# 🔍 数据质量分析报告

## 问题描述

选择了11个标签组合后，转化率变成了 **0%**：
- 母亲主导
- 一线城市  
- 高收入 (>5w)
- 独生子女
- 初中阶段
- 初一 (7年级)
- 培优拔高
- 数学薄弱
- 重点/示范校
- 体制内/国企
- **日活用户** ← 这个导致了 0 人

---

## 分析结果

### ✅ 数据不是质量太低的问题

实际上，数据质量还不错：
- 总用户数：50,000 人
- 前 10 个条件交集：**4 人** ✅
- 加上第 11 个条件（日活用户）：**0 人** ❌

### 🎯 真实原因

**不是数据太少，而是标签相关性设计不够合理**

这4个符合前10个条件的用户，他们的活跃特征分别是：
1. 用户 16727：**考前突击**
2. 用户 20002：**沉默用户**
3. 用户 28755：**周末活跃**
4. 用户 29105：**考前突击**

**没有一个是"日活用户"！**

---

## 根本问题

### 当前种子数据生成逻辑（seed.js 第 363 行）

```javascript
// 活跃特征 (同时存在两项的概率加大)
tags.push(weightedPick([
  { value: 'eng_active_daily', weight: 15 },  // 只有 15% 概率
  { value: 'eng_weekend', weight: 35 },       // 35%
  { value: 'eng_exam', weight: 25 },          // 25%
  { value: 'eng_dormant', weight: 25 }        // 25%
]));
```

### 问题点

1. **日活用户比例太低**（15%）
2. **活跃特征与其他属性无相关性**
   - 逻辑上，"高收入 + 培优拔高 + 重点学校"的家长**应该更可能是日活用户**
   - 但代码中，活跃特征是完全随机分配的

3. **没有考虑用户画像的合理性**
   - 体制内/国企 + 全职妈妈 → 更可能日活
   - 高收入 + 培优拔高 → 更可能付费+日活
   - 沉默用户不应该同时是付费会员

---

## 改进方案

### 方案 1：提高日活用户比例（快速）

修改权重：
```javascript
tags.push(weightedPick([
  { value: 'eng_active_daily', weight: 30 },  // 提高到 30%
  { value: 'eng_weekend', weight: 30 },
  { value: 'eng_exam', weight: 25 },
  { value: 'eng_dormant', weight: 15 }        // 降低沉默用户
]));
```

### 方案 2：基于用户画像的智能分配（推荐）

```javascript
// 活跃特征 - 基于用户画像智能分配
let engWeights;

// 高收入 + 培优拔高 + 重点学校 → 大概率日活
if ((actualIncome === 'inc_high' || actualIncome === 'inc_mid_high') 
    && tags.includes('sp_top')) {
  engWeights = [
    { value: 'eng_active_daily', weight: 40 },  // 40%
    { value: 'eng_weekend', weight: 30 },
    { value: 'eng_exam', weight: 20 },
    { value: 'eng_dormant', weight: 10 }
  ];
}
// 全职妈妈 → 高概率日活
else if (tags.includes('pj_fulltime')) {
  engWeights = [
    { value: 'eng_active_daily', weight: 50 },  // 50%
    { value: 'eng_weekend', weight: 25 },
    { value: 'eng_exam', weight: 15 },
    { value: 'eng_dormant', weight: 10 }
  ];
}
// 体制内/国企 → 中等日活概率
else if (tags.includes('pj_gov')) {
  engWeights = [
    { value: 'eng_active_daily', weight: 25 },
    { value: 'eng_weekend', weight: 35 },
    { value: 'eng_exam', weight: 25 },
    { value: 'eng_dormant', weight: 15 }
  ];
}
// 其他情况
else {
  engWeights = [
    { value: 'eng_active_daily', weight: 15 },
    { value: 'eng_weekend', weight: 35 },
    { value: 'eng_exam', weight: 30 },
    { value: 'eng_dormant', weight: 20 }
  ];
}

tags.push(weightedPick(engWeights));
```

### 方案 3：重新生成数据（最佳）

运行改进后的种子脚本：
```bash
npm run seed
```

---

## 数据统计

### 逐步筛选过程

| 步骤 | 添加条件 | 剩余人数 | 占比 |
|------|---------|---------|------|
| 1 | 母亲主导 | 30,006 | 60.01% |
| 2 | + 一线城市 | 4,492 | 8.98% |
| 3 | + 高收入 | 1,390 | 2.78% |
| 4 | + 独生子女 | 804 | 1.61% |
| 5 | + 初中阶段 | 483 | 0.97% |
| 6 | + 初一 | 174 | 0.35% |
| 7 | + 培优拔高 | 85 | 0.17% |
| 8 | + 数学薄弱 | 34 | 0.07% |
| 9 | + 重点学校 | 11 | 0.02% |
| 10 | + 体制内/国企 | **4** | **0.008%** |
| 11 | + 日活用户 | **0** | **0%** ❌ |

### 两两标签相关性（Jaccard 相似度）

| 标签对 | 交集人数 | 相似度 |
|--------|---------|--------|
| 母亲主导 ∩ 一线城市 | 4,492 | 13.61% |
| 一线城市 ∩ 高收入 | 2,319 | 20.76% |
| 高收入 ∩ 独生子女 | 3,315 | 10.98% |
| 独生子女 ∩ 初中阶段 | 16,633 | 37.80% |
| 初中阶段 ∩ 初一 | 11,964 | 35.50% |

---

## 建议

### 短期方案（5分钟）
重新生成种子数据，提高日活用户比例和相关性

### 长期方案
1. 添加更多真实的用户行为数据
2. 基于实际业务逻辑设计标签相关性
3. 定期分析标签组合的覆盖情况
4. 对于极端稀少的组合，可以在 UI 上给出提示

---

## 结论

✅ **这不是数据质量问题**，数据生成逻辑运行正常
⚠️ **这是标签相关性设计问题**，需要优化种子数据生成算法
🎯 **解决方案**：重新生成数据，让标签之间有更合理的相关性

生成时间: $(date)