中文名稱：診斷性分析 英文名稱：Diagnostic Analysis
📌 定義（Definition）
診斷性分析旨在探究數據中的特定現象或結果的根本原因。此類分析通常基於敘述性分析的結果，進一步深入了解數據背後的邏輯與影響因素。
⭐原理與技術
鑽取/向下分析 （Drill-down Analysis）
- 特點與用途：從宏觀數據逐層深入到細節層級，逐步鎖定問題範圍。
- 應用場景：銷售下降時，透過地區、產品類別或時間段分析，確定問題發生的具體區域或品類。
關聯分析 （Association Analysis）
- 特點與用途：分析數據項目之間的共現關係或模式。方法如 Apriori 演算法，用於分析超市購物車數據（如「啤酒與尿布的關聯性」）。
- 應用場景：在推薦系統中發掘產品之間的購買關聯。
因果分析 （Causal Analysis）
- 特點與用途：透過統計與實驗方法分析變量之間的因果關係，避免混淆相關性與因果性。方法如因果圖（Causal Diagrams）、隨機試驗（A/B 測試）。
- 應用場景：檢驗行銷活動對銷售增長的實際影響。
應用領域
診斷性分析在 AI 領域中，扮演著揭示模型表現問題根源、使用者行為理解與優化的關鍵角色。透過診斷性分析，我們可以識別哪些因素導致模型偏差，探究使用者流失原因，及優化產品推薦系統的效果。
- 模型偏差偵測：透過鑽取分析查看模型在不同子群體（例如不同地區、年齡）的誤差分布，找出偏差來源。
- 使用者行為分析：結合關聯分析發掘某些行為與使用者流失或轉換的關聯性，並透過因果分析驗證行動措施效果。
- 業務決策支持：診斷過去的事件，如銷售下降或網站流量減少，找出影響因素，支援管理層制定策略。
🛠 資料與工具
- 資料來源：交易記錄、使用者點擊流、客戶調查數據、時序數據、事件記錄等。
- 技術工具：SQL、BI 工具（如 Tableau、Power BI）、Python（pandas, scipy, statsmodels）、R 語言，及專門的因果推斷工具（如 DoWhy、CausalNex）。
3 題模擬練習題
題目 1
診斷性分析中，常用於由宏觀數據逐層深入，找出問題具體來源的方法是下列哪一項？
A. 關聯分析
B. 鑽取/向下分析
C. 因果分析
D. 預測分析
答案：B
詳解：
鑽取／向下分析（Drill-down Analysis）透過層層深入數據細節，從整體趨勢到底層數據，逐步鎖定問題原點。關聯分析則是挖掘數據項目間的共現模式，因果分析則強調變量間因果關係，預測分析則是利用歷史資料進行未來推估，故此題選 B。
題目 2
在診斷性分析中，若要了解「啤酒與尿布」在超市購物車中經常同時出現的原因，應該使用哪種分析方法？
A. 因果分析
B. 時間序列分析
C. 關聯分析
D. 聚類分析
答案：C
詳解：
關聯分析專注於挖掘數據間的共現規律與關聯性，Apriori 演算法即是用來發掘購物籃分析中哪些商品會同時出現。因果分析須進一步驗證因果關係，時間序列分析關注時間變化，聚類分析則是分群，故答案為 C。
題目 3
以下何者為因果分析（Causal Analysis）常見的技術與方法？
A. 聚類演算法與主成分分析
B. 隨機試驗（A/B 測試）與因果圖（Causal Diagrams）
C. 關聯規則與市場籃子分析
D. 預測模型與回歸分析
答案：B
詳解：
因果分析的重點在於解析變數之間的因果關係，隨機試驗（A/B 測試）及因果圖是常用工具，幫助判斷一變量是否會對另一變量產生影響。聚類和主成分主要用於降維與分群，關聯規則則是發掘共現性，回歸分析在預測模型中常見，但不一定具因果推斷能力，故選 B。