数据科学家
月活掉了 8%，运营说是活动停了，产品说是新版改坏了，老板说"你们用数据说话"。三个假设摆在桌上，你需要一个能跑漏斗、做分群、出结论的分析搭档。
真实工作流
数据科学场景不是“让 AI 找洞察”，而是当团队已经有数据和争议假设时，用分析把问题收敛到可验证的方向。
| 维度 | 真实情况 |
|---|---|
| 触发点 | 用户流失上升、转化下降、A/B 实验结果不清、运营策略需要复盘 |
| 现有材料 | 行为日志、用户画像、渠道来源、版本变更、实验分组和业务假设 |
| 卡点 | 指标变化背后原因不明确，不同团队各有解释，缺少统一分析框架 |
| DesireCore 介入 | 数据分析师做漏斗、分群、异常检测和预测模型初版，整理可验证假设 |
| 验收结果 | 团队拿到优先级排序、实验建议和监控指标，再决定产品或运营动作 |
使用前后对比
| 环节 | 使用前（人工） | 使用后（DesireCore） |
|---|---|---|
| 假设验证 | 各团队各执一词，没有统一分析框架 | 提供数据和假设后，按漏斗/分群/对比逐一验证 |
| 特征工程 | 手动构造特征、跑 SQL，耗时一天 | 说明分析目标后自动建议特征和分群维度 |
| 建模初版 | 从调参到评估，基础模型也要 2-3 天 | 快速产出基线模型和评估指标，指明优化方向 |
| 结论输出 | 分析完还要花时间做图表写结论 | 图表 + 结论 + 建议一并输出，可直接汇报 |
| 实验设计 | A/B 测试分组和样本量全凭经验 | 自动计算所需样本量，建议分组策略和评估指标 |
推荐智能体
数据分析师 -- 适合统计分析、预测模型、用户分群、异常检测和运营监控仪表盘。
完整对话示例
你: 分析我们 App 的用户行为数据，找出用户流失的原因。
[上传 user_behavior.json]
数据分析师: 正在进行用户行为分析...
用户概况
- 总用户数：50,000
- 月活用户（MAU）：32,000（64%）
- 本月流失用户：3,200（6.4%）
用户旅程漏斗
注册 → 首次使用 → 激活 → 留存 → 付费
100% 78% 45% 32% 8%
关键流失节点
注册 → 首次使用：流失 22%（行业平均 15%）
首次使用 → 激活：流失 42%（行业平均 35%）
流失原因分析
1. 新手引导流程过长（35% 用户提及）
平均完成时间 8 分钟，建议缩短至 3-5 分钟
2. 核心功能入口不明显（28% 用户提及）
68% 用户在首页停留超 30 秒未操作
3. 首次使用无价值感（22% 用户提及）
72% 未体验到核心功能即退出
用户分群
高价值用户（8%）：日均使用 30+ 分钟
潜力用户（24%）：每周 3+ 次但未付费
流失风险用户（18%）：连续 7 天未登录
预测
不采取措施：下月流失率上升至 8.5%
优化新手引导：预计降低流失率 2-3%
你: 能给出一个优先级排序的改进方案吗？
数据分析师: 改进优先级排序（按预期效果）：
P0：缩短新手引导流程（影响面最大）
P1：首页增加核心功能引导
P2：设计首次使用奖励机制
P3：对流失风险用户推送召回内容
...
关键步骤
- 定义业务问题 -- 先明确是流失、转化、留存、付费还是活跃问题
- 整理事件口径 -- 确认用户 ID、事件名、时间戳、渠道、版本和实验分组是否一致
- 做漏斗和分群 -- 按新老用户、渠道、设备、版本、行为深度拆解变化
- 形成可检验假设 -- 把“新手引导太长”“入口不明显”等假设和数据证据对应起来
- 建模和监控 -- 模型只作为风险排序，最终要落到可监控指标和实验方案
- 产出行动优先级 -- 按影响面、实施成本、验证周期和风险排序
最终成果
一份用户行为分析报告，包含数据口径说明、漏斗分析、流失归因、用户分群、预测模型初版、监控指标和按优先级整理的实验建议。
最佳实践
- 数据越完整，分析越准确。最好包含用户行为事件、时间戳、设备信息等维度
- 先做全局分析了解整体情况，再针对具体问题深入。避免一上来就钻进细节
- 分析结果要落地为可执行的产品改进项，可以让智能体按影响面、实施成本和验证方式排序
- 用户行为分析不要直接跳到“原因”，先确认埋点口径、版本变化和样本构成是否稳定