onion-dmp/analyze_issue.md

🔍 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）

// 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：

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）

// 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：

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)