[{"content":"","date":"2026年10月11日","externalUrl":null,"permalink":"/tags/ai/","section":"Tags","summary":"","title":"AI","type":"tags"},{"content":"","date":"2026年10月11日","externalUrl":null,"permalink":"/tags/%E4%B8%AA%E4%BA%BA%E6%88%90%E9%95%BF/","section":"Tags","summary":"","title":"个人成长","type":"tags"},{"content":"","date":"2026年10月11日","externalUrl":null,"permalink":"/tags/%E5%95%86%E4%B8%9A/","section":"Tags","summary":"","title":"商业","type":"tags"},{"content":"","date":"2026年10月11日","externalUrl":null,"permalink":"/tags/%E5%A2%9E%E9%95%BF/","section":"Tags","summary":"","title":"增长","type":"tags"},{"content":"假设 AI 能把我的生产力提升 100 倍。那么在内容创作（流量与用户增长）和交易转化（产品运营）这两个方向上，我是不是每天能探索 100 个方向、拿到 100 倍的产能和数据反馈？增长的机会，是不是也变成 100 倍？\n不能。\nAI 放大的是「生产」这一段——100 倍产能，不会自动变成 100 倍反馈。先看反馈是怎么产生的。\n一、反馈不会跟着产能一起放大 # 反馈 = 市场响应 = 用户注意力分配的结果。内容供给可以瞬间放大，但用户的总注意力不会。\n环节 能否被 AI 放大 内容生产（写、画、剪） ✅ 渠道分发（触达用户） ❌ 用户注意力（愿意看、愿意点） ❌ 交易转化（人做决策） ❌ 如果内容产能变成 100 倍，但愿意支付注意力的用户总量不变，结果不是 100 倍增长，而是每条内容能分到的注意力被稀释——多数内容分不到几个读者，反馈自然无从谈起。\n把这条判断放回市场里看会更直观——拖动下面的滑块，让产能从 ×1 放大到 ×100：\n供求关系模拟器 拖动滑块，看产能放大后市场均衡往哪走 需求（注意力总量，固定） 供给（内容产能） 产能 ×1 基线 ≈50 ≈50 单条内容的价值（注意力） 内容总供给量 → 内容产能倍数×1 快捷 ×1 ×10 ×100 内容总供给量×1.00 单条内容的平均注意力×1.00 基准：产能 ×1，市场处于均衡。拖动滑块，或点 ×10 / ×100，看它怎么变。\n示意模型：数字经归一化处理，用于展示方向，不对应精确数值。\n拖到最右边你会看到：内容总供给量只涨了不到 2 倍，单条内容的平均注意力却缩水到 2%。生产端 ×100，需求端 ×1——反馈的瓶颈就在这里。\n二、真正被 AI 放大的是什么 # 那 AI 到底放大了什么？先回到生产力的定义：生产力 = 单位时间产出的有效成果。AI 压缩的是「生产与执行」所需的时间。\n但生产不等于成果——成果要被市场验证才算数。把链路逐项看一遍：内容生产 ×100，渠道分发 ×1，用户注意力 ×1，交易转化 ×1。整条链路的总效率，并没有 ×100。\n但有一样东西确确实实被放大了——试错次数：过去一天生产一篇，现在一天能产出上百个候选；过去一周验证一个想法，现在一周能跑上百次试验。\n试错次数的上限，就是增长速度的上限。\n生产端可以 ×100，需求端永远 ×1。你的增长上限，不取决于你能生产多少，而取决于你能多快地获得真实世界的反馈。\n三、交易的本质是供求关系 # 要理解反馈为什么稀缺，得回到交易的底层结构：交易的本质，是供求关系。\n反馈是市场的回应，而市场是供需双方在特定条件下的匹配：需求是用户愿意支付的注意力、时间或金钱；供给是你提供的价值；价格是双方达成的交换条件。\n需求不是被生产出来的，是被匹配出来的。\nAI 能放大供给：更多内容、更多功能、更多方案，生产成本趋近于零。AI 不能放大需求：人的注意力、信任和购买力，都有硬上限。\n供给能力有限时，生产者稀缺，拥有生产能力的人获得优势。工业时代机器提高供给，互联网时代信息分发效率提高，AI 时代个人生产能力进一步提升——供给端彻底爆炸。于是稀缺就从\u0026quot;谁能生产\u0026quot;转移到\u0026quot;谁能被看见、被信任、被选择\u0026quot;——用户注意力、信任、渠道、品牌、转化能力，成为新的竞争壁垒。\n所以杠杆点不在生产端，而在匹配效率——用 AI 更快地找到：谁需要它、在什么场景需要、愿意付什么代价。\n四、100 倍生产力的正确用法 # 生产力被放大 100 倍时，最容易犯的错误是把「生产」当作目的：\n错误用法 正确用法 用 AI 生产更多内容，被动等推荐和算法 用 AI 快速产出多个候选方案，主动测试哪个能带来转化 用 AI 让工作更轻松，省下的时间继续生产 用 AI 压缩执行，省下的时间全部投入验证与判断 把 AI 当产能：日更 100 条 把 AI 当试验：一周跑 100 次测试 关注「我产出了多少」 关注「哪一个被市场验证了」 AI 的价值不是「做更多」，是「更快地淘汰错的」。\n五、谁的商业逻辑能更快被验证 # 回到最开始的问题：100 倍生产力是不是机会？\n是。但机会不在生产力本身，而在谁能更快地围绕它构建一个可被市场验证的商业闭环：\n谁能赢 为什么 用 AI 快速产出候选、快速验证的人 试错次数多，迭代快 用 AI 把执行成本压到最低、把资源全投在反馈上的人 反馈回路短，方向修正快 主动构建「生产 → 分发 → 反馈 → 调整」闭环的人 系统性地提高匹配效率 未来真正稀缺的，不是生产力，而是「被市场验证的机会」。\n下一篇预告：《为什么未来 10 年，个人最重要的资产可能不是技能，而是自己的用户关系？》\n","date":"2026年10月11日","externalUrl":null,"permalink":"/posts/ai-100x-productivity-scarcity/","section":"博客","summary":"","title":"当 AI 让每个人拥有 100 倍生产力，真正稀缺的东西反而变了","type":"posts"},{"content":"","date":"2026年10月10日","externalUrl":null,"permalink":"/tags/ai-agent/","section":"Tags","summary":"","title":"AI Agent","type":"tags"},{"content":"最近，我重新审视了自己花几个月时间开发的 AI Agent 项目 FlowBeast-Agent。\n它运行起来了：代码跑通了，架构搭起来了。我也因此走完了从 0 到 1 开发一个 AI 应用的完整链路——需求拆解、技术选型、模型调用、Agent 工作流设计、部署上线。这些能力毫无疑问有价值。\n但当我冷静下来问自己：这个项目解决了谁的问题？创造了多少真实价值？有没有真实用户愿意使用？有没有形成交易？——答案并不理想，甚至有一点残酷：\n这个项目最大的价值，可能不是它本身，而是它让我意识到了一件更重要的事情。\n未来属于那些能够创造商业结果的人，而不是单纯能够制造技术 Demo 的人。\n一、我曾经陷入的幻觉：创造工具 = 创造价值 # 过去很长一段时间，我相信一个逻辑：AI 时代来了，Agent 会改变世界，所以我要做一个 Agent。\n于是我研究 Prompt Engineering、MCP、Skills、Workflow orchestration、Tool calling、Agent framework，试图从 0 搭建一个属于自己的 AI 自动化系统。这个过程当然有意义：我真正理解了 AI 应用不是简单调用 API，而是要考虑任务如何拆解、信息如何流转、工具如何协同、怎样让模型稳定完成复杂任务。\n但后来我发现一个非常现实的问题：如果市场上已经存在成熟工具，我为什么一定要重新造一个？\n用户的问题是「我想提高内容生产效率」，他需要的是更好的内容生产流程、更高质量的内容输出、更低的人力成本——而不是「请给我一个你自己开发的 Agent 框架」。\n就像餐厅老板想提高营业额：真正的问题是获客、转化、复购，而不是「我要不要自己研发一个更好的锅」。\n工具不是价值，工具只是价值实现过程中的杠杆。\n二、真正的竞争不是工具竞争，而是供求关系竞争 # 很多人讨论 AI 时关注：哪个模型更强？哪个框架更先进？谁写出了更复杂的 Agent？\n但商业世界最终只关心三个问题：有没有需求？有没有用户？有没有交易？\n所有商业活动，本质都是一次供求关系匹配；技术只是降低匹配成本、提高交付效率。如果没有需求，更强的技术只是更漂亮的无人问津；如果没有用户，更好的产品只是一个孤岛；如果没有交易，所有增长都只是自我感动。\n所以未来个人创造价值的路径会越来越清晰：\n技术能力 → 业务能力 → 流量能力 → 交易能力。\n而不是：技术能力 → 更多技术能力 → 更复杂的技术能力。\n三、职业发展：成为解决具体问题的人 # 过去我也思考过：要不要成为数据分析师？AI 工程师？产品经理？后来我发现，这些职业标签本身不是最重要的。真正重要的是：\n给你一个真实业务，你能不能解决问题？\n比如一个电商业务告诉你：「最近销售下降了。」你不能回答「我会 SQL」，也不能回答「我会调用大模型」。真正专业的拆解是：销售下降发生在哪个环节？流量减少？点击率下降？商品竞争力下降？购买意愿下降？支付环节流失？还是复购降低？然后：如何通过数据找到问题？如何设计运营策略？如何通过实验验证？如何推动业务增长？\n这才是专业能力。 未来越来越多岗位都会回归本质：不是需要一个会使用工具的人，而是需要一个能够对业务结果负责的人。\n四、自由职业或创业：流量、信任与交易 # 打工时代，我们可以依靠组织提供产品、用户、渠道、品牌。但如果选择个人创业或自由职业，你必须自己解决三个问题：\n别人为什么看到你？——这是流量问题。 别人为什么相信你？——这是信任问题。 别人为什么愿意付费？——这是交易问题。 很多技术人员最大的误区是：不断优化产品、不断增加功能、不断完善架构，却忘了——世界上最失败的产品，往往不是技术不够好，而是根本没有人在乎。\n所以我开始重新调整自己的方向：\n数据分析项目：不再追求复杂模型，而是通过真实业务案例、行业分析、增长洞察，形成内容资产。 AI Agent 项目：不再执着于创造「大而全」的工具，而是寻找真实业务流程——定义流程、拆解任务、利用现有工具，让 Agent 成为生产力。 五、未来属于「业务型 AI 原住民」 # 我越来越相信：AI 最大的机会，不属于单纯懂技术的人，也不属于完全不会技术的人。真正有机会的，是懂业务的人 + 会使用 AI 放大能力的人。\n他们知道客户为什么购买、用户为什么留下、业务为什么增长、流程哪里浪费，然后利用 AI 降低成本、提高效率、创造新的商业模式。\n未来可能出现大量新的角色：AI 产品运营、AI 增长运营、AI 工作流设计师、AI 自动化顾问、垂直领域 Agent 解决方案提供者。他们不一定创造底层模型，但知道模型应该在哪里产生价值。\n六、重新定义 FlowBeast # FlowBeast 没有失败。相反，它完成了一个重要任务：它让我从一个「想造工具的人」，变成一个「想解决问题的人」。\n过去，我想证明自己可以开发 Agent；现在，我更关注：什么业务值得被自动化？什么流程值得被优化？什么场景可以产生真实收益？\n未来的方向不是「我有什么技术」，而是「市场有什么痛点，我有什么能力解决」。\n七、真正困难的问题，从来不是创造，而是连接 # AI 时代最大的变化，不是人人都会写代码，也不是人人都会调用模型，而是：过去需要大量资源才能完成的事情，现在个人也可以完成。\n但新的竞争也出现了：当所有人都有工具的时候，什么决定差距？\n答案可能是：理解用户的能力、理解市场的能力、创造内容的能力、获得信任的能力、促成交易的能力。\n所以接下来，我会开始新的探索：不再沉迷于无限优化工具，而是研究真实业务、用户增长、商业模式；持续输出 AI 如何改变行业、普通人如何成为 AI 原住民、个人如何利用 AI 获得新的生产力、如何从一个使用者变成一个价值创造者。\n因为最终：\nAI 不会奖励制造更多工具的人。AI 会奖励那些利用工具创造真实价值的人。\n这可能才是属于普通人的 AI 时代机会。\n下一篇预告：当 AI 让每个人拥有 100 倍生产力，真正稀缺的东西反而变了\n","date":"2026年10月10日","externalUrl":null,"permalink":"/posts/ai-agent-tool-to-value/","section":"博客","summary":"","title":"我花了几个月做 AI Agent，最后发现：我最不该做的事情就是继续开发它","type":"posts"},{"content":"","date":"2026年10月10日","externalUrl":null,"permalink":"/tags/%E6%96%B9%E6%B3%95%E8%AE%BA/","section":"Tags","summary":"","title":"方法论","type":"tags"},{"content":"这里是我对 AI 时代价值创造方式变化的观察与实践。\n技术正在降低创造的门槛，但真正稀缺的能力正在发生变化：\n发现真实问题， 理解用户需求， 连接技术与业务， 最终创造真实价值。 我在这里记录 AI、增长、产品和商业实践中的思考。每篇文章，只讨论一个问题。\n","date":"2026年9月16日","externalUrl":null,"permalink":"/posts/","section":"博客","summary":"","title":"博客","type":"posts"},{"content":"我是张志华，关注业务增长与 AI 应用。过去三年，我在货拉拉业务中台从事质检与转化分析，持续探索如何从销售转化链路中发现问题、验证策略，并推动业务改善。与此同时，我开始将兴趣延伸至 AI Agent 应用开发，基于 Qwen、DeepSeek、Claude Code 等模型实践任务编排、工具集成与自动化执行，探索 AI 在真实业务场景中的应用可能。\n我希望连接业务理解与技术实践，让 AI 不止于生成内容或辅助分析，更能参与实际任务的执行与业务流程的运转。\n这句话的能力来自两段经历：前一段在业务里，后一段在方法里。\n在业务里：质检不是后台职能 # 2023 年 9 月到 2026 年 9 月，我在货拉拉业务中台担任质检专员，工作对象是销售转化链路的电销环节。外界对质检的想象是听录音、出合规报告；实际坐在这个位置上，检查的三件事是线索浪费、营销执行力度、邀约流程完整性——它们恰好对应转化漏斗的三个环节：入口效率、过程质量、到店转化前置。质检报告诊断的不是谁违规，是漏斗的健康度。\n发现问题只是这份工作的起点。检查结论要落成动作才有意义——我推动过培训、检查、考核联动的开头语专项整改，也独立撰写过逐月诊断报告，推动考核方案本身的修订。分析的终点不是报告，是链路里的指标真的动了。\n我所在的业务环境真的用数据驱动一线：实时战报、奖金排位、末位淘汰，本质都是「用数据改变一线行为」的机制。三年里我同时看到两件事——数据如何真正改变行为，以及指标如何被博弈。指标一旦从度量工具变成目标，人会优化指标本身，而不是指标背后的价值。这段经历留下两个工作习惯：分析之前，先问数据是在什么激励下产生的；出现异常，先找损耗集中的少数环节，不把分析资源平均铺开。\n在方法里：三个项目，三类更难的问题 # 质检岗位给我问题，三个项目给我方法。它们回答三类逐级变难的业务问题。\n第一类，发生了什么、该怎么办。Olist 电商全链路策略分析用漏斗、RFM 与 Cohort 回答平台的增长瓶颈在哪：复购率仅 3.00% 是最大杠杆，运输 9.3 天是履约最大瓶颈。这是描述性分析——先把用户全生命周期看清楚，再谈优化。\n第二类，改动有没有效、该不该上线。Cookie Cats A/B 测试决策分析在有随机分组的条件下做因果推断：第 7 天回访 −0.82pp 统计显著，但效应量极小——结论不是上线或不上线，而是双轨决策。统计显著与业务显著是两件事。\n第三类，没有实验时，相关性能逼近因果到什么程度、逼近不到哪里。外呼销售策略分析用倾向得分匹配给出经可观测因素调整后的效应估计：手机渠道对新客 +8.1pp [7.1, 9.2]，且只适用可匹配的新客（匹配率 29.9%）——估计的边界和估计本身一起给出。\n三个项目不是并列的作品，是一次能力递进：先看清全生命周期，再学会用随机实验归因，最后回到没有实验的现实业务。最后一站接回起点——P3 要回答的「没有 A/B 测试的规则调整如何评估」，正是质检岗位上最常遇到的问题。\n留下来的判断 # 机器替代人工的顺序，我亲历过：先替代重复判定，再部分替代检查执行；替代到最后，剩下的是决定问什么问题、怎么定义质量、如何处理规则误伤。这让长期投入的方向很清楚：工具会换，定义问题与守住边界的能力不会。工具一侧，我构建了 FlowBeast-Agent——一个面向业务增长与商业转化场景的 AI Agent 应用与编排项目：以垂直领域内容生产为入口，连接线索获取与客群经营，再集成外呼分发等业务 Agent，探索 AI 如何帮助企业提高增长效率与转化能力（demo 已上线，仍在完善中）。\n经历与教育 # 时间 任职 2023.09 – 2026.09 货拉拉 · 业务中台 质检专员 2022.11 – 2023.08 中信银行信用卡中心 · 助理综合经营岗 2020.09 – 2022.10 家庭事务期（疫情背景） 2019.05 – 2020.09 民生银行 · 基金销售·财富管家岗 本科（在读）· 华南理工大学 · 金融学：广东省高等教育自学考试，全部课程考试已通过，毕业论文尚未申请，预计 2027 年底毕业拿证\n大专 · 江门职业技术学院 · 会计（2019 年全日制毕业）：已取得初级会计师职称、基金从业资格证\n","date":"2026年9月15日","externalUrl":null,"permalink":"/about/","section":"关于","summary":"","title":"关于","type":"about"},{"content":" 执行摘要 # 建议：Olist 的增长瓶颈不在\u0026quot;顾客不买\u0026quot;，而在\u0026quot;买一次就流失\u0026quot;——复购率仅 3.00% 是最值得投入的杠杆；履约端运输 9.3 天是唯一有优化空间的环节。\n三条核心结论：\n留存是最大增长杠杆：93,358 位用户中仅 2,801 位购买 2 次及以上，复购率 3.00%；复购窗口集中在首单后 30–90 天，错过窗口即永久流失。 运输是履约端唯一可优化环节：下单到送达全程 12.6 天中运输占 9.3 天；P95 送达 20.5 天直接制造 11.51% 的 1 星差评，负体验再反压复购。 用户资产高度集中：RFM 八分群中 Champions 的 GMV 占比显著高于人数占比，At Risk（曾高频、现不活跃）仍贡献大量 GMV——召回成本低于获客成本，召回优先级最高。 策略与收益：新客首单后 30 天内建立 7/15/25 三次触达节奏，运输时效谈 SLA 并对 P95 超长等待主动补偿，按 RFM 分层召回；按 README 估算口径，四项策略合计约 R$700K+（均为估算、非实测，明细见「综合策略与收益预估」）。\n背景与问题定义 # Olist 是巴西最大的电商平台之一，连接巴西各地的卖家与买家。数据集覆盖 2016.9–2018.10：约 10 万笔订单、96,096 位用户。分析要回答四个业务问题：\n平台当前运营状况如何？（订单规模、用户行为、履约效率） 用户流失的瓶颈在哪里？（转化问题？履约问题？还是复购问题？） 如何提升 GMV？（优先投入哪些策略、预期收益多少？） 不同用户群体如何差异化运营？（谁值得重点维护、谁需要召回？） 数据与口径 # 范围：数据集全部订单、用户、履约、评价与支付字段。 用户级口径：用户级指标统一用 customer_unique_id——用订单口径复购率会失真，发现 1 的可靠性系于这个口径。 实现：四阶段分析以 DuckDB SQL 与 Pandas 双实现，另用纯 SQL（窗口函数 / 多层 CTE / 多表 JOIN / PIVOT / 分位数）从零复刻一遍，逐项对账一致（详见「可信度验证」）。 分析框架：从总到分 # 把 GMV 拆成\u0026quot;获客 → 履约 → 复购\u0026quot;三个环节，每个环节用一个视图回答，顺序即理由：\n履约漏斗——损耗在哪？先定位断点再谈优化，而不是平均用力。 RFM 分层——谁值得投？区分维护对象与召回对象，资源不撒胡椒面。 Cohort 留存——何时动手？让复购窗口决定触达节奏，而不是让日历决定。 三个视图合起来，把\u0026quot;提升 GMV\u0026quot;从口号变成带优先级的动作清单：漏斗回答损耗在哪，RFM 回答谁值得投，Cohort 回答何时动手。\n核心发现 # 发现 1｜复购率仅 3.00%，是平台最大的增长杠杆 # 数据事实：93,358 位用户中只有 2,801 位购买 2 次及以上；人均购买频次 1.03 次、中位数 1 次，最高一位用户购买 15 次。平台在持续买入新客，而几乎全部新客在首单后流走。\n为什么重要：复购是 GMV 结构中唯一不靠追加获客预算就能增长的环节。量化：复购率 3% → 5% = 额外 1,867 位复购用户 × 人均 R$141.62 ≈ R$264K 增量 GMV——三个杠杆里成本最低、效果最直接的一个。\n策略建议：把留存列为平台第一策略，在首单后窗口内建立全程触达机制（节奏见发现 4）。\n发现 2｜运输 9.3 天是履约最大瓶颈，也是唯一有优化空间的环节 # 数据事实：下单到送达全程平均 12.6 天——审批 10.3 小时（几乎即时）→ 揽收 2.8 天 → 运输 9.3 天；P95 送达时间 20.5 天，11.51% 的订单只得 1 星差评。\n为什么重要：长等待直接制造差评，差评再压制复购——履约问题与留存问题在同一时点叠加。排除的候选：审批与揽收几乎无流失且已接近极限，压缩它们收益有限，优化它们等于优化不是问题的问题。\n策略建议：与物流商谈 SLA 或引入多家竞争；对 P95 超长等待订单主动触达、补偿，压低差评率。预期收益（估算口径）：平均送达 9.3 天降至 7 天，差评率预计降 3–5%、留存率提升 2–3%。\n履约漏斗：断点集中在运输环节，审批与揽收几乎无流失。 发现 3｜Champions 与 At Risk 贡献了不成比例的 GMV # 数据事实：R/F/M 五分位打分（因数据偏态实际分箱少于 5）+ 中位数阈值分群，把用户分成 8 个群体；Champions（高频高消费）的 GMV 占比显著高于人数占比；At Risk（曾高频、现在不活跃）仍在贡献大量 GMV。\n为什么重要：召回一个 At Risk 用户的成本低于获取一个新客——同样预算投在召回上的期望收益高于投在拉新上；反之，对所有用户无差别投入，会把大部分资源浪费在 Lost 组。\n策略建议：分层运营——At Risk 最高优先级召回（大额优惠券 + 专属客服）；Champions 走 VIP 服务与新品优先体验；New Customers 首单后 7 天内触达、引导第二单；Lost 低成本触达、不投大额优惠券。\nRFM 八分群（Champions / At Risk / New / Lost 等）：At Risk 是最高优先级召回对象。 发现 4｜复购窗口集中在首单后 30–90 天，触达节奏由此决定 # 数据事实：首月留存（M0→M1）在所有 Cohort 中都极低；大部分复购发生在首单后 30–90 天内；品类复购率差异显著：health_beauty、bed_bath_table（快消 / 日用品）高于 watches_gifts（高客单价）。\n为什么重要：窗口有时效——首单后 30 天内不触达，等于永久错过复购窗口；品类结构则为个性化推荐指明方向（\u0026ldquo;买了床品的人还买了什么\u0026rdquo;）。\n策略建议：7/15/25 三次触达节奏——第 7 天感谢信 + 品类推荐 → 第 15 天限时优惠券 → 第 25 天紧迫感提醒；品类交叉推荐（买 bed_bath_table 的用户推 health_beauty）。预期收益（估算口径）：首月留存 2% → 4% 约 +R$200K。\n复购时间间隔分布：首单后 30 天内是关键窗口期，7/15/25 天触达节奏由此而来。 综合策略与收益预估 # 策略 预期收益 实现难度 证据 复购率提升（3% → 5%，7/15/25 触达） R$264K 中 Cohort 窗口 + 品类关联 运输时效优化（SLA + P95 补偿） R$150K+ 高 漏斗断点 + P95 / 差评数据 At Risk 用户召回（+10%） R$100K+ 低 RFM 分群 + 召回 / 获客成本结构 首月留存提升（2% → 4%） R$200K+ 中 Cohort 留存 总计 R$700K+ — 以上均为 README 估算口径，非实测 实施顺序：先触达节奏（成本最低、窗口假设验证最快）→ At Risk 召回（难度低）→ 留存提升 → SLA 谈判（难度高、周期长，待前三项产出数据后启动）。不做什么同样写清：Lost 组不投大额优惠券（召回期望收益低于券成本）；不做定价归因（数据无价格字段，不越界下结论）；不压缩审批与揽收（已接近极限，不是问题）。\n可信度验证 # 口径验证：用户级指标统一 customer_unique_id，避免订单口径虚增复购率。 双实现互证：DuckDB SQL 与 Pandas 双实现，另用纯 SQL 从零复刻、逐项对账一致；结论整合为 12 张图的离线可交互 Plotly 看板（KPI 卡片 + 业务解读）。 边界声明：收益数字全部为 README 估算口径、非实测；数据无价格与投放字段，不产出定价与渠道归因结论。 经验迁移与拓展收益 # 这个项目沉淀的是一条排序判断：先定位断点再谈优化，先排杠杆再投资源。它在任何链路型业务都成立——质检场景里，对应先定位损耗集中的环节，再决定检查与培训资源的投放顺序。而这份汇报的最小单元——\u0026ldquo;数据事实 → 为什么重要 → 策略建议\u0026rdquo;——也是分析连接决策的最小单元；后续 P2、P3 沿用同一单元，升级的只是问题的难度。\n代码与数据 # GitHub：ArlesZhang/Ecommerce-Funnel-Behavior-Analysis 仓库含：4 个分析 notebook（业务理解 / 漏斗 / RFM / 留存）、13 张分析图表、纯 SQL 复刻（4 个 .sql + workbook，口径与 notebook 逐项对账）、Plotly 交互看板 数据：Olist 巴西电商公开数据集（Kaggle，约 10 万订单 / 96,096 用户，CC BY-SA 4.0） ","date":"2026年9月3日","externalUrl":null,"permalink":"/projects/ecommerce-funnel/","section":"Projects","summary":"","title":"Olist 电商全链路策略分析","type":"projects"},{"content":"","date":"2026年9月3日","externalUrl":null,"permalink":"/projects/","section":"Projects","summary":"","title":"Projects","type":"projects"},{"content":" 执行摘要 # 建议：统一改手机渠道对新客有正效应——经可观测因素调整后的效应估计为 +8.1pp [7.1, 9.2]；但这个数字只适用于能匹配的新客（匹配率 29.9%），对匹配不到的客群与座机停用的月份，如实声明估计不了。结论的两半缺一不可。\n三条核心结论：\n生命周期状态几乎决定转化，渠道是二阶变量：老客·曾成功 65.11% vs 新客 8.83%，差距 56.3pp（新客占 86.3%）——不先分层，任何\u0026quot;渠道效应\u0026quot;都会被客群构成污染。 渠道效应真实但有边界：方案 A +8.13pp [+7.1, +9.2]、方案 B +7.84pp [+6.8, +8.9] 双规格互证方向一致；作用域限定在新客层的共同支撑域内，不外推到全体新客。 名单是比渠道更大的杠杆：按潜力分排序，Top 20% 名单捕获 54.0% 的转化量（OOF AUC 0.7403）——在外呼资源固定的前提下，排序收益直接可兑现，不依赖渠道切换。 策略与收益：新客优先手机渠道、外呼顺序按潜力分排、Top 20% 名单打满；回归客层不动渠道。本项目无上线条件，以上均为效应估计与判别力、非实测收益，边界逐条见「收益预估与边界」。\n背景与问题定义 # UCI Bank Marketing 数据集，41,188 条葡萄牙银行电话营销记录（正类 11.27%）。销售打给谁、用什么渠道、打几次，都是现场判断，不是随机分配——没有 A/B 测试可用，只有历史观察数据。\n要回答的决策问题：把外呼渠道统一改为手机，是真实效应，还是客群假象？\n朴素答案很有诱惑力：手机组 14.74% vs 座机组 5.23%，差距 +9.51pp。但这个数字混合了两件事——渠道差异与客群差异（座机组接到哪些客户本身不随机）。分析的起点是不相信它。\n数据与口径：可做性检查先于一切 # 动手建模前，先对每个字段做\u0026quot;能不能用\u0026quot;的判定——这一步决定后面所有数字的可信度：\nduration（通话时长）是数据泄漏：它是结果不是原因，任何\u0026quot;外呼前决策\u0026quot;模型禁用。 campaign（拨打次数）是反向因果变量：打得多本身就是\u0026quot;销售判断有希望\u0026quot;的结果，只做描述性呈现、不做因果声称。 宏观共线组不进模型：VIF 63.9 / 32.9 / 30.7，时间代理只用 month。 pdays=999 是哨兵值：4,110 条曾联系记录同为 999，旅程判定一律用 previous\u0026gt;0，不把哨兵当数值。 类别不平衡（正类 11.27%）：全程不用 Accuracy 作评价指标。 分析框架：分层 → 关联 → 调整，三层递进 # 把\u0026quot;渠道效应是真是假\u0026quot;拆成三层递进的问题，顺序即纪律——分层先于匹配：\n生命周期分层——先把人群分开：客户现在处于什么状态？ 层内渠道关联——差异存在于哪一层：在哪层渠道与转化有关联，就只在哪层做调整。 PSM 调整——剥离可观测混杂：把\u0026quot;外呼前已知信息\u0026quot;中可观测的客群构成差异剥离掉，比较\u0026quot;相似的客户\u0026quot;。 每一层都为下一层缩小作用域；质量门（匹配质量不达标就不出数字）贯穿全程。\n核心发现 # 发现 1｜生命周期状态几乎决定转化，渠道是二阶变量 # 数据事实：老客·曾成功 65.11% vs 新客 8.83%，差距 56.3pp（新客占样本 86.3%）；再触达窗口内回归客 63.83% vs 窗口外 12.94%。\n为什么重要：客群状态与渠道在原始数据里是纠缠的——座机组里老客占比更高，朴素的 +9.51pp 有相当部分其实是\u0026quot;老客转化本来就高\u0026quot;。不先分层，渠道效应的任何估计都不可信。同时它给出业务杠杆的排序：客户状态管理（窗口期内触达）比渠道选择更大。\n策略建议：生命周期分层固化为名单管理的第一刀；回归客在再触达窗口内优先联系，不等窗口过期。\n发现 2｜渠道差异只存在于新客层，PSM 的作用域由此确定 # 数据事实：新客层 contact 与转化关联 V = 0.1219（手机 11.7% vs 座机 4.7%）；回归客层 V = 0.0108、p = 0.42，不显著。\n为什么重要：调整只该发生在有关联的层。回归客层渠道与转化无关联——在这一层硬做调整，是制造问题而不是解决问题。\n策略建议：PSM 的作用域限定为新客层；回归客层不投入渠道调整资源（其质量门判定见发现 4）。\n发现 3｜调整后效应 +8.1pp：数字变了形状，但没有消失——三条边界必须一起说 # 数据事实：四个口径的完整对比——\n口径 手机组 座机组 差距 (pp) 95% CI 性质 朴素 · 全量 14.74% 5.23% +9.51 — 含选择偏差（客群+旅程混杂） 朴素 · 限定新客 11.73% 4.69% +7.04 — 含选择偏差（客群混杂） PSM · 方案 A（主规格） 13.77% 5.64% +8.13 [+7.1, +9.2] 经可观测因素调整后的效应估计 PSM · 方案 B（替换规格） 13.80% 5.96% +7.84 [+6.8, +8.9] 同上 为什么重要：三个必须一起说清的点——\n适用边界量化：匹配成功率 29.9%——方案 A 完成 6,259 对匹配（caliper = 0.2 × logit SD），仅覆盖 20,922 名手机组新客中的 29.9%。ATT 只在\u0026quot;能找到可比座机组\u0026quot;的客群上估计，不外推到全体新客；匹配样本的月份构成必须连带报告：may 58.1%、jul 10.1%、aug 8.9%、jun 8.4%——ATT 实际上是在\u0026quot;座机仍被使用\u0026quot;的月份上估计的。 调整后反而高于朴素新客比较（8.13pp \u0026gt; 7.04pp）——匹配把\u0026quot;座机几乎没在用的月份（aug/jul/apr）\u0026ldquo;里的手机组客户剔出样本（被剥离 14,663 人，占手机组 70.1%），而这批客户转化率本就偏低（10.9%，低于全体新客手机组的 11.7%）。这不是 PSM 出错，而是\u0026quot;ATT 只代表能找到可比座机组的那部分客群\u0026quot;这条局限的具体体现。 这是经可观测因素调整后的效应估计，不是因果效应——未观测混杂（销售为何选座机/手机、客户号码可得性）仍可能使估计偏离真值。 策略建议：新客优先手机渠道，但执行口径按\u0026quot;共同支撑域内客群\u0026quot;理解；座机停用月份（aug/jul/apr）不下渠道结论、不排渠道改造计划。\n发现 4｜回归客层：质量门不过，不出数字 # 数据事实：回归客层座机组仅 403 人（vs 手机组 5,222），PSM 匹配率 7.7%、匹配后 7/58 个特征 SMD\u0026gt;0.1——按预定质量门判定不通过。只报告朴素差异 +2.0pp（26.79% vs 24.81%，p = 0.42 不显著）+ 局限声明。\n为什么重要：\u0026ldquo;质量门不过就不出数字\u0026quot;的纪律比任何一个数字都值钱——给不可比的估计，比声明估计不了更糟。这一层是纪律的展示位，不是分析的失败位。\n策略建议：回归客层渠道策略不动（维持现状，不投入改渠道）；该层的杠杆在历史状态（pdays_bucket / poutcome），不在渠道。\n发现 5｜Gains 排序：名单是比渠道更大的杠杆 # 数据事实：用\u0026quot;外呼前已知信息\u0026quot;训练的分层模型 OOF AUC 0.7403；按潜力分从高到低联系：Top 5% 捕获 25.7% 转化量（Lift 5.14×）、Top 10% 捕获 40.2%、Top 20% 捕获 54.0%（Lift 2.70×），曲线在头部 20% 后放缓。最强信号是\u0026quot;无可考历史\u0026quot;本身（pdays_bucket_999，系数 −1.490）。\n为什么重要：效应估计回答\u0026quot;改渠道每人高多少\u0026rdquo;，评分模型回答\u0026quot;先打谁\u0026rdquo;——在外呼资源固定的前提下，排序收益直接可兑现，不需要等任何渠道切换发生。Top 20% 之后曲线放缓，说明它是 ROI 最优区间，打满即止。\n策略建议：外呼顺序按潜力分排，Top 20% 名单打满，后 50% 降频或转自助渠道；对没有历史痕迹的新客，潜力评分是分层的第一刀。\nGains 曲线：联系 Top20% 名单即捕获 54.0% 的转化量（AUC 0.7403，判别力而非因果证据）。 综合策略与收益预估 # 七条建议按证据强度分层——证据性质决定建议的置信度，也决定执行优先级：\n# 建议 证据性质 置信度 1 新客（first_time）优先手机渠道，名单默认按手机排班 PSM 经可观测因素调整：+8.1pp [7.1, 9.2]（共同支撑域客群内） 高 2 渠道差异最大的月份不是淡季；aug/jul/apr 座机停用月，渠道优先级让位于名单质量 数据事实 + PSM 共同支撑 高 3 外呼顺序按潜力分排，Top 20% 名单打满（捕获 54.0% 转化量），后 50% 降频或转自助渠道 判别力（OOF AUC 0.7403），非因果 中 4 生命周期分层 × Top20% 潜力评分双维度排优先级 描述性 + 判别力 中 5 回归客渠道策略不动（维持现状，不投入改渠道） 质量门不过：证据不足，不是证无效果 中 6 前 3 次触达是黄金窗口（首次触达捕获总转化量 49.6%，前 3 次累计 88.1%），作排班 / 跟进设计参考 纯描述性；条件事实，不是\u0026quot;少打几通就少损失\u0026quot; 低 7 不因高次数段转化率持稳给加码（6 次后的回升是选择效应外观） 描述性 + 反向因果声明 低 实施顺序：先名单排序（收益直接可兑现、不依赖渠道切换）→ 新客手机渠道（共同支撑域内）→ 回归客窗口期触达 → 不在座机停用月份动渠道。不做什么同样写清：不用 duration 训练任何决策模型（数据泄漏）；不给 campaign 下因果结论（反向因果）；回归客层不出渠道数字（质量门不过）。\n收益边界：本项目无上线条件，以上均为效应估计与判别力、非实测收益。可兑现的形态有两类——名单侧：Top 20% 捕获 54.0% 转化量，资源固定时优先排序直接提升转化总量；渠道侧：+8.1pp 仅适用于共同支撑域内新客，ATT 不外推，座机停用月份效应无法估计，逐条声明而不是硬跑一个数字。\n可信度验证 # PSM 四件套：混杂选择（人口统计 7 项 + month 时间代理，OneHot 后 41 维，PS AUC 0.8825）→ 共同支撑域检查 → SMD 平衡性检验 → ATT 估计。匹配后 49 个特征水平中 46 个 SMD\u0026lt;0.1，仅剩的 3 个全是月份（座机停用月）——属信息缺失而非匹配失败。 方案 A 平衡性检验（SMD）：匹配后 49 个特征水平中 46 个 \u0026lt;0.1，仅剩的 3 个全是月份（座机停用月）。 双规格互证：方案 A 标准 caliper-NN，方案 B 精确匹配 month + 层内 NN——结论一致才进决策口径，结论打架继续查。 质量门纪律：匹配质量不达标就不出数字，回归客层是这条纪律的执行记录。 可做性检查前置：duration 禁用、campaign 只做描述、共线组不进模型——见「数据与口径」。 经验迁移与拓展收益 # 货拉拉质检工作的真实困境与此同构：规则 / 话术调整上线后\u0026quot;看起来\u0026quot;变好了——这是调整本身的功劳，还是客群、时段的自然变化？这类调整几乎不走 AB 测试，只有历史观察数据。本项目跑通的不是\u0026quot;在公开数据集上演示 PSM\u0026quot;，而是六个可复用的具体经验：\n可做性检查先于一切——campaign 式反向因果变量先怀疑，再使用； 分层先于匹配——不在纠缠的人群上直接调整； 共同支撑域检查是现实检验——改动后的策略在某个时段几乎全覆盖、缺对照组时，如实报告该时段效应无法估计； 匹配做了不算完——回报结构分布必须连带报告，\u0026ldquo;调整后估计\u0026quot;必须说明它代表哪部分客群； 双规格互证才敢下判断； 质量门不过就不出数字。 代码与数据 # GitHub：ArlesZhang/Outbound-Sales-Strategy-Analysis 仓库含：notebooks 01–05（数据质量与生命周期分层 / 驱动因素 / 客户评分 / PSM 渠道验证 / 外呼节奏）、docs/00_methodology_notes.md（口径与声明基准）、12 张分析图表 数据：UCI Bank Marketing 公开数据集（41,188 × 21，正类 11.27%） ","date":"2026年9月3日","externalUrl":null,"permalink":"/projects/outbound-sales/","section":"Projects","summary":"","title":"外呼销售策略分析（PSM）","type":"projects"},{"content":" 执行摘要 # 建议：数据指向暂不全量上线——第 7 天回访 −0.82pp 统计显著但效应量极小（Cohen\u0026rsquo;s h = −0.021），收益侧零改善；这不是\u0026quot;保守没结论\u0026quot;，是把\u0026quot;统计显著\u0026quot;与\u0026quot;值得上线\u0026quot;分开之后的正常决策。\n三条核心结论：\n成本侧成立但很小：第 7 天回访 19.02% vs 18.20%（−0.82pp、相对 −4.3%），Bootstrap 5,000 次重抽样 99.9% 为负——方向稳健、不是噪声；但效应量极小，约每 122 名 gate_40 玩家少 1 人回来。 收益侧零改善：游玩深度持平（≥30 回合 37.26% vs 36.52%、≥40 回合 30.35% vs 30.40%），第 1 天回访不显著（−0.59pp、p = 0.074）——改动没有带来任何收益。 成本由高活跃玩家承担：负向信号集中在鲸鱼（−2.36pp）与重度玩家（−1.38pp）——若上线，对游戏价值最高的人群先付成本。 执行策略：双轨决策——当前证据下不全量上线；若门后移的业务目标是变现且收入增量能覆盖约 −0.8pp 周回访成本，可上线或带变现指标重跑实验。边界：数据集不含任何变现 / 收入字段，轨道 2 的判断无法在本数据内完成。\n背景与问题定义 # Cookie Cats 是移动拼图游戏，关卡之间设\u0026quot;门\u0026quot;（gate）：到达门口须等待或付费才能继续。门放太早劝退新手，放太晚损失变现机会——门的位置是变现与留存的权衡。业务方做了一次 A/B 测试：把第一个门从第 30 关移到第 40 关，90,189 名新玩家随机分入两组（gate_30 44,700 / gate_40 45,489）。\n要回答的不是\u0026quot;差异显不显著\u0026quot;的统计练习，而是一个有真实 revenue 含义的上线决策：该不该全量上线？\n分析框架：上线决策 = 收益侧 + 成本侧 + 置信度 # 把上线决策拆成三个子问题，每个子问题对应一组指标与一套检验：\n改动是否伤害游玩深度（Guardrail）——回合数分布对比；若伤害成立，决策直接终止。 留存是否下降（核心成本）——第 1 天与第 7 天回访分别检验：两者是独立事件（3,599 名玩家第 7 天回访但第 1 天没有，占 7 天回访者 21.4%），不是\u0026quot;连续留存到第 N 天\u0026quot;。 负向信号集中在谁身上（子群）——按活跃度分层；前置声明局限：子群只生成假设，不用于决策。 校验链按顺序执行，任何一环失败结论即作废：SRM → 功效 → Guardrail → 核心检验 → 子群。顺序即纪律：先确认实验可信，再谈结论；先谈效应大小，再谈显著与否。\n核心发现 # 发现 1｜第 7 天回访 −0.82pp：真实，但很小 # 数据事实：第 7 天当天回访 19.02% vs 18.20%（−0.82pp、相对 −4.3%），p = 0.0016，Newcombe 95% CI [−1.33%, −0.31%] 不含 0；Bootstrap 5,000 次重抽样 95% CI [−1.33%, −0.32%] 与之几乎重合，99.9% 重抽样为负。\n为什么重要：归因分三层。是不是噪声——不是，两路 CI 重合、99.9% 为负；是不是够大——不是，Cohen\u0026rsquo;s h = −0.021，其 Bootstrap CI 整条远低于 0.2 的小效应阈值；统计真实，业务很小，统计显著 ≠ 业务显著。\n策略建议：成本侧成立，但幅度本身不足以单独支撑上线决策——必须与收益侧（发现 2、3）合并权衡后进入双轨决策。\n第 7 天回访差异的 Bootstrap 分布（5,000 次重抽样）：99.9% 为负，差异大小集中在 −1.33% ~ −0.32%。 发现 2｜第 1 天回访不显著，但与第 7 天同向 # 数据事实：第 1 天当天回访 44.82% vs 44.23%（−0.59pp），p = 0.074，95% CI [−1.24%, +0.06%] 含 0。\n为什么重要：\u0026ldquo;一个显著一个不显著\u0026quot;不是矛盾：两差异方向一致（都为负），差别在证据强度。把第 1 天读成\u0026quot;无影响\u0026quot;是误读证据结构；把两天合并成\u0026quot;连续留存\u0026quot;则误读了事件定义。\n策略建议：上线决策以第 7 天为主口径，第 1 天作方向性参考；汇报中两天并列呈现、分别检验。\n两组第 1 天 / 第 7 天回访率对比：第 7 天 19.02% vs 18.20%（−0.82pp）。 发现 3｜Guardrail 未触发：改动没有伤害游玩深度 # 数据事实：回合数极端右偏（中位数 17 vs 16，最大 49,854）；Mann-Whitney U p = 0.0502 恰在边界，但 Cliff\u0026rsquo;s delta = 0.0075 远低于 0.147 的\u0026quot;可忽略\u0026quot;阈值；均值差 Bootstrap 95% CI [−4.07, +0.96] 回合含 0；\u0026ldquo;玩到门附近\u0026quot;的比例两组几乎一样（≥30 回合 37.26% vs 36.52%，≥40 回合 30.35% vs 30.40%）。\n为什么重要：深度未受损，意味着上线决策只需权衡留存成本，不必叠加体验债风险；同时也示范了一条纪律——边界 p 值不定论，效应量定论。\n策略建议：Guardrail 不构成上线阻碍；若重跑实验，沿用同一 Guardrail 作固定项。\n发现 4｜负向信号集中在高活跃玩家（探索性，不用于决策） # 数据事实：鲸鱼（55+ 回合）−2.36pp（p = 0.0005）、重度（19–54 回合）−1.38pp（p = 0.0055），均过 Bonferroni 参考线（α/7 ≈ 0.0071）；轻量 / 中量 / 零回合不显著。\n为什么重要：它指出成本由谁承担——对游戏价值最高的人群先付损失。若未来上线，这是监控清单的第一项。\n局限与建议：sum_gamerounds 是 post-treatment 变量，子群成员资格被处理污染（≥30 回合比例两组差 −0.74pp 显著），叠加多重比较——本节只生成假设：如上线，优先监控高活跃玩家留存。\n综合策略与收益预估 # 策略是双轨决策，而不是二选一：\n轨道 1（当前证据下）：不全量上线 gate_40——收益侧零改善，成本侧有一个稳健但很小的第 7 天回访下降，且集中于高活跃玩家，决策不对称不成立。 轨道 2（条件路径）：若门后移的业务目标是变现（如测试付费墙时点），且收入增量能覆盖约 −0.8pp 周回访的成本，可考虑上线，或带变现指标重跑实验。效应量极小意味着这个成本并非不可承受——关键是决定权交给收入端。 边界声明：数据集不含任何变现 / 收入字段，轨道 2 的判断无法在本数据内完成——这是分析标注的边界，不是被回避的问题。 收益预估与边界：没有上线，就没有实测回收——本项目的回收以另一种形式呈现：它把一次错误全量的决策成本（全体玩家承担、高活跃玩家集中流失的风险）归零，并把\u0026quot;要不要上线\u0026quot;转化为收入端可计算的条件问题（收入增量是否覆盖 −0.8pp 周回访成本）。若轨道 2 条件成立，重跑实验的设计——Guardrail 前置、双口径、效应量阈值先注册——可直接复用本项目的校验链。\n可信度验证 # SRM 检查随机分组：gate_40 占 50.44%，p = 0.0086 统计显著，但 Cohen\u0026rsquo;s w = 0.0087 远低于 0.1 小效应阈值——大样本下\u0026quot;显著但无实际意义\u0026rdquo;，带警示继续。 功效计算：80% 功效下 MDE 约第 1 天回访 0.9pp、第 7 天 0.7pp；第 7 天观测差 0.82pp 高于其 MDE，\u0026ldquo;检出显著\u0026quot;与功效预期自洽。 Guardrail 检验：见发现 3——以效应量定论，不以边界 p 值定论。 核心检验互校验：双比例 Z 与卡方互为校验（z² = χ²），Newcombe 置信区间，Cohen\u0026rsquo;s h 效应量。 口径稳健：主口径 ITT，剔除零回合玩家（4.43%）作敏感性口径，两口径方向一致。 经验迁移与拓展收益 # 这个项目沉淀的是一条决策纪律：统计显著与业务显著是两个问题，必须分开回答、按顺序回答。显著性回答\u0026quot;是不是真的\u0026rdquo;，效应量回答\u0026quot;值不值得\u0026rdquo;，子群回答\u0026quot;谁在承担\u0026quot;——三者缺一，上线决策就是掷硬币。这条纪律同样适用于质检场景的规则调整：调整前后的差异显著，不等于调整值得全量推广。\n代码与数据 # GitHub：ArlesZhang/Mobile_Games_AB_Testing-Cookie_Cats 仓库含：4 个 notebook（业务理解+实验校验 / EDA+Guardrail / 核心留存检验 / Bootstrap+子群）、9 张分析图表、docs/interview_prep.md 面试叙事版 数据：Kaggle 公开数据集（Cookie Cats，90,189 名玩家）；分析代码与结论供学习与作品集用途 ","date":"2026年9月3日","externalUrl":null,"permalink":"/projects/cookie-cats-ab/","section":"Projects","summary":"","title":"Cookie Cats A/B 测试决策分析","type":"projects"},{"content":"","externalUrl":null,"permalink":"/en/","section":"Arles Zhang · Business Growth \u0026 AI Applications","summary":"","title":"Arles Zhang · Business Growth \u0026 AI Applications","type":"page"},{"content":"","externalUrl":null,"permalink":"/en/authors/","section":"Authors","summary":"","title":"Authors","type":"authors"},{"content":"","externalUrl":null,"permalink":"/en/categories/","section":"Categories","summary":"","title":"Categories","type":"categories"},{"content":"","externalUrl":null,"permalink":"/en/series/","section":"Series","summary":"","title":"Series","type":"series"},{"content":"","externalUrl":null,"permalink":"/en/tags/","section":"Tags","summary":"","title":"Tags","type":"tags"}]