览众赛道任务书核心术语解析与答辩备问

适用任务：淘宝用户行为数据复盘与运营优化

主要依据：任务书_览众赛道.md

阅读对象：第一次接触电商数据分析、需要准备项目答辩的同学

使用原则：以任务书术语为主，以本组实际项目为例，不要求掌握无关的编程和系统开发知识

一、怎么使用这份文档

不需要从头到尾死记硬背。建议按下面的顺序准备：

先读“项目全流程”和“必须先讲清的数据边界”；
重点掌握 PV、UV、访客深度、转化率、动销率、复购率；
再理解看板、推荐、归因和运营建议；
最后用“高频追问”和“答辩速记页”进行组内模拟提问。

遇到一个术语时，可以用五个问题检查自己是否真正理解：

它是什么？
为什么要计算或使用它？
它怎么计算？
它最容易被误解成什么？
如果老师追问，我能否用一句话说清楚？

建议学习优先级

这份文档用于查阅，不要求所有内容一次背完。时间有限时按下面三层准备：

必须掌握： 一行数据代表什么、数据清洗、指标口径、PV、UV、访客深度、转化率、转化漏斗、动销率、复购率、用户分层、隐式反馈、物品共现、归因五步法、相关与因果。
能够解释： 数据粒度、缺失值、异常值、重复行、维度、数据切片、热力图、联动筛选、Top-5、采样、运营建议和验证指标。
查阅即可： 文件格式、分类映射细节、工程化、版本和操作手册等辅助术语。

二、先看懂整个项目在做什么

本项目研究的是一段时间内用户对商品产生的浏览、收藏、加购和购买行为。整个分析过程可以概括为：

原始用户行为数据
  → 数据探查与质量检查
  → 清洗和规范化
  → 定义指标口径
  → 按日期、小时、类目和用户等维度计算
  → 制作可视化看板
  → 发现业务现象
  → 提出原因假设并验证
  → 给出运营建议和验证方案

任务书中的子题并不是互不相关的作业。前一题的结果是后一题的基础：

任务	主要解决的问题	主要产出
数据体检与规范化	数据能不能直接用于分析	清洗数据、质量检查表
核心指标计算	用什么数字衡量用户行为	指标计算表、指标字典
多维可视化	怎样快速发现趋势和异常	交互式看板、设计说明
关联商品推荐	哪些商品经常被同一批用户接触	Top-5关联商品、方法说明
业务复盘与优化	发生了什么、可能为什么、建议做什么	复盘报告、运营方案
答辩包装	怎样让别人理解并相信结果	PPT、讲稿、操作手册

本组实际项目与任务书的关系

任务书给出的原始全集规模是100,150,807条行为记录、987,994名用户、4,162,024个商品和9,439个类目。本组实际项目经过清洗后保留100,095,182条行为记录，覆盖987,991名用户、4,161,138个商品和9,437个原始类目，共排除55,625条不符合正式分析规则的记录。

这两组数字不矛盾：前者是任务书描述的原始数据规模，后者是实际清洗后进入正式分析的数据规模。答辩时必须主动说明统计阶段和口径，不能把两者混为一谈。

本组还制作了Metabase BI仪表盘和Streamlit分析后台。它们是任务书要求的指标、维度和业务分析的展示载体，不是另一套互不相关的项目。

三、数据集与字段基础

1. UserBehavior用户行为数据集

是什么： 记录淘宝用户在一定时间内对商品进行浏览、收藏、加购和购买的数据。每一行是一条行为记录。

本项目中的时间范围： 2017年11月25日至12月3日，共9天。

能回答的问题： 什么时间流量高、用户对哪些商品更感兴趣、行为怎样向购买转化、哪些用户发生重复购买等。

不能直接回答的问题： 为什么用户放弃购买、商品是否缺货、广告投放了多少钱、用户真实年龄和收入是多少。因为原始数据没有这些字段。

答辩说法： “UserBehavior是一份行为日志数据，它记录用户在什么时间对哪个商品产生了哪种行为，但不包含价格、库存、营销活动和用户画像，因此我们能分析行为现象，不能凭空断定背后的真实原因。”

2. 一行数据代表什么

一行表示“某个用户在某个时间对某个商品产生了一次行为”，不是一个用户、一个商品或一张订单。

例如：

用户ID	商品ID	类目ID	行为	时间
1001	501	23	pv	2017-12-02 20:15

这行只能说明用户1001在该时刻浏览过商品501。它不能说明用户一定喜欢该商品，也不能说明后来一定购买。

这个“一行代表什么”叫作数据粒度。弄错粒度会导致重复统计和错误公式。

3. 用户ID、商品ID和类目ID

用户ID（user_id）： 用户的匿名编号，用来区分用户和进行去重。
商品ID（item_id）： 商品的匿名编号，用来区分商品。
商品类目ID（category_id）： 商品所属类别的匿名编号。

这些ID是序列化ID，主要用于区分对象，不应根据编号大小推测用户价值或商品等级。例如，商品ID更大不代表商品更贵或更新。

4. 行为类型：pv、fav、cart、buy

代码	中文含义	能说明什么	不能直接说明什么
pv	浏览商品详情页	用户接触了商品	用户一定感兴趣
fav	收藏商品	用户表达了收藏意向	用户一定会购买
cart	加入购物车	用户表达了较强购买意向	已经产生订单
buy	购买行为	记录了一次购买行为	等于一张真实订单

buy不能直接叫“订单”。原始数据没有订单号，一张真实订单也可能包含多个商品。比较稳妥的说法是“购买行为记录”或“购买事件”。

5. 时间戳

时间戳是行为发生时间的机器记录。把时间戳转换为日期、小时和时段后，才能做日趋势、小时趋势和热力图。

需要注意时区和格式必须统一。否则同一个时间戳可能被转换成不同日期，造成日统计错误。

6. CSV、无表头和分片文件

CSV： 用逗号分隔各字段的文本数据文件。
无表头： 文件第一行就是数据，没有字段名称，需要按任务书规定补上字段名。
分片文件： 因为一亿行数据太大，组委会将全集拆成9个文件。分片只是存储方式，合并统计时必须防止遗漏或重复。

答辩不需要讲CSV底层技术，只需说明：“数据量较大，因此使用分片加载和统一合并，避免直接用普通表格软件打开导致卡顿或截断。”

数据使用边界与CC BY-NC-SA 4.0

任务书规定只能使用组委会统一提供的分片数据，不能自行下载其他版本替换，也不能引入其他数据集。这是为了保证各组输入一致、结果可比。

CC BY-NC-SA 4.0可作如下小白理解：使用和分享时要注明来源，不能用于商业用途；如果在原内容基础上改编并分享，应采用相同许可。答辩中不需要背协议全文，但要知道数据不能冒充自有数据，也不能隐去来源。

7. 观察周期

观察周期是本次分析能看到的时间范围。本项目只有9天，因此所有“未购买”“复购”“高活跃”等判断都只代表这9天内的状态。

例如，用户12月3日加购但没有购买，可能在12月4日购买，只是数据已经结束。因此不能直接称其为永久流失用户。

四、数据体检、清洗与规范化

8. 数据探查

数据探查是正式分析前对数据进行“摸底”，通常包括：

总记录数；
独立用户数；
独立商品数；
四类行为分布；
最早和最晚时间；
缺失、异常和重复情况。

它的作用类似体检：先了解数据是否完整、是否符合预期，再决定清洗规则。

9. 缺失值与缺失率

缺失值是某个字段本来应该有值，但实际为空。缺失率的常用公式是：

缺失率 = 某字段缺失记录数 ÷ 总记录数 × 100%

缺失值不能一律删除。处理前要判断：该字段是否关键、缺失比例多大、能否合理补充、删除是否会造成偏差。

如果没有缺失，也要在质量报告中写明检查方法和“未发现缺失”的结论。没有问题不等于没有做检查。

10. 异常值

异常值是违反数据规则或明显不合理的值。在本任务中主要包括：

行为类型不是pv、fav、cart、buy；
时间超出2017年11月25日至12月3日；
关键ID无法正常识别；
字段数量与规定不一致。

要区分两种“异常”：

数据异常： 数据格式或取值不合法，需要清洗或修复；
业务异常： 数据合法，但业务表现与平常不同，例如某天流量突然上升，需要分析原因。

11. 重复行

重复行是五个原始字段完全相同的记录重复出现。它可能来自数据重复写入，也可能是用户在极短时间内重复操作。

因此不能看到相似记录就删除。必须先定义“完全重复”的规则，并在质量报告中记录删除数量。相同用户多次浏览同一商品不一定是脏数据，因为用户确实可能重复浏览。

12. 数据清洗

数据清洗是根据明确规则处理缺失、异常、重复和格式问题，使数据适合后续分析。

清洗的关键不是“删得越多越干净”，而是：

每条规则有理由；
清洗前后数量可对账；
被排除的数据可以说明原因；
同样的规则再次执行能得到同样结果。

本组实际项目的对账关系是：

100,150,807条原始记录
- 55,625条排除记录
= 100,095,182条清洗后记录

答辩说法： “我们没有为了得到好看的结论而删数据，而是依据预先定义的时间范围、字段合法性和重复规则清洗，并用清洗前、排除、清洗后三项控制数进行对账。”

13. 数据规范化

数据规范化在本任务中主要指统一表达方式，例如：

统一中英文字段名称；
统一日期时间格式；
统一行为代码；
统一数值和百分比格式。

它与数据清洗的区别是：清洗解决“数据是否有效”，规范化解决“有效数据是否采用统一表达”。

14. 数据质量检查表

数据质量检查表应至少记录：

检查项	检查规则	问题数量	处理方式	清洗后结果
缺失值	关键字段不能为空	填写检查所得数量	删除、保留或修复	填写处理后的数量
行为异常	只允许四种行为	填写检查所得数量	排除异常值	填写处理后的数量
时间异常	必须在9天内	填写检查所得数量	排除	填写处理后的数量
完全重复	五字段完全一致	填写检查所得数量	按规则去重	填写处理后的数量

“可追溯”是指别人能从结果追查到数据来源、清洗规则、统计口径和版本，而不是只看到一个无法解释的数字。

五、核心指标与计算口径

15. 指标、维度和指标口径

指标： 用数字衡量业务现象，例如PV、UV、转化率。
维度： 从什么角度拆分指标，例如日期、小时、类目、用户购买频次。
指标口径： 指标的完整计算规则，包括统计对象、时间范围、筛选条件、分子、分母和去重方式。

例子：“12月2日手机数码类目的UV”中，UV是指标，日期和类目是维度，“只统计pv用户并按user_id去重”是口径。

答辩关键： 公式相同但统计范围不同，结果也不能直接比较。回答指标问题时先说口径，再说数值。

16. PV（浏览量）

PV是Page View的缩写，在本数据集中通常指behavior_type = pv的行为记录数。

PV = 浏览行为记录数

同一用户浏览同一商品10次，通常计为10个PV，所以PV不去重。

业务作用： 衡量页面或商品被浏览的总次数，反映流量规模。

常见误区： PV高不等于用户多，也不等于购买效果好。可能只是少数用户反复浏览。

答辩说法： “PV统计浏览次数，不对用户去重，用来衡量流量规模。”

17. UV（独立访客数）

UV是Unique Visitor的缩写，通常指在指定范围内发生浏览行为的去重用户数。

UV = 对发生pv行为的user_id去重计数

同一用户浏览10次，UV仍然只计1。

需要区分：

浏览UV： 有pv行为的去重用户；
活跃用户数： 有任意一种行为的去重用户。

两者不能不加说明地混用。

答辩说法： “UV按用户去重，回答有多少不同用户来过；PV不去重，回答一共浏览了多少次。”

18. 访客深度

任务书给出的访客深度公式为：

访客深度 = PV ÷ UV

例：某天有1,000次浏览、200名浏览用户，访客深度为5次/人。

它表示平均每名访客产生多少次浏览。数值较高可能表示用户探索较多，也可能表示用户反复寻找仍未找到目标，所以不能单独判断好坏，需要结合加购、购买和页面体验分析。

19. 转化率

转化率衡量用户或行为从前一个阶段进入目标阶段的比例。

转化率 = 完成目标的对象数 ÷ 具备转化资格的对象数 × 100%

真正困难的不是除法，而是“对象”和“转化资格”怎么定义。常见口径包括：

行为次数口径：购买行为数 ÷ 浏览行为数；
用户口径：购买用户数 ÷ 浏览用户数；
用户—商品口径：浏览后购买的用户—商品对 ÷ 浏览用户—商品对；
严格路径口径：同一用户对同一商品先发生前序行为、后发生目标行为。

这些口径含义不同，不能把结果放在一起直接比较。

20. 浏览到加购转化率

小白版理解：浏览商品后，有多少对象进一步加入购物车。

推荐答辩表达：

浏览到加购转化率
= 浏览后发生加购的用户—商品对
  ÷ 发生浏览的用户—商品对 × 100%

如果团队实际采用行为次数口径，也可以使用，但必须明确写成“加购行为量 ÷ 浏览行为量”，不能称为严格用户路径。

21. 加购到支付转化率

小白版理解：加入购物车后，有多少对象在观察期内进一步购买。

严格口径可写为：

加购到购买转化率
= 加购后发生购买的用户—商品对
  ÷ 发生加购的用户—商品对 × 100%

本组实际看板采用严格路径后得到加购到购买转化率6.1202%。这个数字的意义是“符合严格路径定义的加购对象中，之后购买的比例”，不是所有购物车在现实中最终成交的长期比例。

22. 整体转化率

任务书中的“整体转化率”必须在指标字典中明确口径。常见选择是：

整体用户转化率 = 购买用户数 ÷ 浏览用户数 × 100%

更严格时，应使用“既浏览又购买的用户”作为分子，避免把没有发生浏览记录的购买用户错误计入浏览转化。

不建议在没有说明时直接使用buy行为数 ÷ pv行为数，因为行为次数并不等于用户人数。

23. 转化漏斗

转化漏斗用于展示用户从前一阶段到后一阶段逐步减少的过程。任务书给出的展示顺序是：

浏览 → 收藏 → 加购 → 支付

但现实中用户不一定严格按这个顺序行动。用户可能浏览后直接购买，也可能加购但不收藏。因此：

如果只是展示四种行为量，应称为“行为量对比”或“宽口径漏斗”；
如果称为严格路径，必须验证同一用户、同一商品和行为先后时间；
收藏和加购更适合作为两条可能路径，不一定强行串成一条线。

本组实际BI看板没有把四类总行为量画成伪线性漏斗，而是分别计算浏览→购买、加购→购买、收藏→购买等严格路径。这是对任务书指标的口径深化。

24. 动销率

动销商品是观察范围内至少发生过一次购买行为的商品。

动销率 = 有buy行为的商品数 ÷ 当前范围内商品总数 × 100%

例：某类目有100个商品，其中30个至少被购买过一次，动销率为30%。

动销率回答“有多少商品卖动了”，转化率回答“流量或用户有多少转成购买”，两者不是一回事。

分母必须说明：是数据中出现的全部商品、被浏览商品，还是在售商品。原始数据没有真实在售商品清单，所以本项目只能按数据可观察范围定义。

25. 复购率

复购表示用户在观察期内发生重复购买。常见口径是：

复购率 = 购买次数达到2次及以上的用户数
       ÷ 至少购买1次的用户数 × 100%

但本数据没有真实订单号，“购买次数”可能按buy记录数、不同商品数、不同日期购买等方式定义。因此必须在指标字典中明确团队采用哪一种。

更稳妥的本项目表达是“观察期内重复购买行为用户占比”，不要把9天内没有重复购买的用户称为长期不复购用户。

26. 四个主要分析维度

按日： 看9天内趋势和峰值。
按小时： 看一天24小时的活跃规律。
按类目： 比较不同商品类别的流量和购买表现。
按购买频次： 比较单次购买与重复购买用户。

“数据切片”就是按某些维度筛选或拆分数据。例如只看12月2日、某个类目或复购用户群体。

六、多维可视化看板

27. BI看板和交互式看板

BI是Business Intelligence，即商业智能。BI看板把关键指标和图表集中展示，帮助使用者快速发现趋势、差异和需要进一步核查的问题。

“交互式”表示用户可以通过筛选器改变观察范围，图表随之更新。看板的价值不在图多，而在每张图都能回答明确的业务问题。

本组实际成果使用Metabase制作专题BI仪表盘，并使用Streamlit提供综合分析和条件查询。答辩时无需展开工具实现，重点说明它们展示了哪些指标、支持什么决策。

28. 指标卡

指标卡用一个醒目的数字展示核心规模或表现，例如总行为量、UV、购买行为量。指标卡必须带上时间范围和口径，否则一个大数字没有解释价值。

29. 双轴趋势图

双轴趋势图用左右两个纵轴展示数量级不同的指标，例如PV和UV。

优点是可以同时观察趋势，风险是两个轴的刻度可被人为调整，造成“走势非常一致”的错觉。因此要看真实数值和变化率，不能只看线条形状。

如果PV与购买行为相差太大，也可以分图展示，避免小数值系列被压平。本组实际后台就将浏览与收藏、加购、购买分开绘制。

30. 排行与占比

排行： 比较谁高谁低，例如类目购买Top10。
占比： 某类目指标占全部指标的比例。

排行高只说明规模大，不代表效率高。类目浏览量第一，可能只是流量多；还要结合购买用户率、动销率和样本量分析。

31. 用户分层

用户分层是根据行为特征把用户分成容易理解的群体，例如单次购买用户、复购用户、仅浏览用户、仅意向用户。

分层的目标是对不同群体采取不同分析和运营方式，而不是给用户贴永久标签。分层规则可能重叠时，人数不能直接相加。

32. 日×小时热力图

热力图用颜色深浅表示数量大小。日×小时热力图的横轴通常是小时、纵轴是日期，颜色代表PV或其他行为量。

它能回答“哪些日期的哪些小时更活跃”，但不能证明某个时段导致购买增加。颜色还会受色阶范围影响，答辩时应结合具体数值说明。

33. 联动筛选

联动筛选是选择日期、类目或购买频次后，相关图表同步更新。

筛选器只能连接拥有相应字段的图表。例如没有日期字段的全周期类目汇总，不能强行套用日期筛选，否则容易显示空结果或产生误解。

34. 图表必须回答业务问题

图表	主要回答的问题
日趋势图	哪一天出现峰值或异常变化
小时趋势/热力图	用户主要在什么时间活跃
类目排行	哪些类目贡献主要流量或购买
用户分层图	用户由哪些行为群体构成
转化图	哪个行为环节损失较大

答辩不要只说“这里用了折线图”。更好的说法是：“这张折线图回答9天内流量和购买是否同步变化。”

七、关联商品推荐

35. 推荐系统

推荐系统根据用户历史行为或商品之间的关系，为用户或商品生成可能相关的内容。本任务采用的是较容易理解的“物品共现”方法，不是复杂的人工智能预测模型。

36. 显式反馈与隐式反馈

显式反馈： 用户直接给出评分、点赞或评价。
隐式反馈： 从浏览、收藏、加购和购买等行为推测兴趣。

UserBehavior没有评分，因此四类行为都属于隐式反馈。隐式反馈只能说明用户发生过行为，不能证明用户真正喜欢商品。

37. 正向反馈

任务书把pv、fav、cart、buy都视为正向反馈，意思是这些行为都表示用户与商品产生了某种程度的接触或兴趣。

但四种行为强度并不完全相同。通常购买意向强于浏览。基础题可以统一当作正向交互，进一步优化时可以设置权重，但必须说明权重依据，不能随意设置后声称更准确。

38. 用户—商品交互集合

它表示一个用户与哪些商品发生过行为。构建集合时通常对同一用户与同一商品去重，避免用户反复浏览某商品导致共现次数被无限放大。

39. 物品共现

如果两个商品被同一用户交互过，就认为它们共现一次。多个用户都交互过这两个商品，共现频次就会增加。

例：

用户A交互：商品1、商品2、商品3
用户B交互：商品1、商品2

商品1与商品2共现2次；
商品1与商品3共现1次；
商品2与商品3共现1次。

共现频次高说明两个商品经常被同一批用户接触，但不一定说明它们功能相似。它们也可能是互补商品，或者只是都很热门。

40. 商品两两组合与Top-5

“两两组合”是把每个用户交互过的商品组成不重复的商品对。对每个目标商品，再按共现频次从高到低选择前5个，就是Top-5关联商品。

Top-5只是排序结果，不代表五个商品一定适合直接推荐。还要抽查类目关系、热门度和业务合理性。

41. 采样和每用户商品数上限

如果一个用户交互过n个商品，两两组合数量是：

n × (n - 1) ÷ 2

例如交互100个商品会产生4,950个商品对。极活跃用户会让计算量迅速增加，所以任务书允许限制每名用户的商品数或进行用户采样。

限制和采样会降低计算量，但也可能漏掉真实关系。因此报告必须记录采样范围、上限和局限，不能把样本结果冒充全集精确结果。

42. 推荐结果合理性评估

任务书要求判断关联商品落在同类目还是跨类目：

同类目可能表示替代、比较或相似兴趣；
跨类目可能表示搭配或互补需求；
热门商品可能因为用户多而与很多商品共现，需要警惕热门度偏差。

推荐结果评估不能只挑看起来合理的例子，还应主动展示不合理案例和方法局限。

八、业务复盘、诊断与归因

43. 数据复盘

数据复盘是回顾一个阶段内发生了什么、哪些表现值得关注、可能原因是什么、下一步做什么。它不是简单念图表，而是把多个指标组织成完整证据链。

44. 业务诊断

业务诊断是从数据现象中定位需要进一步核查的问题。本任务要求至少识别：

一个转化类问题；
一个复购类问题；
一个品类结构类问题。

“购买少”过于笼统。更好的诊断是：“12月2日流量明显增长，但购买增长幅度低于浏览增长幅度，需要进一步按小时、类目和路径核查转化效率。”

45. 归因分析五步法

任务书给出的五步是：

现象 → 拆解 → 假设 → 验证 → 结论

现象

数据直接显示的事实。例如：本组实际数据中，12月2日浏览量为12,329,641，购买行为为257,903，均为观察期峰值。

拆解

按日期、小时、类目、用户或行为路径进一步细分，寻找差异集中在哪里。

假设

对可能原因提出可验证猜想。例如：“峰值日新增流量的购买意愿可能较弱。”假设不是结论。

验证

使用更多指标、交叉维度或实验检查假设。如果数据没有库存、活动和价格字段，就不能验证这些原因。

结论

只陈述证据能够支持的范围。例如：“峰值日浏览增长快于购买增长，转化效率值得核查。”不能直接说“因为促销引入了低质量流量”，除非有促销和渠道证据。

46. 相关关系与因果关系

两个现象同时出现叫相关关系，不代表一个造成另一个。

例如，晚间浏览量和浏览后购买用户率都较高，只能说明晚间表现较高，不能证明“晚间营销导致转化提升”。要证明因果，通常需要随机对照实验、明确干预和排除其他因素。

答辩万能边界句： “当前数据支持我们发现相关现象和提出核查方向，但不足以直接证明因果关系。”

九、运营优化方案

47. 可落地建议

可落地建议必须说明：

针对哪个问题；
面向哪类用户、商品或时段；
采取什么动作；
谁来执行；
何时执行；
用什么指标判断效果。

“提高转化率”只是目标，不是行动。更具体的建议是：“对观察期内加购未购买用户设置分层提醒测试，并比较实验组与对照组的后续购买用户率。”

48. 预期收益与量化目标

预期收益是在明确假设下估算可能改善多少，不是对未来的保证。

如果写“复购率从52.9%提升到60%”，必须说明：

52.9%的计算口径和时间范围；
60%的依据；
影响人数或业务规模；
验证周期；
目标未达到时怎样判断原因。

没有可靠依据时，可以写成“目标值”或“情景测算”，不要写成“预计一定实现”。

49. 优先级与实施难度

优先级可以综合考虑：

影响规模；
问题严重程度；
数据证据强度；
实施成本；
风险；
见效时间；
是否容易验证。

优先级高不代表结论最确定，也可能只是影响大、值得先核查。

50. 验证指标、观察窗口和对照实验

验证指标： 判断建议是否有效的指标，例如浏览后购买用户率。
观察窗口： 实施建议后观察多长时间。
对照实验： 将相似对象分成实验组和对照组，只对实验组采取动作，比较两组变化。

只比较“实施后比实施前高”仍可能受到周末、流量结构或其他活动影响。条件允许时，对照组比简单前后对比更可靠。

十、分类映射附加题

51. 分类映射

分类映射是按照规则把原始ID转换为便于理解的分类标签。本题规定：

取category_id最后一位映射电商大类；
取item_id最后一位映射二级分类。

例如类目ID1327末位是7，就映射到编号7对应的大类。

52. 末位映射

末位映射的优点是规则简单、所有人执行结果一致、容易验证。它的局限是ID末位本来不是商品的真实业务属性。

因此必须明确：映射结果是任务规定的人工分类，用于训练数据映射和可视化能力，不是淘宝真实类目体系。

53. 近似均匀分布假设

该规则隐含假设ID末位0至9大致均匀，避免某个模拟大类数量过度集中。但即使分布均匀，也只能说明数量分配相对平均，不能证明分类在业务上真实合理。

答辩说法： “末位映射具有确定、可重复和便于教学的优点，但没有真实类目语义，所以我们会明确标注人工映射，不将其包装成平台真实分类。”

十一、答辩成果表达术语

54. 数据字典与指标字典

数据字典： 解释每个字段叫什么、是什么类型、代表什么、来自哪里。
指标字典： 解释每个指标的业务含义、公式、分子分母、维度、数据来源和限制。

字段回答“这一列是什么”，指标回答“这个数字怎么算”。

55. 操作手册

操作手册帮助老师或其他成员打开项目、使用筛选器、查看结果和处理常见问题。它不是项目报告的重复内容。

56. 工程化与版本

在本任务中，工程化可以理解为：文件结构清楚、命名规范、数据和文档齐全、别人能够重复操作、不同版本能够区分。

版本号用于说明成果迭代，例如v1、v2。答辩时要展示最终版本，避免PPT、数据和看板引用不同结果。

57. 答辩故事线

任务书建议的故事线是：

背景 → 问题 → 分析 → 建议 → 收益

推荐扩展成：

为什么分析
→ 使用什么数据
→ 如何保证数据可信
→ 发现什么现象
→ 怎样拆解和验证
→ 建议做什么
→ 如何验证建议有效
→ 项目有什么限制

一个成熟的答辩不是只讲亮点，也会主动说明限制。

十二、容易混淆的概念对照

概念A	概念B	核心区别
PV	UV	PV是浏览次数；UV是去重浏览用户数
行为量	用户数	一名用户可以产生多条行为
buy行为	订单	原始buy没有真实订单号
浏览量高	转化表现好	规模高不等于效率高
动销率	转化率	前者看卖动的商品比例，后者看前序对象转成目标的比例
复购用户	多条buy记录	必须按明确用户和时间口径判断复购
指标	维度	指标是计算什么，维度是从哪个角度拆分
数据清洗	数据规范化	前者处理有效性，后者统一表达方式
数据异常	业务异常	前者违反数据规则，后者是合法但异常的业务表现
行为量漏斗	严格路径	前者比较总量，后者验证同一对象和先后顺序
显式反馈	隐式反馈	前者是直接评分，后者从行为推测兴趣
商品共现	商品相似	共现表示被同一用户接触，不保证功能相似
数据现象	原因结论	现象可直接观察，原因需要额外证据验证
相关关系	因果关系	同时变化不代表一个造成另一个
预期收益	实际收益	前者是目标或假设，后者要实施后验证
人工映射类目	真实类目	前者按任务规则生成，后者来自真实业务体系

十三、老师高频追问与参考回答

1. 一行数据代表什么？

参考回答： 一行代表某个用户在某个时间对某个商品产生的一次行为，不代表一个用户、一件商品或一张订单。

不要说： “一行就是一个订单。”

2. 为什么PV不去重，UV要去重？

参考回答： PV衡量浏览总次数，所以保留重复浏览；UV衡量来了多少不同用户，所以按用户ID去重。

3. 用户数、商品数为什么和任务书略有不同？

参考回答： 任务书给的是原始全集概况，我们展示的是按正式规则清洗后的分析数据。清洗排除了55,625条记录，所以部分去重对象数也相应减少。两组数字属于不同处理阶段。

4. 为什么要清洗数据？

参考回答： 异常时间、非法行为或完全重复记录会影响统计结果。清洗是为了保证进入分析的数据符合统一规则，并通过清洗前后对账保证过程可追溯。

5. 没有缺失值，为什么还要做缺失检查？

参考回答： “没有缺失”本身也是通过检查得到的质量结论。报告应记录检查字段、方法和结果，而不是因为没有问题就省略过程。

6. 相同用户多次浏览同一商品是不是重复数据？

参考回答： 不一定。用户可能真实地重复浏览。只有符合预先定义的完全重复规则时才作为重复记录处理。

7. 访客深度越高是否越好？

参考回答： 不一定。它可能表示用户兴趣高、浏览充分，也可能表示用户反复寻找仍未找到目标，需要结合加购、购买和页面体验判断。

8. 转化率为什么最容易算错？

参考回答： 除法本身不难，难点是分子、分母、去重对象、时间范围和行为先后是否一致。我们会先定义口径，再报告数值。

9. 为什么不能直接用buy次数除以pv次数表示用户转化？

参考回答： buy次数和pv次数是行为量，不是用户人数。如果要表达用户转化，应按用户或用户—商品对去重，并保证分子属于分母对应的前序对象。

10. 浏览、收藏、加购、购买是不是严格漏斗？

参考回答： 不一定。用户可能浏览后直接购买，也可能加购但不收藏。四类总行为可以做宽口径展示，但严格漏斗需要验证同一用户、同一商品和行为顺序。

11. 本组为什么展示严格转化路径？

参考回答： 为了避免把四类行为总量误解成每个用户都按固定顺序转化，我们对同一用户—商品对和时间先后进行约束，使指标含义更清楚。

12. 动销率和转化率有什么不同？

参考回答： 动销率看商品中有多少至少卖动过；转化率看前序流量、用户或行为中有多少进入目标阶段。

13. 复购率应该怎样计算？

参考回答： 常用口径是购买两次及以上的用户数除以购买用户数。但本数据没有真实订单号，因此还要说明“购买次数”按buy记录、不同商品还是不同日期定义。

14. 为什么只有9天数据是一个限制？

参考回答： 9天足以分析短期行为趋势，但不足以稳定判断长期周期、用户生命周期和长期复购。窗口末端的未购买用户还可能在数据结束后购买。

15. 热力图能证明晚上营销效果最好吗？

参考回答： 不能。热力图只能显示晚上行为更集中。是否由营销造成、晚间触达是否有效，需要对照实验验证。

16. 类目浏览量排名第一是否代表类目最好？

参考回答： 不代表。浏览量衡量规模，还应结合购买表现、转化率、动销率和样本量判断效率和质量。

17. 为什么浏览也可以用于推荐？

参考回答： 浏览是一种隐式反馈，说明用户接触过商品。它的兴趣强度通常弱于收藏、加购和购买，所以基础题可以统一使用，进阶时可以考虑合理权重。

18. 共现次数高是否说明两个商品相似？

参考回答： 不一定。共现只说明它们经常被同一批用户接触，可能相似、互补，也可能只是都很热门。

19. 为什么要限制每名用户交互的商品数？

参考回答： 商品两两组合数量会随用户交互商品数快速增长，极活跃用户会带来很大计算量和偏差。限制可以控制规模，但必须记录规则和可能损失。

20. 推荐结果怎样评估？

参考回答： 抽查同类目和跨类目关系、查看共现频次、识别热门商品偏差，并说明合理与不合理案例。只看几个顺眼的结果不算完整评估。

21. 为什么不能看到流量上涨就说运营成功？

参考回答： 流量是规模指标。还要比较购买、转化和用户结构。本组实际数据中12月2日浏览与购买都上升，但浏览增幅高于购买增幅，所以需要进一步核查效率。

22. 怎样区分现象、假设和结论？

参考回答： 现象是数据直接显示的事实；假设是对原因的可验证猜想；结论是经过验证后证据能够支持的判断。不能把假设直接写成结论。

23. 为什么相关关系不能当作因果关系？

参考回答： 两个指标同时变化还可能受其他因素影响。要证明因果，需要明确干预、对照组和足够观察时间。

24. 运营建议怎样才算可落地？

参考回答： 要说明针对谁、做什么、何时做、由谁执行，以及用什么指标和观察窗口验证，而不是只写“提升转化率”。

25. 预期收益为什么不能写成保证收益？

参考回答： 预期收益依赖假设，真实结果还受用户、商品、市场和执行影响。实施后必须用同口径指标和对照实验验证。

26. 末位映射是真实淘宝分类吗？

参考回答： 不是。它是任务规定的人工映射规则，优点是确定、可重复，局限是没有真实类目语义，只用于训练映射和分析方法。

27. 你们的BI看板有什么价值？

参考回答： 看板把任务书要求的流量、转化、类目、用户和时段指标集中展示，并支持筛选和下钻，帮助我们从总体规模快速定位需要进一步分析的日期、类目或用户群体。

28. 项目最大的局限是什么？

参考回答： 观察期只有9天，原始数据只有五个行为字段，缺少真实订单、价格、库存、活动、广告和用户属性，因此适合做行为复盘和提出候选方向，不足以直接证明经营原因或长期效果。

29. 如果获得更多数据，下一步做什么？

参考回答： 优先补充更长时间窗口、真实订单和价格、库存、活动与渠道数据，再验证复购、流失、商品问题和运营实验效果。

30. 项目最值得强调的亮点是什么？

参考回答： 我们不仅制作图表，还统一了清洗对账、指标口径和结论边界；对转化使用更严格的路径定义，并区分数据事实、原因假设和行动建议，使结果可以解释和复核。

十四、答辩前速记页

必背的五个公式

访客深度 = PV ÷ UV

转化率 = 完成目标的对象数 ÷ 具备转化资格的对象数 × 100%

动销率 = 有购买行为的商品数 ÷ 当前范围内商品总数 × 100%

复购率 = 购买达到2次及以上的用户数 ÷ 购买用户数 × 100%

商品两两组合数 = n × (n - 1) ÷ 2

必背的实际项目数据

原始记录：100,150,807条；
清洗后记录：100,095,182条；
排除记录：55,625条；
清洗后用户：987,991名；
清洗后商品：4,161,138个；
清洗后原始类目：9,437个；
购买行为：2,015,807条；
观察期：2017年11月25日至12月3日，共9天。

必须主动声明的口径

PV是否只统计pv行为；
UV按什么行为和范围去重；
转化率按行为、用户还是用户—商品对；
是否要求严格时间顺序；
动销率的商品分母是什么；
复购的“第二次购买”如何定义；
图表使用原始数据还是清洗后数据。

必须主动承认的限制

观察期只有9天；
原始数据只有五个字段；
buy是购买行为，不是真实订单；
没有库存、活动、广告和真实价格数据；
数据能发现相关现象，不能自动证明因果；
末位分类是人工映射，不是真实类目体系；
推荐共现受热门商品和采样规则影响。

一分钟项目介绍模板

我们围绕淘宝用户行为复盘与运营优化，对2017年11月25日至12月3日的UserBehavior数据进行了分析。原始数据共有100,150,807条记录，经过字段合法性、时间范围和重复规则检查后，保留100,095,182条正式分析记录。我们统一定义了PV、UV、访客深度、转化率、动销率和复购率等指标，并按日期、小时、类目和用户群体制作交互式看板。在分析中，我们不仅比较流量规模，还进一步核查转化路径、类目结构和用户分层，再按照“现象、拆解、假设、验证、结论”形成运营建议。项目的重点是保证数据可对账、指标有明确口径、结论不超出数据证据。由于观察期只有9天且缺少真实订单、价格、库存和活动数据，我们将业务原因和收益表达为待验证方向，而不是确定事实。

被老师追问时的回答结构

先说定义
→ 再说本组采用的口径
→ 给出实际数据或图表证据
→ 说明业务含义
→ 主动补充限制

如果一时不知道原因，可以回答：

“当前数据能确认的是这个现象，但任务数据缺少验证该原因所需的字段。我们会把它作为假设，并补充相应业务数据或通过对照实验验证，而不会直接把假设当成结论。”