driven decision making organizational（数据驱动决策的组织层面）
OKR metrics alignment（OKR 与指标对齐）
customer health score SaaS（SaaS 客户健康度评分）
causal impact metric design（因果驱动的指标设计）

泛读笔记：

| # | 论文 | 来源 | 跟我什么关系（一句话） | 状态 | |---|------|------|---------------------|------| | 1 | Lean Analytics: Use Data to Build a Better Startup Faster — Croll, Yoskovitz | O'Reilly, 2013（书籍） | 不同业务阶段的指标重点不同，这本书帮你找到"该看什么" | ⬜ |

自行补充

目标积累 30-40 篇一行笔记，用上面的搜索关键词在 Google Scholar 搜索。

🟢 研读候选（选 2-3 篇）

| # | 论文 | 为什么选这篇 | 状态 | |---|------|------------|------| | 1 | | | ⬜ | | 2 | | | ⬜ | | 3 | | | ⬜ |

自行补充

从精读中选出最有价值的 2-3 篇，作为通关论文写作的主要参考。

📚 喵喵的笔记库

探索

第 5 关：军师 — 用数据驱动业务决策

第 5 关：军师 — 用数据驱动业务决策

🎯 本关目标

Step 1：本关资料（海量输入）

📐 数学补给站

Step 2：本关心智模型

模型 1：指标体系模型

模型 2：漏斗分析模型

模型 3：SCQA 数据故事模型

Step 3：本关分歧点

分歧 1：北极星指标到底该选"量"还是"质"？

分歧 2：漏斗分析看转化率还是看绝对数？

分歧 3：给数据还是给结论？

Step 4：闯关任务（动手验证）

子任务 1：定义北极星指标

子任务 2：构建三层指标体系

子任务 3：漏斗分析

子任务 4：同期群分析

子任务 5：经典案例研究

子任务 6：SCQA 业务报告

Step 4.5：💬 AI 教练对话

🕐 时机：子任务 1-2 期间——纠结北极星指标

🕐 时机：子任务 3 之后——漏斗最大流失点，不知如何深挖

🕐 时机：子任务 4 之后——归纳模型规律

🕐 时机：子任务 6 之后——工程映射

Step 5：关 AI 自测

📋 题 1：DAU 涨了 10%，但留存降了——健康还是虚假？

📋 题 2：活动数据很好看——但能持续吗？

📋 题 3：DAU 涨了但付费在跌——北极星选错了吗？

📋 题 4：GMV 涨 20%，成本涨 25%，退货率翻倍——怎么写 SCQA？

🤖 自测后追问 Prompt

Step 6：费曼输出 + 信心校准

一句话版本

三分钟版本

场景判断表格

信心自评

📘 精准阅读

⚠️ 常见误区

🔗 工程映射

✅ 通关标准

🎉 恭喜通关

📚 论文阅读清单

🔴 必读（精读 8-10 篇）

🟡 推荐阅读（泛读 30-40 篇）

🟢 研读候选（选 2-3 篇）

关系图谱

反向链接