【数据分析八步法】分层拆解差异并检验原因假设

上一章发现，模拟数据中两店合计净收入下降 1000 元，A 店减少 3000 元，B 店增加 2000 元。运营经理随即说：“一定是 A 店促销不够，给它加预算吧。”这句话把观察直接跳到了原因和行动。分析师小周需要回答得更谨慎：A 店确实贡献了下降，但现有数据并没有证明“促销不足”是原因，增加预算也未必是有效方案。数据分析第六步是把差异拆解成可检验的解释，再为每个解释寻找能区分真伪的证据。本文继续使用虚构示例，展示从算术分解、候选假设到效果检验的工作路径。发现关联不能直接宣称因果；实验与对照方案也必须考虑分配方式、样本量和执行偏差。文章目录先做可以成立的算术分解为每个候选原因写出反证条件区分关联证据与效果证据用流程图约束验证顺序验证结果怎样交给报告作者总结先做可以成立的算术分解对于已经对齐口径的订单数据，净收入可以写成“有效订单数 × 每单净收入”。这个恒等关系能够帮助定位变化发生在哪个部分，但它不是因果模型。示例中 A 店订单数从 120 变成 90，每单净收入都为 100 元，因此净收入少了 3000 元。我们知道减少来自订单数量，不知道为什么订单数量少了。A 店指标前期后期能说明什么有效订单数12090交易次数减少 30 单每单净收入100 元100 元本例订单均值未变化净收入12000 元9000 元按相同口径减少 3000 元若门店营业天数减少、库存不足、进店人数下降，或支付系统漏记了某些订单，都可能带来相似结果。这些解释要从不同来源取得证据。小周不会因为一个故事