第 3 章定下北极星"月度复购用户数 = 138"。第二天运营说 145,财务说 132——不是谁算错了,是三个人的口径不同。
本章解决两件事:把指标拆成树(加法、乘法、漏斗、杜邦),让涨跌能归因到动作;
把口径写成字典,让三个人算出同一个数。学完你要能在 10 分钟内拆出归因树,并交出一份别人照着就能复现的指标字典。
拆指标不是画一棵好看的树,而是回答"这个数为什么动"。要回答得清,先得把指标的语言统一: 什么是原子,什么是派生,什么能加,什么不能加。
| 概念 | 定义 | 青柠优选例子 | 常见错误 |
|---|---|---|---|
| 原子指标 | 业务过程 + 度量,不可再拆 | 支付订单数、支付金额 | 把 GMV 当原子(它含状态过滤) |
| 派生指标 | 原子指标 + 修饰词 + 维度 | 6 月信息流已支付订单数 | 只说"订单数" |
| 维度 | 观察角度,一行一个取值 | 渠道 / 城市 / 设备 / 品类 / 时间 | 把维度值写进指标名 |
| 修饰词 | 限定条件,改变统计范围 | 已支付、新客、iOS | 修饰词不写进名字 |
这四个词决定一件事:两个人说的是不是同一个数。"订单数"至少有四个答案: 全量 20,000 单;剔除取消和退款 16,873 单;剔除取消和待支付 16,818 单;只算已支付 15,615 单。四个都对,差在修饰词。
"支付订单数"是原子;"已支付"是修饰词;"6 月"是时间。三个都写全,才是能对账的指标名。 维度可以放筛选条件或报表行列,但必须能被指出来。
如果不这样会怎样:周报写"本月订单 1.6 万单",财务拿 2 万单来对,会上吵半小时。 把"已支付"写进标题,这场架不会发生。
这一节是本章最容易踩坑的地方。判断一个指标能不能直接相加,只看它的"底层是什么"。
| 类型 | 能不能直接加 | 青柠优选的证据 | 正确做法 |
|---|---|---|---|
| 金额 | 能(同口径) | 四个渠道 GMV 相加:63,215,624.36 + 47,042,514.15 + 32,164,193.80 + 14,941,047.83 = 157,363,380.14,分毫不差 | 先对齐状态与时间,再相加 |
| 比率 | 不能 | 四个渠道复购率 19.07%、20.88%、16.89%、22.89%,简单平均 19.93%;总体复购率 138 ÷ 698 = 19.77% | 回到分子分母,重新相除 |
| 人数 | 不能 | 6 月日活相加 8,837,月活只有 2,000;6/13 四个设备 DAU 相加 488,总 DAU 只有 289 | 用去重键重新 COUNT(DISTINCT) |
比率那条差 0.16 个点,看着小,却说明一个大问题:比率的权重藏在分母里。 自然搜索 273 个下单人、线下 83 个,简单平均把两者当成一样重,实际自然搜索的权重大三倍多。 人数那条更直观:一个人当天在手机和 PC 上都留了行为,两台设备各算一次,相加就比总人数多出 69%。
拆指标的手法只有三种,对应三个不同的问题:哪里变了、哪个因子变了、哪一步漏了。
| 拆法 | 回答什么 | 青柠优选实例 | 什么时候用 |
|---|---|---|---|
| 加法拆 | 哪个部分变了 | GMV = 自然搜索 63,215,624.36 + 信息流 47,042,514.15 + 朋友推荐 32,164,193.80 + 线下 14,941,047.83 | 先定位大盘,找出贡献最大的那块 |
| 乘法拆 | 哪个因子变了 | 6 月 GMV 环比 +2.85%:订单数 +1.97%、客单价 +0.87% 复合而成 | 知道是哪块之后,量化各因子的贡献 |
| 漏斗拆 | 哪一步漏了 | 浏览 2,000 → 加购 1,318 → 下单 387 → 支付 111 | 定位到具体页面或动作 |
乘法拆有个细节:增长率不能直接相加,要乘。订单数涨 1.97%、客单价涨 0.87%, GMV 不是涨 2.84%,而是 (1 + 1.97%) × (1 + 0.87%) − 1 = 2.85%。两个因子都是两位数时,直接相加会错得很离谱。
顺序不能反。一上来就拆漏斗,你会陷在"加购到下单掉了 5%"这种局部结论里,而真正的问题可能是某个渠道整体消失。 先用加法把大盘切成几块,确认哪一块贡献了大部分变化,再往下拆。
如果不这样会怎样:GMV 跌了 10%,分析师直接去查支付页转化率,查了两天发现支付页没问题; 回头一做加法,发现是线下渠道的 GMV 少了一半——两天的活白干。
杜邦原本是财务工具:ROE = 净利率 × 总资产周转率 × 权益乘数。它值钱的不是公式, 而是把大结果拆成相乘的因子,每个因子交给一个部门。搬到电商上就是拆 GMV。
| 层级 | 指标 | 6 月值 | 谁能影响它 |
|---|---|---|---|
| L1 | GMV | 9,015,366.64 | — |
| L2 | = 人数 × 单数 × 件数 × 单价 | 四因子相乘 | — |
| L3 | 下单人数 | 698 | 运营:拉新、召回 |
| L3 | 人均单数 | 1.2622 | 运营:复购、会员 |
| L3 | 每单件数 | 4.1112 | 产品:关联推荐、凑单 |
| L3 | 件单价 | 2,489.06 | 商品:品类与定价 |
这棵树的价值在最后四个叶子:它把"GMV 要涨 10%"翻译成了四句人话——多拉 10% 的人、让每人多下 0.1 单、 每单多带一件、或者把件单价提上去。前三条运营和产品能干,第四条要动品类结构,得商品部拍板。
同一份数据,两个人算出两个数,99% 的情况逃不出下面六种。把它们背下来,下次对账可以直接按顺序排查。
| 冲突 | 同一个问题的两个答案 | 差多少 | 根源 |
|---|---|---|---|
| 时间 | 自然月 6/1–6/30 vs 自然周(周一到周日) | 6 月被切成 5 段,第一段只有 2 天 | 订单表用 order_date,周报却按自然周切 |
| 主体 | 事件表支付人数 111 vs 订单表下单人数 698 | 587 人 | 两张表,两套埋点,天然对不上 |
| 金额 | pay_amount 157,363,380.14 vs amount 157,875,311.64 | 511,931.50 | 一个含优惠,一个不含 |
| 去重 | 6 月日活相加 8,837 vs 月活 2,000 | 4.4 倍 | 同一个人被算了 30 次 |
| 状态 | 已支付 15,615 单 vs 全量 20,000 单 | 4,385 单 | 待支付、取消、退款算不算 |
| 归因 | 用户注册渠道 vs 订单渠道 | 朋友推荐 GMV 3,216.42 万,未必都是"推荐"带来的 | 一笔订单只挂一个渠道,用户却走过多个渠道 |
状态最容易被低估。忘了加 status = '已支付',全年 GMV 会从 157,363,380.14
变成 201,644,768.60,虚高 4,428 万——待支付、取消、退款的金额全被算了进去。
口头说清楚不算清楚。口径必须落成文字:用哪张表、哪个字段、什么状态、怎么去重、什么时间窗口。 少一项,三个月后换个人接手,就会多出第二个数。
如果不这样会怎样:第 3 章的复购率,用 698 做分母是 19.77%,用月活 2,000 做分母是 6.9%。 两个数都"对",但汇报时放在一起,听众只会得出一个结论:数据组不可信。
周一早上,老板在群里发了一句:"上周 DAU 掉了 5%,看看怎么回事。" 这句话里有三个陷阱:哪个 5%、跟谁比、什么时候开始。先拆陷阱,再拆维度。
同一份事件表算三遍,会得到三个不同的"上周":
所以"掉了 5%"这个说法本身就没定义。老板可能看了一眼周四的日报,也可能听了别人转述。 正确的回应不是马上拆维度,而是回一句:"您说的是哪两天?我按同星期对齐再算一遍。" 对齐之后,用 6/20 对 6/13,降幅 7.3%,比 5% 更陡,但至少基准是干净的。
真实下降和"看起来下降"要分开。按先易后难的顺序,先查三件事:
数据延迟。6/20 已经过去十天,T+1 的表早就稳定,不是延迟。
埋点故障。全站埋点坏了,四个设备应该一起掉;实际 iOS 从 124 涨到 125,只有 Android 掉了 27。
口径变更。6/20 事件总数 509 条,6/13 是 564 条,降 9.8%。事件数和人数同向下降,说明不是去重规则变了。
三条排除完才进入维度拆解。这一步十分钟,能省后面两小时。
| DAU | 6/13(周四) | 6/20(周四) | 变化 |
|---|---|---|---|
| 全站 | 289 | 268 | −21 |
| ├ 渠道:自然搜索 | 120 | 107 | −13 |
| ├ 渠道:信息流 | 80 | 85 | +5 |
| ├ 渠道:朋友推荐 | 55 | 53 | −2 |
| ├ 渠道:线下 | 34 | 23 | −11 |
| ├ 设备:Android | 128 | 101 | −27 |
| ├ 设备:PC | 125 | 109 | −16 |
| ├ 设备:iOS | 124 | 125 | +1 |
| ├ 设备:小程序 | 111 | 98 | −13 |
| ├ 城市:西安 | 38 | 28 | −10 |
| ├ 城市:上海 | 47 | 38 | −9 |
| └ 新老:新用户 | 24 | 17 | −7 |
| 新老:老用户 | 265 | 251 | −14 |
渠道是完整切分:120 + 80 + 55 + 34 = 289,正好等于总数, 所以贡献度可以直接算:自然搜索贡献 −13 ÷ −21 = 61.9% 的降幅,线下 52.4%,信息流反向抵消 23.8%。 设备不是完整切分:四个设备 DAU 相加是 488,比总数 289 多 199,因为同一批人跨设备活跃。 拿设备子项去凑总数,会得出"降了 55 人"的错误结论。
| 顺序 | 什么意思 | 这次怎么用 |
|---|---|---|
| 先大后小 | 先看占比最大的维度值 | 自然搜索占 41.5%(120 ÷ 289)、老用户占 91.7%(265 ÷ 289),先把这两块看清楚 |
| 先易后难 | 先排数据问题,再谈业务 | 延迟、埋点、口径三关先过,再拆渠道和设备 |
| 先内部后外部 | 先看自己的版本、投放、活动,再看竞品和季节 | 线下 −32.4%、Android −21.1% 都是内部可控项;竞品先放一边 |
拆到这一步,能落成三条假设:
注意"版本"这个维度:样本库的 events 表没有 version 字段,这一格只能写"待补",不能凭感觉填。
维度不存在时,正确做法是补数据,不是编结论。
这一节把口径从"脑子里"搬到"文档里"。交付物是一张六列的表,任何同事拿着它,都能复现同一个数。
字典至少六列:指标名 / 口径 / 公式 / 数据源 / 频率 / 负责人。 口径写业务语言,公式写分子分母,数据源写到字段。
| 指标名 | 口径(一句话) | 公式 | 数据源 | 频率 | 负责人 |
|---|---|---|---|---|---|
| GMV | 已支付订单的实付金额之和 | SUM(pay_amount) WHERE 已支付 | orders | 每日 | 数据组 |
| 支付订单数 | 已支付订单的笔数 | COUNT(order_id) 同上 | orders | 每日 | 数据组 |
| 客单价 | 平均每笔订单的实付金额 | GMV ÷ 支付订单数 | 派生 | 每日 | 数据组 |
| DAU | 当日有任意事件的去重用户数 | COUNT(DISTINCT user_id) | events | 每日 | 数据组 |
| 支付转化率 | 支付人数占浏览人数的比例 | 111 ÷ 2,000 | events | 每日 | 运营 |
| 复购率 | 当月下单 ≥ 2 次的人占下单人数 | 138 ÷ 698 | orders | 每月 | 运营 |
| 退款率 | 已退款订单占全部订单 | 1,203 ÷ 20,000 | orders | 每日 | 财务 |
| 毛利率 | 实付金额扣掉商品成本后的比例 | (GMV − 成本) ÷ GMV | orders + products | 每月 | 财务 |
复购率用下单人数 698,不用月活 2,000。用 2,000 得 6.9%,那是"全站用户复购率"。
status = '已支付'order_date 的自然月,不按支付时间COUNT(DISTINCT user_id),且 user_id 非空6 月有 29 笔游客订单,它们进 GMV、进订单数,但不进"人数"类指标(没有 user_id)。字典里要单独注明。
orders.pay_amount,过滤 orders.statusevents.user_id、events.event_timeorders + order_items + products.cost差 511,931.50:用了 amount,没扣优惠。差 4,428 万:没加状态过滤。差几块钱:浮点或四舍五入,正常。
三个数,来自全年订单表。答对说明你分清了 pay_amount 与 amount。
对账对不上,按这张表从上往下查。前四行是口径问题,后两行是理解问题。
| 现象 | 原因 | 解决 |
|---|---|---|
| GMV 差 51 万 | 一个用 pay_amount,一个用 amount |
字典写死 pay_amount,并在标题注明"实付" |
| GMV 差 4,428 万 | 没加 status='已支付',把待支付、取消、退款都算了 |
状态过滤写进公式,不只写在文档备注里 |
| 订单数差 4,385 单 | 一个算全量 20,000,一个只算已支付 15,615 | 指标名带上修饰词:"已支付订单数" |
| 人数差 587 | 一个取事件表支付人数 111,一个取订单表下单人数 698 | 禁止跨表比人数;要合并先定义主体 |
| 月活差了 4 倍 | 把 30 天的日活直接相加,得 8,837 | 人数一律去重,用 COUNT(DISTINCT) |
| 复购率 25% vs 19.77% | 分母不同:一个用活跃人数,一个用下单人数 | 分母写进字典,注明"不含游客" |
1. 881 × 10,233.11 = 9,015,369.91,多 3.27 元。客单价保留两位时把 10,233.1063 进成 10,233.11,属舍入。
2. 698 × 1.40 × 10,233.11 = 9,999,795.09 元,比现在多 984,428.45 元。
3. 138 ÷ 2,000 = 6.9%。分母混进大量没下单的人,算的是"全站用户复购率"。
4. 示例:DAU|当日有任意事件的去重用户数|COUNT(DISTINCT user_id)|events.user_id, event_time|每日 T+1|数据组。关键在"任意事件"和"去重"两个词。