1.1 问题、证据与决策

你已经掌握了用 Python 求平均值、筛选列表和输出结果的方法。数据分析还要早一步开始：先决定为什么计算，以及究竟计算什么。程序即使毫无错误，也可能精确地回答了错误的问题。本节要建立一条可以辩护的推理链：

想象一家社区配送公司提出：“帮我们分析一下配送情况。”这句话只给出了主题，没有给出问题。公司是想增加骑手、重划配送区域、修改承诺时间，还是调查投诉？不同决策需要不同证据。

把主题变成分析问题

分析问题（analytical question）是可以通过明确的计算或比较，使用已有或能够获得的数据回答的问题。一个有用的问题通常包含五项要素：

• 决策：结果要帮助谁选择什么行动？

• 总体（population）：哪些人、订单、地点或事件属于研究范围？

• 指标（metric）：用哪个可测量的量代表关心的概念？

• 比较：要在哪些群体、时期或条件之间比较指标？

• 时间窗口：分析包含哪些日期？

“配送慢不慢？”没有明确其中任何一项。更好的问题是：“最近八周晚班时段，北区、中区和南区的准时送达率有何差异，以帮助运营经理决定在哪个区域增加骑手运力？”

改进后的问题仍然需要定义。比如，准时送达率可以定义为“已完成订单中，40 分钟内送达的比例”；“晚班”可以定义为 17:00 至 21:00 接收的订单。计算前先写下这些定义，可以避免分析者看到结果后不断移动阈值，直到出现想看的结论。

指标是对概念的建模

“服务质量”这类业务概念不能直接放进表格，只能用可测量变量表示，例如配送分钟数、准时率、取消率、投诉率或复购率。每个指标都只是对服务质量的部分刻画。

假设平均配送时间从 39 分钟缩短到 35 分钟，看起来是好消息，但平均值可能隐藏某个小区域不断恶化的体验。可靠的分析需要检查所选摘要是否真正服务于决策：

指标不是数据集自动交给我们的事实，而是人作出的定义。应记录分子、分母、排除条件、单位和时间边界。如果准时率排除了取消订单，就要明确写出，并进一步询问：排除取消订单是否会让表现显得过好？

让结论强度与证据相配

数据能够支持不同强度的结论。描述性结论（descriptive claim）陈述观察到的现象：“在这份数据中，南区准时率较低。”相关性结论（associational claim）说明两个变量一起变化：“雨天时段与更长的配送时间相关。”因果结论（causal claim）则断言改变一个因素会改变另一个因素：“降雨导致了延迟”或“增加骑手会提高准时率”。

因果结论最强，需要最强的研究设计。普通运营表里常有混杂因素（confounder），即同时与疑似原因和结果相关的其他因素。雨天晚间可能恰好订单更多、路况更慢、可用骑手更少、配送距离也更长。增加行数可以降低一部分随机波动，却不会自动消除这些其他解释。

给分析发现划出证据边界

一条有用的结果应包含四层信息：

• 发现：计算或比较观察到了什么？

• 范围：它描述的是哪个总体和哪个时期？

• 不确定性与限制：还有哪些测量问题、缺失群体或其他解释？

• 决策含义：现在适合采取什么行动，下一步还要调查什么？

例如：“在最近八周有记录的已完成晚间配送中，南区准时率为 71%，其他区域为 86%。由于数据没有取消订单，而且各区配送距离不同，这一结果不能证明骑手排班导致了差距。运营团队应先检查取消订单采集情况和距离分布，再决定是否改变排班。”

这种写法并不软弱。它把证据真正显示的内容与组织希望知道的内容分开，而这种区分正是可信分析的基础。

下一节会把这套推理变成可以迭代的工作流程。分析问题不是报告开头的一句装饰语；它会决定获取哪些数据、哪些缺陷最重要、做哪些比较，以及最终允许作出什么结论。