描述性统计是数据分析的基础，通过计算关键指标，能快速把握数据整体特征，为后续深入分析奠定基础。许多初学者常陷入 “指标堆砌” 误区，而聚焦核心指标、结合业务场景解读，才能发挥描述性统计的价值。
描述性统计需重点关注 “三类核心指标”：第一类，集中趋势指标，包括均值、中位数、众数。均值反映数据整体平均水平（如某产品日均销量 500 件），但易受异常值影响（如某天因促销销量达 2000 件，会拉高均值）；中位数更适合偏态数据（如用户收入分布，少数高收入者拉高均值，中位数更能反映普通用户收入水平）；众数则适用于分类数据（如用户偏好的支付方式，“微信支付” 出现频次最高）。某互联网公司分析用户使用时长时，因存在少数 “连续使用 10 小时” 的异常值，均值（2.5 小时）远高于中位数（1.2 小时），最终选择中位数更准确反映用户常态使用情况。
第二类，离散程度指标，包括方差、标准差、极差。这类指标反映数据波动情况，例如某品牌两款产品的月销量均值均为 1000 件，但 A 产品标准差 50，B 产品标准差 200，说明 A 产品销量更稳定，B 产品销量波动大，需重点关注库存调整。某连锁超市通过标准差分析，发现生鲜产品销量波动远高于日用品，因此采用 “小批量多频次” 补货策略，减少损耗。
第三类，分布形态指标，包括偏度、峰度。偏度反映数据分布对称性，正偏态表示数据集中在左侧（如用户订单金额，多数小额订单，少数大额订单），负偏态表示数据集中在右侧（如学生考试成绩，多数高分，少数低分）；峰度反映数据集中程度，高峰度表示数据集中在均值附近（如标准正态分布），低峰度表示数据分布分散。某教育机构通过偏度分析，发现学员付费金额呈正偏态，因此推出 “小额体验课” 吸引更多用户，再引导转化大额课程。
描述性统计的核心是 “用指标讲故事”，结合业务场景解读指标含义，才能让数据特征清晰呈现。
