数据科学家

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

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

真实工作流​

推荐智能体​

完整对话示例​

关键步骤​

最终成果​

真实工作流

推荐智能体

完整对话示例

关键步骤

最终成果