需依次执行四步：一、导出csv格式原始数据；二、用内置看板生成含显著性标记的pdf报告；三、通过sql沙箱定制多维查询；四、调用api+python进行假设检验与效应量计算。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
如果您使用WorkBuddy AI执行AB测试后需要生成结构化报告并完成结果分析，则需基于平台输出的数据进行指标提取、对照组对比与显著性判断。以下是完成该任务的具体操作路径：
一、导出原始AB测试数据
WorkBuddy AI支持将实验期间的用户行为日志与转化事件以结构化格式导出，为后续本地分析提供基础数据源。导出内容包含实验分组标识（Variant A / Variant B）、关键行为时间戳、目标转化状态及设备/渠道等上下文字段。
1、登录WorkBuddy AI控制台，进入“实验管理”模块。
2、定位目标AB测试项目，点击右侧操作栏中的“数据导出”按钮。
3、在弹窗中勾选“完整事件流”与“分组标签”，选择CSV格式，点击“生成下载链接”。
4、等待系统打包完成后，点击链接下载压缩包，并解压获取主数据文件ab_test_events.csv。
二、使用内置分析看板生成可视化报告
WorkBuddy AI提供实时聚合看板，可自动计算核心指标差异并标注统计显著性，适用于快速汇报场景。该方式无需外部工具，所有图表均基于平台内嵌统计引擎生成。
1、在AB测试详情页中，切换至“分析报告”标签页。
2、从指标下拉菜单中选择“核心目标转化率”，系统自动渲染双版本曲线图与置信区间柱状图。
3、点击右上角“生成PDF报告”按钮，在弹窗中填写报告标题与生效日期范围。
4、确认后系统自动生成含摘要页、指标对比表、流量分布热力图的PDF文档，默认包含p值＜0.05的显著性标记及效应量Cohen’s d数值。
使用 draw.io（.drawio 格式）和 SVG 生成兼容 Microsoft Visio 的架构图。当用户需要以下任一场景时触发： - 用于 Visio 或技术文档的架构/系统/网络图 - 带连接标注的分层控制系统图 - 将 draw.io XML 转换为稳定、可嵌入的 SVG - 修复 Visio 或 draw.io 无法打开的故障排查类图表 - 任何需专业级布局且文本可编辑的图表
三、通过SQL查询接口定制深度分析
对于需引入协变量调整、分层归因或漏斗路径比对的复杂分析需求，可调用WorkBuddy AI开放的SQL查询接口直接访问底层实验数据库。该方式支持JOIN用户画像表与事件明细表，实现多维交叉验证。
1、进入“开发者中心”→“SQL沙箱”，启用对应AB测试环境的数据权限。
2、输入标准SQL语句，例如：SELECT variant, COUNT(*) AS total_users, SUM(is_converted) AS conversions FROM ab_test_events WHERE event_time BETWEEN '2024-06-01' AND '2024-06-30' GROUP BY variant;
3、点击“执行查询”，查看返回结果表格，支持一键复制至Excel或粘贴至Jupyter Notebook进一步建模。
4、在结果页点击“保存为分析模板”，输入名称如“7日留存分端分析”，后续同类实验可复用该SQL逻辑并自动替换时间参数。
四、接入Python脚本执行假设检验与效应量计算
当需复现学术级检验流程或嵌入CI/CD流水线时，可通过WorkBuddy AI提供的REST API拉取汇总数据，并在本地运行scipy.stats模块完成双样本检验。此方法确保统计过程完全可控且可审计。
1、在Postman中配置GET请求，URL为https://api.workbuddy.ai/v1/experiments/{experiment_id}/summary，Header添加API Key认证。
2、发送请求后解析JSON响应，提取A组与B组的转化数及样本量字段variant_a.conversions、variant_a.impressions等。
3、在Python环境中运行以下代码段：from scipy.stats import chi2_contingency; obs = [[a_conv, a_imp-a_conv], [b_conv, b_imp-b_conv]]; chi2, p, dof, exp = chi2_contingency(obs)。
4、打印输出结果时，若p值小于0.05且B组转化率提升幅度＞最小可检测效应（MDE），则判定为有效胜出。
