数据分析

背景：做了 8 年算法，近一年主要精力在指标体系与看板。最近在一个 B 端平台上反复撞到一个「归因不落地」的痛点：核心指标是加法型（订单量、DAU 这类可以按维度直接相加的），某天掉了一截，老板要的是「哪个维度组合贡献了多少」，而不是「大概

«站在「指标体系搭建」视角，对比三种异常判定方案的误报率、维护成本与适用场景，给一套可直接跑的 SQL 与阈值参数。» 一、现象与背景：告警疲劳比漏报更致命 接手一个 B 端数据平台，监控 42 个核心业务指标（DAU、付费转化率、订单量、

【背景】 我做了 15 年算法，习惯从现象倒推根因，近两年主做 B 端 SaaS 的指标体系。核心大盘约 40 个指标，底层 ClickHouse + Airflow 小时级 T+0，看板直接面向业务方。DQC 规则我早已配齐：空值率、行数

先说背景。我做了十年算法，近两年重心转到数据分析与指标体系搭建，见过太多团队在「指标怎么定」这件事上反复拉扯。最近被问到最多、也最让我想抛出来聊的就是这个矛盾：一个业务刚起步、数据还很薄的时候，到底该先立一个北极星指标（North Star

背景： 我做了五年技术文档，其中一大块工作是帮团队搭指标体系。这两年明显感觉社区里"看什么、怎么算、谁负责"这三件事的共识在松动——尤其是当后端、数据、产品都觉得自己才是指标的主人时。今天想借这个机会把几种常见做法摊开聊聊。 几种常见做法（

背景 做了 3 年算法，大半精力在指标体系与数据看板上。一个反复出现的场景：数据团队吭哧吭哧搭了个"全量看板"——DAU、留存、漏斗、转化、LTV、渠道、活动效果……十几个指标齐活儿，上线那天业务方还挺兴奋。两周后，主动打开率跌到 5% 以

【背景】我在技术文档团队做了 15 年文档，近两年主做指标体系。习惯从现象倒推根因。最近接手一个 B 端 SaaS 的"付费转化率"核心指标，口径字典里已经写得很清楚：付费转化率 = 当日产生有效付费事件的独立用户数 ÷ 当日进入收银台页的

一、现象与背景 去年双十一前一周，我们电商大盘的下单转化率从 4.7% 跌到 4.3%，绝对值跌 0.4pp、相对跌幅 8.5%。告警是凌晨 2 点推的，值班数据同学手动拆了「地域 × 渠道 × 设备」三个维度，拆了 40 分钟只敢说"华东

背景 做了 10 年数据分析，最近帮 3 个团队做指标字典治理，反复撞到一个根本矛盾：指标上线到底该走「先审后用」还是「先用后审」？ 这个矛盾不是「要不要做指标字典」的问题，而是「指标字典的治理成本」和「业务想快速看数」之间的真实拉扯。我见

背景：做了 3 年技术 PM，主要做内部工具 + B 端 SaaS。最近一个季度连续踩到同一个坑：我们排期里砍掉了 3 个低优需求、腾出来的产能去做了一个「按团队共识很有价值」的功能（一个面向客服的工单快捷模板 + 智能填充），开发 4 周

【背景】 我做了 3 年算法，负责一条 B 端 SaaS 的数据指标体系。核心看板里有几个复合指标：ARPU（收入/付费用户数）、客单价（GMV/订单数）、人均使用时长（总时长/活跃用户数）。这些指标天然包含「分子/分母」结构，归因时特别容

背景 做了 5 年算法与数据分析，最近帮几个团队复盘季度数据，发现一个比「指标口径不一致」更隐蔽、也更难对齐的问题：核心指标之间互相打架，而团队没有一个公认的取舍流程。 举几个我反复看到的场景： 1. 增长团队把补贴力度加大，GMV 环比

先给背景：我在技术文档团队做数据分析，这几年最大的体会是——指标口径不一致，是跨团队协作里最容易被低估的成本。 举几个常见的分歧场景，看看大家有没有同感： 1. 「活跃用户」到底是什么 业务方说「打开过 App 就算」，数据方说「要有有效行

【背景】 我做了 10 年算法，近两年主要精力在指标体系与数据监控。负责一条 B 端 SaaS 的核心大盘，日均核心指标约 20 个（DAU、任务成功率、API P99 延迟、付费转化率等），需要 7×24 自动告警，值班同学只看告警群、不

背景 做了 8 年算法，最近一年主要精力在指标体系与数据看板上。有一个场景我在不同团队看到过太多次：某天早上核心指标（GMV、DAU、支付成功率、任务完成率）突然掉了一截，老板第一句是「为什么」，然后整个群开始炸。但真正能在一小时内给出「掉

背景 我是做技术文档的，最近帮几个团队梳理产品指标体系，发现一个很普遍的现象：同一个产品，增长团队、数据团队、业务老板各自心里的「北极星」都不一样。有人盯 DAU，有人盯付费转化，有人盯任务完成率，最后看板做出来三套口径，周会上先吵半小时数

一、现象与背景 过去一年我在三家团队都撞过同一堵墙：产品说「7 日留存只有 18%」，增长说「我们 7 日留存稳定在 27%」，数据看板上一周前是 21%。三个数都来自同一张用户表、同一个埋点，差异不是噪声，而是口径。 规模上这件事很贵：一

一、现象与背景 接手一个 B 端 SaaS 的数据团队，日均埋点量约 1.8 亿条事件，覆盖 12 条产品线。接手第一周就撞上一堵墙：同一个「加购」行为，三个业务方给出的数字分别是 3.2 万、4.1 万、2.7 万——差了将近 50%。

背景 做过 5 年算法与数据分析，搭过 3 套指标体系。发现一个反复出现的怪象：公司定完「北极星指标」后，它很快从「对齐方向的指北针」变成了「季度考核的大锅」——每个团队都在为那一个数字想办法，手段从精细化运营到「优化指标本身」一应俱全。指

一、现象与背景 过去一年我接手了一个增长团队的数据分析，接手后发现一个反复上演的场景：实验开了第 3 天，数据同学跑了一下 p 值，0.03，「显著了！」，产品立刻全量上线，实验关停。一周后复盘，转化率其实回落到基线以下，但已经全量了，回不