生成数据集假设

假设（可检验且可操作化）： 在控制人群分层、价格与促销后，渠道对续费率的直接影响不显著；渠道影响续费主要通过提升早期漏斗转化（曝光→详情页、详情页→试用开始）的间接路径实现。

形式化表述：

• 变量定义：
  • 渠道：按来源编码（如自然、有机搜索、付费投放、联盟等），或以“渠道意向度”连续指标替代（例如以曝光→详情页CTR和详情→试用CVR综合构建）。
  • 人群分层：年龄段、地域、设备类型、历史付费行为、首购价格带等。
  • 漏斗转化：E1=曝光→详情页，E2=详情页→试用开始，E3=试用→付费，E4=付费→首个周期续费。
  • 控制变量：首购价格、促销、试用时长、订阅周期长度、投放日期（季节性）、首购渠道与续费渠道是否一致等。
• 因果路径（中介模型）：
  • 渠道 → E1/E2 → E3 → 续费
  • 直接效应 c'：渠道 → 续费（在控制人群与价格后）
  • 间接效应 a×b：渠道对早期转化（a）通过后续转化链影响续费（b）

统计假设：

• 研究假设 R：间接效应显著（a×b > 0），直接效应接近零且无业务意义。
• 检验设定：
  • H0(indirect)：a×b = 0
  • H1(indirect)：a×b > 0
  • 等效性检验（TOST）用于直接效应：|c'| < δ（预设最小可感知效应阈值，如续费率差<0.5个百分点）

检验方案（概要）：

1. 数据预处理
   • 构建用户级漏斗表：唯一用户ID，首触渠道与主渠道定义，多次曝光去重与归因窗口（如7/14天）。
   • 明确时间窗：试用开始、付费与首个续费的观察期；对尚未到续费窗口的用户进行右删失标记。
   • 缺失与异常处理：剔除机器人流量、极端曝光次数Winsorize，统一币种与价格。
2. 指标与分层
   • 按渠道×人群分层计算E1–E4的转化率与漏斗流失率。
   • 生成“渠道意向度”分数（可选）：标准化CTR(E1)与CVR(E2)的加权和。
3. 建模
   • 续费（二分类）：分层广义线性混合模型（GLMM，logit），随机效应=渠道、人群分层；固定效应=价格、促销、试用时长、周期长度、首购月份。
   • 中介效应：顺序逻辑回归链或结构方程模型（SEM）；以非参数Bootstrap（≥5,000次）估计a×b的置信区间。
   • 右删失处理（如观察期未到续费）：Cox比例风险模型验证结果稳健性。
4. 检验与判定
   • 间接效应：a×b的95%置信区间不含0则成立。
   • 直接效应：c'的90%等效性区间完全落在(−δ, δ)内，判定“无业务意义的直接效应”。
   • 效果大小报告：分层平均处理效应（ATE）与条件平均处理效应（CATE），解释为续费率百分点变化。

潜在偏差与控制要点：

• 归因偏差：多渠道触达需统一首触/主触策略，或使用时间衰减归因并在模型中校正。
• 选择偏差：不同渠道投放策略可能按人群定向，需在模型中显式控制人群特征，或进行倾向评分加权（IPW）。
• 季节性与价格变动：以时间固定效应与价格/促销变量控制。
• 试用/套餐异质性：试用时长、套餐类型作为协变量；必要时在同质套餐子样本中复核。

业务意义（若假设成立）：

• 提升续费的最有效杠杆是优化早期漏斗（提升曝光→详情、详情→试用的质量与匹配度），而非单纯更换渠道。
• 渠道评估应以“对早期参与度的贡献”作为核心KPI，并在统一人群与价格条件下比较。

假设（可检验且可操作化）

• 主要假设 H1：完成新功能引导（到达最后一步且无异常退出）的用户，在进入引导后的7天内具有更高的功能采用率与更高的反馈评分，且该提升随完成步骤数单调增加。
• 零假设 H0：完成引导与7天内功能采用率、反馈评分无显著关联。

关键变量与定义

• 引导进入：首次出现“进入引导”事件，按用户×功能版本去重（24小时内重复进入视为同一会话）。
• 完成状态：
  • 完成：触发最终“步骤完成”事件，且未记录“异常退出”。
  • 未完成：进入后未触发最终步骤完成；包含异常退出与中途离开。
• 步骤完成数：该次引导会话内的已完成步骤计数。
• 结果变量：
  • 7天采用率：进入引导后7天内出现≥1次“功能使用”事件的比例。
  • 7天使用强度：7天内“功能使用”事件次数/活跃天数。
  • 7天反馈评分：进入后7天内的最新评分（1–5），或采用有序等级变量。
• 可能混杂因素：平台（iOS/Android/Web）、应用版本、国家/语言、新老用户（安装时长/既往使用频次）、来源渠道、引导版本与步骤数、设备性能、时间（周内/节假日）。

数据预处理要点

• 会话化：以进入引导为起点，按不活动阈值（如30分钟）界定会话结束。
• 序列完整性：校验步骤顺序与合法跳转；剔除逆序或重复事件。
• 异常退出判定优先级：若存在显式“异常退出”事件则标记为未完成。
• 时间统一：统一至UTC并保留用户时区用于日界判定；处理跨日会话。
• 去重与身份映射：稳定用户ID（排除设备更换导致的重复）；过滤测试/机器人流量。

分析与检验方案

• 描述性分析：计算各完成状态/步骤数分层的漏斗转化（进入→完成→使用→评分），并绘制每步流失率与步时分布以识别摩擦点。
• 主要效果检验：
  1. 功能采用率（二元）：两比例检验（z检验）比较完成 vs 未完成；同时构建多变量逻辑回归：
     • y=是否7天内使用
     • x=完成状态/完成步骤数（连续或分层）
     • 控制混杂因素（见上）
     • 报告胜算比OR与95%置信区间；进行稳健标准误。
  2. 使用强度（计数/偏态）：负二项或零膨胀负二项回归；报告率比与CI。
  3. 反馈评分（有序）：有序逻辑回归（或累积logit），检验完成状态对较高评分的优势比；若评分偏连续且近似正态，可用线性模型并做异方差稳健。
• 单调性检验：将完成步骤数作为连续变量，检验其与采用率/评分的线性或准线性关系；亦可用分位数分层做趋势检验（Cochran-Armitage）。
• 时间到首次使用：Cox比例风险模型，事件=首次“功能使用”，暴露=完成状态；报告风险比HR与比例风险检验。
• 选择偏差缓解：倾向得分匹配/加权（PSM/IPTW），利用混杂因素估计完成概率，匹配后重复主要检验以获得ATE/ATT。
• 敏感性分析：排除既往高活跃用户、不同平台分层、不同引导版本分层；安慰剂检验（对无关功能使用作为负控）。

判定标准与效果度量

• 统计显著性：双侧α=0.05，必要时多重比较校正（BH）。
• 实际意义：报告绝对提升（风险差）、相对提升（OR/RR/HR）、中位数变化；结合样本量评估功效。
• 鲁棒性：不同模型一致方向与接近的效应大小。

可能的替代解释与控制

• 动机偏差：完成引导的用户可能更有内在动机。用既往行为特征做控制/匹配，或在可行时进行随机分流（A/B）。
• 版本差异：引导版本与步骤数不同导致混杂。模型中纳入版本固定效应或分版本分析。
• 事件缺失：埋点漏记会偏倚完成率。进行缺失率审计与数据质量告警，必要时进行权重修正或区间估计。

预期观察

• 若假设成立：完成组在7天采用率、使用强度、评分上均显著高于未完成组；完成步骤数与效果呈正向单调趋势；异常退出集中于特定步骤且伴随较长停留或高错误率。
• 若不成立：效应不显著或方向不一致，需进一步检查混杂控制与引导内容质量。