淘宝 2900 万条真实用户行为（287,004 用户 / 10 天，阿里云天池公开集）。漏斗与 RFM 用的是项目跑出的逐级真实数字； A/B 测试区让你自己拖样本量、拖提升幅度，实时看统计功效和显著性——并讲清楚 p 值到底是什么。 源码
下面这台计算器复刻了项目里那场真实 A/B 的思路：对照组 vs 实验组，看转化率提升是否显著。默认参数=项目真实基线（对照 4.43%、提升 +0.44%、每组约 50 万用户）。
显著性水平固定为 α = 0.05（业界惯例）。上面三个数，下面实时出结论。
实验组转化率 = 对照 × (1+提升)。这里：4.43% → 4.47%。
用两组转化的标准误差归一化差异得到 z 值，再换算成 p 值。
p<0.05 → 显著；功效=在 α=0.05 下能发现该提升的概率。两者都算给你看。
行为次数口径（pv→fav/cart→buy）。越往下越窄，最粗的瓶颈在"点击 → 兴趣行为"——约 93.8% 的点击没有产生任何收藏或加购。
reports/sql_analysis_summary.md 第 2.3 节（03_conversion_funnel.sql）。NTILE(5) 自动分箱 + 生命周期状态迁移。二八定律在真实数据里非常扎眼：8.5% 的高价值用户贡献了 42.3% 的购买。
| 层级 | 占比 | 平均购买 | 购买贡献 |
|---|
沉睡(12.3%) + 流失风险(23.0%) = 35.3% 是召回潜力池；新用户(22.4%) 贡献仅 5.2%，首单引导在注册 48h 内最有效。
src/shoplytics/ 与 reports/。reports/sql_analysis_summary.md；AB(0.44%/p=0.43) 与准实验(+6.97pp) reports/pipeline_summary.json、reports/uplift_quasi_results.json。