文档搜索⌘``K入门数据分析 Amplitude AI 会话回放指南与调查实验管理开发者 SDK API 合作伙伴常见问题分析 / 图表 / Compass / 解读您的 Compass 图表，第 2 部分：相关性与群组

解读您的 Compass 图表，第 2 部分：相关性与群组

本文将帮助您：

理解相关性以及 Compass 为何使用它
从您的 Compass 图表结果中创建一个群组

本文解释了相关性及其如何应用于您的 Compass 图表，以及如何从结果中创建群组。请参阅解读您的 Compass 图表，第 1 部分了解如何阅读和解读 Compass 图表的详细分类。

理解相关性

相关性是衡量两个统计变量之间相互关联程度的指标。可能的值范围从 -1 到 1，0 分表示变量之间完全没有统计关系。1 分表示完全正相关，而 -1 分表示完全负相关。 Amplitude 像这样分类相关性分数：

高度预测性 : |correlation| >= 0.4
中度预测性 : 0.3 <= |correlation| < 0.4
轻微预测性 : 0.2 <= |correlation| < 0.3
无预测性 : |correlation| < 0.2

在 Compass 图表中，要关联的两个变量是：

用户是否至少触发了相关事件一定次数；以及
用户是否保留在目标群组中？

您可能听说过相关性的不同变体和定义。著名的例子包括马修斯相关系数 (Matthews correlation)、皮尔逊相关系数 (Pearson correlation)、phi 系数和 R 值。在这种情况下，所有这些不同方法都会产生等效的结果，因为 Compass 查看的是成对的二进制随机变量。请记住，相关性不是因果关系，因此您仍然应该测试和验证您从 Compass 分析中形成的任何假设。

注意

使用 Amplitude Experiment 来确定因果关系。

为什么相关性在这里是一个好的指标？

当您寻找那个能捕捉用户“顿悟”时刻的单一指标时，您希望大多数超过某个阈值的用户都能留存下来，而大多数低于阈值的用户最终不会留存。这样的指标将具有良好的阳性预测值 (PPV) 阈值。然而，您还必须考虑将用户推过该阈值的难易程度。如果您发现一个具有非常强 PPV 和 NPV 的阈值，但发现很难让用户跨越它，那么该指标对增长您的用户群就没有多大帮助。这方面的一个明显迹象是，如果您的用户中很少有人跨过该阈值，或者几乎所有用户都已经跨过了它。当然，情况并非总是如此——但在缺乏更具体信息的情况下，这通常是一个很好的假设。这就是 Compass 使用相关性来定位这些阈值的原因：相关性考虑了 PPV、NPV 以及超过阈值的比例。如果 PPV 较高，NPV 较高，或者超过阈值的用户比例接近 50%，那么相关性也会较高。同样，如果 PPV 较低，NPV 较低，或者超过阈值的用户比例远离 50%，那么相关性也会较低。

注意

当涉及到负相关时，这变得不那么清晰，但在使用 Compass 时，您通常不会查看负相关。

从您的结果中创建群组

您可以通过点击 Create Cohort 从您的结果中创建一个群组。然后 Amplitude 将自动比较他们的留存率与新用户的留存率。此比较基于 Any Active Event，而不仅仅是 Any Event。点击 Show（在 Correlation Table 旁边）将调出一个详细的列联表，显示您的基础群组中用户在四个类别中的每一个类别的计数：真阳性、假阳性、假阴性和真阴性。同样，您可以点击 Show（在 Detailed Statistics 旁边）查看关于您的群组的详细统计数据：您可以在这里阅读有关这些统计数据的更多信息。接下来，请务必阅读关于如何使用 Compass 识别对驱动增长至关重要的用户旅程时刻的帮助中心文章。

解读您的 Compass 图表，第 2 部分：相关性与群组 ​

理解相关性 ​

注意 ​

为什么相关性在这里是一个好的指标？ ​

注意 ​

从您的结果中创建群组 ​

AIHub 产品文档

解读您的 Compass 图表，第 2 部分：相关性与群组

理解相关性

注意

为什么相关性在这里是一个好的指标？

注意

从您的结果中创建群组