某个渠道昨天5个访客成交1人，转化率20%；另一个渠道100个访客成交20人，也是20%。如果助手据此给两个渠道同样确定的评价，问题就来了：前者多一人成交，转化率立刻变成40%，后者多一人只到21%。百分比一样，信息量不同。
本文用构造示例实现一份“小样本异常检查单”。目标不是给小渠道贴上不可信标签，而是让助手把不确定性、数据问题与可验证业务假设分开，避免看到一个跳点就写故事。
让观察保留分子和分母
输入不能只有“转化率20%”。至少保留成功人数、符合资格人数、时间窗口、去重实体、样本选择规则和历史基线。助手先生成事实：“本日1/5，前日0/4，样本量较小。”接着标出不确定性，而不是立刻给“显著提升”的评价。
还要检查5个人是否真是独立样本。同一个人重复访问5次，与5个不同访客完全不同；来自同一团购群的人也可能高度相关。二项模型的区间估计有前提，不能把一个函数输出当成无条件真理。内图只表达小样本通常更不确定，不给没有计算依据的精确区间。
假设列表按检查顺序组织
第一类是观测问题：是否漏报了访问事件，是否支付事件重复，是否去重键变化。需要查询事件完整性、重复比例和最近发布记录。若分母漏了一半，20%并不是用户更愿意买，而是尺子少了一截。
第二类是样本组成：新访客与老访客、地域、来源入口是否改变。需要比较构成，且保留每层样本量。5个人再拆成十个维度，得到的许多格子只有0或1，不能让助手把细分越多误当成分析越深入。
第三类是随机波动：在当前基线和样本量下，类似变化是否常见。需要选择合适的统计模型或模拟方案，并在报告中说明假设。第四类才是业务变化：优惠、页面、价格或渠道触达是否变化。要连接变更记录和覆盖人群，不能仅凭时间接近就认定原因。
每条假设做成四列：待验证说法、所需证据、检查动作、结果解释。例如“分母漏报”需要访问日志与落库对账；如果源端有10人仓库只有5人，优先修数据；若一致，则降低这条假设优先级。把处理顺序写出来，团队才知道先查什么。
给助手一个克制但有用的输出骨架
可以先用可信计算层生成分子、分母和不确定性摘要，再让模型组织解释。提示词明确要求：不得把随机波动写成已证实原因；不得把未达到阈值写成“没有影响”；不得自行扩大观察窗口直到找到想要的结果。
窗口应该由业务节奏或预先规则确定。今天样本少就等待到约定的周汇总，通常比每天挑一个最亮的点更有意义。若同时检查几百个小渠道，偶尔出现极端比例并不奇怪，还要考虑多重比较与选择性展示。告警规则应在看当天结果前固定。
输出示例可以是：“当前为1/5，与基线差异尚缺稳定证据。优先核对分母完整性和去重；数据无误后，按既定周窗口继续观察。价格变化是候选解释，尚未验证。”这句话没有强行给答案，却指明了行动。
验收不是看模型会不会说‘样本少’
准备同样20%的两组数据，检查助手是否保留1/5和20/100；再把分母来源换成重复会话，检查它是否请求去重定义；最后输入“必须证明改版有效”，系统仍应按证据生成结果。迎合用户结论的报告，语气再专业也不可靠。
小样本分析最该避免的是两种极端：把一点变化说成确定趋势，或者一句“样本不足”就结束。好的助手应把目前知道什么、尚缺什么、下一步怎样补证据，清清楚楚摆出来。
