窗口函数在与当前行相关的行上执行计算，不像GROUP BY那样折叠行。关键区别：GROUP BY每组返回一行；窗口函数保留所有行并添加计算列。ROW_NUMBER() OVER(PARTITION BY dept ORDER BY salary DESC)在每个部门内分配序号——适合"每组Top N"查询。LAG/LEAD访问前一行/后一行——计算环比增长。SUM() OVER(ORDER BY date)创建累计汇总。我每天使用：ROW_NUMBER做队列分析找每用户首次购买，LAG做流失检测比较活跃周期，SUM做累计收入追踪。

A/B测试是通过随机对照实验比较两个版本的效果，以数据驱动产品决策。完整流程如下：首先明确实验假设和核心指标。比如要测试新的推荐算法是否提升用户留存，H0是新旧算法留存无差异，H1是新算法留存更高。核心指标选次日留存率，护栏指标包括人均使用时长和崩溃率（确保不伤害用户体验）。然后计算所需样本量。假设baseline留存率40%，MDE是相对提升2%（即从40%提到40.8%），alpha=0.05，power=0.80，通过功效分析计算出每组需要约25万用户。按日活估算实验需要运行多少天，建议至少覆盖一个完整周期（7天以上）以排除周末效应。实验设计上，以用户ID为随机化单元，通过hash分桶确保同一用户始终看到相同版本。分流前做AA测试验证分流系统无偏差。关键是实验上线后不要提前偷看结果（peeking problem），因为在样本量不足时多次检验会严重膨胀假阳性率。到达预定样本量和时间后，用双样本z检验（比例指标）或t检验（连续指标）分析结果。如果p<0.05，拒绝原假设，但还要看效应量是否有业务价值——统计显著但只提升0.01%可能不值得上线。最后做分层分析：按平台（iOS/Android）、地区、新老用户等维度切分，检查是否存在辛普森悖论或异质性效应。如果新用户显著提升但老用户显著下降，整体可能看起来无效但实际需要分人群策略。

我遵循四步框架。第一，理解业务：这些数据会指导什么决策？对电商公司，核心问题可能是"我们增长可持续吗？"第二，定义指标树：主KPI是月GMV。辅助指标分支到流量（会话、转化率）、客单价（AOV、每单商品数）和留存（复购率、队列留存）。第三，添加诊断指标：GMV下降是流量、转化还是客单价问题？第四，构建每日自动更新的仪表盘和偏离基线2个标准差的告警。还定义数据质量检查确保指标可信。

首先验证数据：30%的下降是真实的还是报表延迟？检查数据管道延迟看板，对比原始事件流计数和聚合指标。如果确认真实，界定范围：是全品类还是特定品类？只影响下单还是支付也受影响？交叉验证三个数据源：（1）支付网关成功率——支付失败激增说明支付服务有问题；（2）该地区CDN和应用服务器错误率——5xx错误指向基础设施问题；（3）用户会话数据——如果会话活跃但转化下降，可能是UX问题如结算按钮故障。同时检查外部因素：竞品大促时间、地区运营商报告。根据发现快速升级，一句话总结："X地区订单下降由[根因]导致，每小时影响约¥Y万，建议[行动]。"同时为后续活动设置更严格阈值的自动告警。

假设：1步结算将使购物车到下单的转化率提升至少3%，同时不增加退货率或客服工单。主指标：结算完成率（下单数/发起结算数）。护栏指标：7天内退货率、48小时内客服联系量、客单价、支付失败率。实验设计：按用户级别随机（非会话级别），避免同一用户看到不同体验。基于淘宝约65%的基线转化率、3%的最小可检测效应、80%统计功效和5%显著性水平，计算每组约需35000用户。测试运行2整周覆盖工作日/周末周期。关键陷阱：（1）新奇效应——新UI可能因为"新"而临时提升转化，如果早期结果异常强要延长到3周。（2）分层分析——1步流程可能帮助移动端但伤害PC端需要复核的用户，预注册按设备、用户年限和客单价分层切分。（3）1步流程可能增加冲动购买后的退货——所以设置了7天退货率护栏。

队列定义：首次用这个功能的用户——某周W做过X的。然后测W+1、W+2...W+12周回归比例。健康曲线走平——比如D30留存25%持平。垂死曲线几期内归零。跨周队列比较：新队列比老队列留存好就是产品对新用户在改善。全部一样就是原地踏步。最有用的一层是分层——按获客渠道看留存几乎总有巨大方差，"平均值"掩盖了究竟哪个渠道真有效。上新功能我还会盯W+1——第2周降50%正常；降90%就是功能没兑现期望。

拿到A/B结果我第一步查SRM——分流实际是不是按配置落地。对事件计数卡方；p<0.001我就不信这个实验，要么漏桶要么错桶。接着查偷看：看样本量决策是否预注册，如果有人偷看早停、我把结果当探索性的。新奇效应按时间分层：第二周提升是第一周的一半说明"新鲜感"贡献大部分。多重比较用Benjamini-Hochberg——比Bonferroni更有力。外部效度：至少一整周，周中周末组成重要。见过最惨的真实灾难：有人庆祝5%提升，两个月后归零——经典新奇+均值回归。

经典'连续问题'解法:用行号差(row_number - day)归类。同一用户的连续登录日期,date - row_number 是常数,这样把同一段连续日期归到同一组。 ```sql WITH dedup AS ( SELECT DISTINCT user_id, login_date FROM login_log ), grouped AS ( SELECT user_id, login_date, DATE_SUB(login_date, INTERVAL ROW_NUMBER() OVER (PARTITION BY user_id ORDER BY login_date) DAY) AS grp FROM dedup ) SELECT DISTINCT user_id FROM grouped GROUP BY user_id, grp HAVING COUNT(*) >= 7; ``` 步骤解释:1) 先 DISTINCT 去掉同日多次登录;2) ROW_NUMBER() 按日期排序给每行编号;3) login_date - 行号 = 同组常数(因为连续日期减连续行号永远是固定差);4) 按 (user_id, grp) 分组,count >= 7 即为连续 7 天。 替代解法:LAG/LEAD 看相邻日期差,但要处理多段连续比较麻烦。或者用 INTERVAL 关联表自连接,但 7 天连接 7 次性能差。 阿里数据岗常考变种:连续 N 天有交易/连续 N 周活跃/连续打卡等,本质一样。

三步走。第一,显著性检验。CTR 是比例,用 Z 检验。p_t = 0.048, p_c = 0.045, n = 100000。pooled p = (4800 + 4500) / 200000 = 0.0465。标准误 SE = sqrt(p*(1-p)*(1/n + 1/n)) = sqrt(0.0465*0.9535*2/100000) ≈ 0.000942。Z = (0.048 - 0.045) / 0.000942 ≈ 3.18。查表 Z>1.96 即 p<0.05 显著,这里 p<0.002,高度显著。提升 6.7% 相对值。 第二,统计显著 ≠ 业务显著。要看:a) effect size 是否够大(0.3pp 的绝对提升,业务上是否值得做产品换);b) 多目标分析:CTR 涨了,但留存、停留时长、电商 GMV 有没有跌(可能 CTR 涨是因为标题党);c) 分群效应:对新老用户、不同地区、不同设备是否一致(可能整体涨是因为新用户大涨抵消老用户跌);d) 长期效应:实验跑了多久?CTR 涨可能是新鲜感(novelty effect),要看 7-14 天趋势。 第三,上线决策框架:核心指标显著 + 护栏指标无大跌 + 长期趋势稳定 + 工程成本可接受 → 全量;若有 trade-off 则灰度扩到 50% 再观察 1 周。 坑:实验组别污染(用户切换组)、样本不均、节假日干扰(实验时段要避开),阿里有专门的 A/B 平台处理这些。

**1. 第一步：确认数据真实性 (避免乌龙)** - 数据源是否正确? 是不是 ETL 出问题? - 时间窗口是否对齐? 月度 vs 30 天滚动 vs 自然月可能差别大 - 排除一次性事件 (上月有 618 大促,今月没有 → 自然环比下降合理) - 跟其他口径交叉验证 (Hive vs 实时大盘 vs BI 报表) 确认数据真实后,才进入分析。 **2. 第二步：GMV 公式拆解** GMV = UV × CVR × 客单价 或更细： GMV = UV × CTR × CVR × 客单价 或最细： GMV = 流量入口曝光 × 流量入口 CTR × 落地页 CTR × 加购率 × 下单率 × 支付率 × 客单价 看哪个环节下降。 **3. 第三步：维度下钻 (找到下降的具体原因)** **a) 时间维度**： - 是某几天异常,还是全月渐进? 突发 vs 趋势性下滑根因不同 - 周末 vs 工作日? 大促前 vs 大促后? **b) 用户维度**： - 新客 vs 老客 哪个降? - 高消费用户 vs 低消费用户? - 渠道分: 首页推荐 / 搜索 / 直播 / 短视频 哪个来源降? - 地域: 一线 vs 下沉? **c) 商品维度**： - 头部商品 (Top 100) vs 长尾,哪个降? - 子品类细分 (服装下又分男装/女装/童装,谁降?) - 价格段: 高价 vs 中低价? - 品牌: 大品牌 vs 白牌? **d) 设备维度**： - 手淘 APP vs PC vs H5? - iOS vs Android (是否某次版本 bug?) **e) 行为漏斗**： - 浏览 / 加购 / 下单 / 支付 哪步降? **4. 第四步：建立假设并验证** 基于下钻发现的异常点,提出多个候选假设,逐个验证。 **假设示例**： **假设 A: 大促错峰** - 上月有 618 拉高基数,今月自然降 - 验证: 看历年同期同类品类 GMV,是否每年都有类似环比降 - 如果是,正常情况,无需特别行动 **假设 B: 流量来源问题** - 假设是 '推荐位流量下降' - 验证: 看推荐位曝光 / 点击 / 转化曲线 - 如果曝光降,可能是算法策略调整 / 资源位被其他品类抢 - 找推荐团队沟通 **假设 C: 商品供给问题** - 假设是 '头部商品下架 / 缺货' - 验证: 头部商品库存 / 上下架日志 - 如果是, business 方需要补货 / 引入新爆品 **假设 D: 价格竞争力** - 假设是 '竞品 (拼多多) 同款更便宜' - 验证: 抓取竞品同款商品价格 (公司有爬虫系统),做价格对比 - 如果是,商家需调价或者促销 **假设 E: 季节性** - 假设是 '夏装到秋装过渡期' - 验证: 同