数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow

数据科学工程实践 用户行为分析与建模、A/B实验、SQLFlow

• Skill 版本：v1
• 类别：统计建模与因果推断类

阶段一：整体评级

结论：经典原理（高信息浓度 × 高稳定性）

理由：

• 信息浓度高：全书围绕”为什么用这个方法、这个方法背后的原理是什么”展开，而非单纯的 操作手册。例如第1章从理性人选择理论、效用理论、揭示性偏好理论层层递进推导出离散选择模型 （DCM）的数学结构；第7章从相关性谬误讲到潜在结果框架（Potential Outcome Framework）， 再引出A/B实验作为科学因果推断方法的理论根基；第2章解释了为什么在存在删失数据的场景下 一般回归模型失效、必须选择生存分析。这些内容都是在讲底层设计决策，而非”点击这个按钮”式 的步骤说明。
• 稳定性高（主体部分）：第一部分（观测数据分析，第1～6章）和第二部分（实验设计， 第7～9章）讲的是统计学、计量经济学、实验设计的经典理论（DCM、生存分析、因果推断、 A/B实验、随机区组设计、Switchback实验等），这些原理不依赖特定工具版本，多年后依然适用。
• 例外（需注意的低稳定性部分）：第三部分（第10～12章）介绍开源工具SQLFlow，其中 Docker环境配置、CLI交互步骤等内容与工具版本绑定，稳定性较低；但该部分同时包含模型 可解释性理论（第11章：线性/逻辑回归、决策树、KNN、朴素贝叶斯等可解释模型对比，黑盒 模型解释方法）和深度学习聚类原理（第12章：LSTM-Autoencoder聚类算法原理），这些内容 仍然是高浓度、高稳定性的。整体评级不因局部工具细节而降级，但精读时会区分原理性内容 （生卡）和纯操作步骤（不生卡）。

类别识别

对照 category-checklists.md 现有类别，均未精确命中：

• “数据科学导论类”要求”广谱概览”，而本书是深挖具体方法（DCM/生存分析/因果推断/实验 设计），不是概览。
• “数据分析方法论类”聚焦”指标体系构建→MECE拆解→图表呈现”这条业务分析工作流，而本书是 具体的统计/计量经济学方法本身（模型假设、识别策略、效应量估计），技术深度明显更高。
• “AI 模型类”聚焦模型结构/训练目标，本书虽含LTV神经网络、LSTM-Autoencoder等内容，但 全书主线是”分析框架的选择与因果推断逻辑”，AI建模只是其中一种工具而非主线。

建议新增类别：统计建模与因果推断类

判定标准草案：以讲解特定统计/计量经济学方法（如离散选择模型、生存分析、因果推断方法、 A/B实验与实验设计）在商业场景下的原理、假设与应用为主要目标的书籍；不同于泛泛描述数据 分析工作流程的书（走”数据分析方法论类”），也不同于广谱概览数据科学生态的书（走”数据科学 导论类”）。

必答清单草案： 1. 方法适用场景与前提假设：什么业务问题触发选择该方法，方法背后的假设是什么 2. 从业务问题到统计模型的映射方式：如何把开放商业问题转化为可估计的模型 3. 因果推断逻辑：如何排除混杂、区分相关与因果 4. 实验设计原则：随机化、分层/区组、方差控制等设计手段 5. 效应量估计与显著性判断：如何评估效果大小与统计显著性 6. 方法失效场景与应对：假设不满足时（如无法随机分流、强约束条件）如何调整方法 7. 结果解释与业务落地：模型/实验结果如何转化为业务决策 8. 同类方法的对比与选型：同一问题下多种方法的优劣取舍

用户已确认新增该类别，已追加至 category-checklists.md，阶段四将按此清单执行核对。

章节进度追踪表

理由：全书12章均包含概念/术语/原理类内容的实质性讲解（离散选择模型、生存分析、 LTV、可解释模型体系、矩阵分解、因果推断方法、A/B实验原理、实验设计方差控制、特殊场景 实验方法、SQLFlow工作原理、模型可解释性、深度学习聚类原理），按”概念类内容强制生卡” 规则全部标记精读。第10章虽含Docker环境配置等操作步骤，但10.1节”SQLFlow工作原理”有 实质性原理讲解，故整章仍标精读（操作步骤部分精读时不生卡）。

待关联术语

实践卡进度

类别清单核对（统计建模与因果推断类）

核对结论：8/8 维度均已覆盖，均在阶段三精读过程中自然生成对应卡片，无需为凑清单额外补充生卡。

引用文献