# 数据分析 · 第 03 篇｜描述性分析与指标体系

> 系列：project / 数据分析（共 12 篇）｜AI生成｜2026-10-27｜codebuddy

这一篇讲什么：取到干净的数之后，下一步不是马上找原因，而是先把「现在是什么样」描述准确。描述性分析看起来简单——算个均值、画条曲线——但它是所有诊断的地基，地基歪了，后面越挖越错。这一篇从「客单价 345 元」这个数字讲起，说明均值如何被极端值拉高、为什么先看分布再看汇总；然后把趋势、横向、结构、分布四种比较拆开，接上指标树、漏斗、cohort 留存、RFM 分层和一页看板。读完你应该能独立搭出北辰优选的指标体系，并且知道一张图放什么、不该放什么。全文八节，前三节讲「怎么描述得准」，后五节讲「怎么把描述组织成体系」。

## 一、描述统计：先看分布，再看均值

北辰优选 2026 年 3 月的客单价是 345 元。这个数字经常被拿去开会，但它几乎不能单独说明任何问题。

把 37,100 笔订单的金额从大到小排开，会看到一条很长的右尾：大部分订单在 100—400 元之间，少数订单能到几万元（企业团购、批量采购）。这时候均值、中位数、分位数讲的完全是不同的故事。

| 统计量 | 含义 | 北辰 3 月客单价 | 什么时候看 |
| --- | --- | --- | --- |
| 均值 | 总额除以单数 | 345 元 | 算总量、做预算、和财务对账 |
| 中位数（P50） | 排中间那一单 | 268 元 | 描述「典型用户花了多少」 |
| P90 | 90% 的订单比它低 | 689 元 | 看高价值段、定包邮门槛 |
| P99 | 99% 的订单比它低 | 2,400 元 | 识别异常大单、做风控 |
| 最大值 | 最大的一单 | 80,000 元 | 单独核查，不参与常规统计 |
| 标准差 | 偏离均值的平均幅度 | 512 元 | 判断波动大小、做显著性检验 |

均值 345 元比中位数 268 元高出 29%，这个差距本身就携带信息：分布右偏，少数大额订单把均值抬起来了。如果只看均值，你会以为「典型用户一次花 345 元」；看中位数才知道，一半以上的订单其实不到 268 元。

**判断一个分布要不要看中位数，有个简单规则：只要指标是金额、时长、次数、粉丝数这类「有下限、没上限」的量，就先看中位数和 P90。** 反过来，像转化率这种 0 到 1 之间的比例，均值和分布的关系没那么紧张，但也要注意它可能被小样本的极端值影响。

还有一个更常见的错误：**把均值的变化当成每个人的变化。** 北辰 2 月客单价 346 元、3 月 345 元，几乎没变。但如果拆开看，新客客单价从 333 涨到 337，老客从 348 跌到 344，两个方向相反的变化在总量上相互抵消了。只看总均值，你会得出「客单价稳定，不用管」；拆开看，老客的购买力在下降，这可能是消费降级或竞品分流的早期信号。

标准差常被忽略，但它在两处很关键。一是判断波动是否正常：北辰日 GMV 的标准差是 62 万元，均值 41 万元，变异系数 1.5，说明日间波动极大，单看某一天的涨跌毫无意义。二是给异常定阈值：把「均值加减两倍标准差」作为报警线，比拍一个「跌 10% 就报警」靠谱得多，因为它随业务规模自适应。

## 二、四种基本比较：趋势、横向、结构、分布

描述性分析的所有图表，本质上都在做四种比较之一。分不清类型，就会选错图、说错话。

| 比较类型 | 回答什么 | 北辰例子 | 常用图表 | 最容易犯的错 |
| --- | --- | --- | --- | --- |
| 趋势 | 随时间怎么变 | 3 月支付 GMV 日均环比 −16.9% | 折线图、柱线组合 | 不处理天数差异、把促销峰当趋势 |
| 横向 | 谁高谁低 | 信息流首单转化率 2.8%，搜索 5.0% | 条形图、分组柱状图 | 拿不可比的群体直接比 |
| 结构 | 由哪些部分组成、占比怎么变 | 新客 GMV 占比从 42% 降到 40% | 堆叠柱、百分比堆叠、瀑布图 | 只看占比不看绝对值 |
| 分布 | 集中在哪、尾部多长 | 客单价 P50 268 元、P90 689 元 | 直方图、箱线图、分位数表 | 用均值代替整个分布 |

**趋势比较的第一件事是校准时间口径。** 北辰 3 月 GMV 1280 万，2 月 1391 万，直接比是 −8.0%；但 2 月 28 天、3 月 31 天，按日均算是 −16.9%。再叠加春节因素：2 月有 7 天处于节后恢复期，日均偏低，所以真实的「同比口径」还要看 2025 年 3 月。三重校准之后，管理层看到的才是一个可比较的数字。

同比和环比各有盲区。环比灵敏，但容易被季节性和天数干扰；同比抗季节，但会被去年的异常基数污染。稳妥的做法是两个都看，且在看板上并排显示，而不是只挑一个对自己结论有利的。

**横向比较的第一件事是确认可比性。** 信息流转化率 2.8%，搜索 5.0%，看起来搜索「更好」。但两者的用户意图强度完全不同：搜索来的人已经明确想买，信息流来的人多半是在刷内容时被吸引。直接比转化率会得出「应该把预算全给搜索」的错误结论——搜索的量级根本撑不住。横向比较要同时看三个维度：转化率、量级、单位经济模型（获客成本与回收周期），只看一个必然误导。

**结构比较要防止「占比幻觉」。** 新客 GMV 占比从 42% 降到 40%，听起来只是两个点。但总量也从 1391 万跌到 1280 万，新客的绝对额从 584 万跌到 512 万，跌了 12.3%。占比下降 + 总量下降 = 这一块在双重收缩，严重程度远大于「两个点」。

**分布比较是四种里最少被做、也最有信息量的。** 把 3 月和 2 月的客单价分布叠在一张直方图上，你会看到：100—200 元区间的人数变多了，800 元以上的人数变少了。均值只差 1 元，但结构已经变了——低客单人群在扩张。这种变化在均值上看不见，在分布上一目了然。

## 三、指标体系：从北极星到指标树

单个指标是点，指标体系是网。没有网的团队，每次开会都在争论「看哪个数」。

**先选北极星指标。** 它要满足三个条件：反映用户获得的真实价值、团队的努力能影响它、不容易通过损害长期利益的方式刷高。北辰最初把 GMV 当北极星，结果 2025 年第四季度为了冲 GMV 大量发券，GMV 上去了，复购率掉了 4 个点。后来改成「月复购用户数」——它更难被短期补贴刷出来，且和长期收入高度相关。

北极星之外，用 OSM 模型把目标、策略、度量串起来。

| 层级 | 内容 | 北辰示例 | 判断标准 |
| --- | --- | --- | --- |
| O 目标 | 我们要达成什么 | 提升 90 天复购率，从 24% 到 28% | 一句话、有时间、有数值 |
| S 策略 | 靠哪几件事达成 | ①新客首单后 7 日内二次触达 ②高价值用户专属权益 ③购物车召回 | 每条策略都能落到动作 |
| M 度量 | 怎么知道策略有效 | ①首单后 7 日复购率 ②高价值用户月留存 ③加购未支付召回率 | 每个度量对应一条策略 |

OSM 的价值在于**强制对齐**：如果一条策略找不到度量，它多半是拍脑袋；如果一个度量对应不上任何策略，它多半是虚荣指标。

再往下是指标树。北辰的 GMV 树长这样：

```
月支付 GMV
├── 支付用户数
│   ├── 新客首单用户数 = 新客访问 UV × 首单转化率
│   └── 老客复购用户数 = 活跃老客数 × 复购率
└── 客单价 = 支付 GMV ÷ 支付订单数
    ├── 件单价
    └── 每单件数
```

指标树的作用是「定位」：当 GMV 变化时，顺着树往下走，三步之内就能知道问题在哪一枝。北辰 3 月的例子，走到第二层就发现是新客首单用户数在跌，走到第三层发现是转化率在跌，全程不超过十分钟。

| 层级 | 指标 | 口径要点 | 正常波动 | 责任方 |
| --- | --- | --- | --- | --- |
| 北极星 | 月复购用户数 | 当月有 ≥2 笔 paid 订单的用户 | ±3% | 增长负责人 |
| 一级 | 支付 GMV | paid 订单金额，按下单日归属 | ±5% | 业务负责人 |
| 二级 | 新客首单用户数 | 注册后 7 日内首单 | ±8% | 投放 + 产品 |
| 二级 | 老客复购率 | 活跃老客中当月复购占比 | ±2% | 用户运营 |
| 三级 | 首单转化率 | 注册当日有访问为分母 | ±0.4 个点 | 产品 + 落地页 |
| 三级 | 客单价 | GMV ÷ 支付订单数 | ±2% | 商品 + 定价 |

结果指标和过程指标要分清。GMV、复购率是结果，你无法直接「操作」它们；你能操作的是曝光量、落地页加载速度、优惠券面额这些过程指标。管理的正确姿势是：**用结果指标定方向，用过程指标做日常。** 只盯结果，团队会不知道今天该干什么；只盯过程，团队会为了完成动作而动作。

AARRR（获客、激活、留存、收入、推荐）是一个经典框架，适合早期产品快速扫一遍全链路，但它的缺陷是「每个环节都重要等于没有重点」，而且推荐环节在多数电商里贡献很小。北辰的用法是：用 AARRR 做季度体检，用指标树做日常定位。

## 四、漏斗分析：把转化拆成环节

漏斗是最容易被做错的分析。多数人只算一个总转化率，然后说「转化率低，需要优化」——这句话等于没说。

北辰 3 月的一次全站漏斗（示意值）：

| 环节 | 人数 | 环节转化率 | 累计转化率 | 本环节流失人数 | 流失占比 |
| --- | --- | --- | --- | --- | --- |
| 曝光 | 1,000,000 | — | 100% | — | — |
| 访问 | 320,000 | 32.0% | 32.0% | 680,000 | 68.0% |
| 加购 | 96,000 | 30.0% | 9.6% | 224,000 | 22.4% |
| 下单 | 43,650 | 45.5% | 4.37% | 52,350 | 5.2% |
| 支付 | 37,100 | 85.0% | 3.71% | 6,550 | 0.7% |

读这张表有两个视角，结论完全不同。

看**环节转化率**，最低的是加购（30.0%），其次是曝光到访问（32.0%）。按这个读法，应该优先优化「访问到加购」。

看**绝对流失人数**，最多的是曝光到访问（68 万人），其次是访问到加购（22.4 万人），加购到下单只有 5.2 万人。按这个读法，应该优先优化「曝光到访问」。

哪个对？取决于成本和可操作性。曝光到访问的流失里，很大一部分是「曝光给了错误的人」，属于投放定向问题；访问到加购的流失，才是产品页面问题。正确做法是先按渠道拆开看：

| 渠道 | 访问→加购 | 加购→下单 | 下单→支付 | 整体转化 |
| --- | --- | --- | --- | --- |
| 信息流 | 24.1% | 46.2% | 83.5% | 2.8% |
| 搜索 | 41.3% | 55.8% | 88.1% | 5.0% |
| 老客推荐 | 48.7% | 61.4% | 90.2% | 6.6% |

信息流在每一环都更低，且第一环差距最大（24.1% 对 41.3%）。这说明问题不在结算流程（下单到支付三渠道都在 83% 以上，还算健康），而在「进来的人想不想买」和「商品页能不能接住」。这就是漏斗拆分的价值：它把一句「转化率低」变成了一个具体的、有优先级的怀疑对象。

漏斗有三个技术陷阱必须避开。

**分母不一致。** 曝光按 PV 算、访问按 UV 算，两个数根本不在一个量纲上，算出来的转化率没有意义。整条漏斗必须统一用 UV，或者统一用会话（session）。

**步骤可回退。** 用户可能今天加购、明天支付，也可能支付前又回详情页。严格的漏斗要求「同一用户按时间顺序完成全部步骤」，宽松的漏斗只要求「在窗口内分别发生过」。两者算出的转化率可能差 20% 以上，必须在文档里写明用哪种。

**时间窗不设限。** 不设窗口，用户三个月后回来支付也会被算进本月漏斗，导致近期数据虚高。北辰用 7 天窗口：从首次曝光起 7 天内完成支付才算转化。

## 五、留存与 cohort：把「留得住吗」拆成时间

留存率是所有增长分析里最诚实的一个指标。它可以被短期活动影响，但很难被长期伪造。

留存的标准算法是 cohort（同期群）：按注册周把用户分组，然后看每组在第 1、7、14、30 天的回访比例。

| 注册周 | 新增用户 | D1 留存 | D7 留存 | D14 留存 | D30 留存 |
| --- | --- | --- | --- | --- | --- |
| 2/02 | 21,400 | 44.2% | 22.8% | 15.1% | 9.8% |
| 2/09 | 22,100 | 43.6% | 22.1% | 14.6% | 9.5% |
| 2/16 | 20,800 | 42.9% | 21.5% | 14.2% | 9.2% |
| 2/23 | 23,600 | 41.8% | 20.9% | 13.8% | 8.9% |
| 3/02 | 26,900 | 38.4% | 18.2% | 12.0% | 8.4% |
| 3/09 | 28,300 | 37.1% | 17.6% | 11.7% | 8.2% |

横着看是「同一批用户随时间衰减」，竖着看是「不同批次在同一生命周期的对比」。真正的洞察在竖着看。

从 2/02 到 3/09，D1 留存从 44.2% 掉到 37.1%，掉了 7.1 个百分点（相对跌幅 16%）；D30 从 9.8% 掉到 8.2%，只掉了 1.6 个百分点（相对跌幅 16%）。两者相对跌幅接近，说明不是「产品长期价值变差」，而是「进来的人在第一天就没被接住」。

这个判断很重要，因为它直接决定动作：如果 D30 跌幅远大于 D1，说明产品本身留不住人，要改的是核心体验；如果 D1 跌幅更大，说明拉新质量或首次体验出了问题，要改的是渠道定向和新手引导。北辰这次是后者，且时间点与 3 月信息流放量吻合——渠道放量带来了大量低意图用户，把 D1 拉低了。

读 cohort 表还有两个注意点。一是**右下角的数字不完整**：3/09 那批用户的 D30 还没跑满，单元格里应该留空或标注，而不是用现有天数强行算一个 30 天留存——这是 cohort 表最常见的造假来源。二是**留存的定义要写死**：是「当天有访问」还是「当天有下单」，是「第 30 天当天」还是「30 天内任意一天」。北辰用的是「第 30 天当天有访问」，最严格，也最少歧义。

健康的留存曲线通常是一个「微笑曲线」：前几天快速下降，然后在某个水平上走平，甚至小幅回升。如果曲线一路下滑到零，说明产品没有形成使用习惯；如果曲线在一周内就躺平在很低的位置，说明激活环节有问题。

## 六、RFM：把用户分成可以运营的层

RFM 用三个维度给用户打分：Recency（最近一次购买距今多久）、Frequency（一段时间内的购买次数）、Monetary（一段时间内的消费金额）。它的好处是只用订单表就能算，不需要复杂模型。

北辰的规则：统计窗口 90 天；R 按距今天数分五档（越近分越高），F 按订单数分五档，M 按金额分五档；每档 1—5 分，三项相加得 3—15 分。用 SQL 实现时，NTILE(5) 会把用户按顺序切成五等份，比自己拍阈值更稳：

```sql
WITH base AS (
    SELECT user_id,
           MAX(order_date)                    AS last_order_date,
           COUNT(DISTINCT order_id)           AS freq,
           SUM(amount)                        AS monetary
    FROM orders
    WHERE status = 'paid'
      AND order_date >= '2025-12-31'          -- 90 天窗口
      AND order_date <  '2026-04-01'
    GROUP BY user_id
),
scored AS (
    SELECT user_id, freq, monetary,
           NTILE(5) OVER (ORDER BY last_order_date ASC)  AS r_score,
           NTILE(5) OVER (ORDER BY freq ASC)             AS f_score,
           NTILE(5) OVER (ORDER BY monetary ASC)         AS m_score
    FROM base
)
SELECT user_id, r_score, f_score, m_score,
       r_score + f_score + m_score AS rfm_total
FROM scored;
```

| 分层 | 判定规则（示意） | 用户占比 | 典型特征 | 运营动作 |
| --- | --- | --- | --- | --- |
| 重要价值 | R≥4 且 F≥4 且 M≥4 | 8% | 高频、近期买、花得多 | 专属客服、新品优先购，不打扰式维护 |
| 重要保持 | R≤2 且 F≥4 且 M≥4 | 5% | 曾经的大客户，最近没来 | 一对一召回，给足理由（不是发券） |
| 重要发展 | R≥4 且 F≤2 且 M≥4 | 4% | 买得贵但次数少 | 提升频次：订阅、套装、周期购 |
| 重要挽留 | R≤2 且 F≤2 且 M≥4 | 6% | 高价值但已流失 | 高成本召回，先电话后券 |
| 一般价值 | R≥4 且 F≥3 且 M≤3 | 12% | 近期活跃的普通用户 | 提升客单：满减、搭配推荐 |
| 一般保持 | R≤2 且 F≥3 且 M≤3 | 9% | 老用户但近期沉默 | 内容触达，低成本唤醒 |
| 一般发展 | R≥4 且 F≤2 且 M≤3 | 15% | 新客或低频 | 首单后 7 日二次触达，最关键 |
| 一般挽留 | R≤2 且 F≤2 且 M≤3 | 41% | 低价值沉默用户 | 控制成本，只做自动化触达 |

这张表最有价值的一列不是「占比」，是「运营动作」。RFM 不是分类游戏，分类的目的是让每一类对应一个不同的成本结构和触达方式。给 41% 的「一般挽留」用户发大额券，是最常见的烧钱方式——他们的终身价值可能还不够券的成本。

北辰做过一次对比：同样 100 万预算，平均撒给全部用户，30 天召回率 3.1%；按 RFM 分层投放（重要保持和重要挽留拿 60% 预算），整体召回率 5.4%，且单位召回成本下降 42%。这就是分层的价值。

RFM 也有局限，要提前说清。它对「新用户」不友好——只买过一次的人 F 和 M 都很低，会被误判为低价值；对「季节性商品」不友好——卖羽绒服的用户夏天全是沉默用户。所以实践中通常会给新客单独建一套分层，或者把 R 的窗口从 90 天改成按品类调整。

## 七、看板设计：一页纸的层级

看板做得好不好，标准只有一个：**一个没参与项目的人，打开 30 秒内能不能知道「现在好不好、哪里不对」。**

北辰的运营看板只有一页，从上到下四层：

| 区域 | 放什么 | 数量上限 | 回答的问题 |
| --- | --- | --- | --- |
| 结论区 | 3 条文字，本期最重要的事实与异常 | 3 条 | 现在好不好 |
| 指标卡 | 北极星 + 4 个一级指标，带环比和同比 | 5 个 | 关键数是多少 |
| 趋势区 | 2 张折线：GMV 日趋势、转化率周趋势 | 2 张 | 变化是趋势还是波动 |
| 拆解区 | 1 张渠道对比条形图 + 1 张漏斗 | 2 张 | 问题出在哪个部分 |
| 明细区 | 可下钻的表格，默认折叠 | 1 个 | 具体是哪些订单、哪些用户 |

总共 5 个指标卡、4 张图。这个数量不是随便定的：一屏能容纳的信息量大约就是 5 加减 2 个视觉单元，超过之后人的注意力会平均分配，等于什么都没看。

三个设计原则值得记住。

**结论放在最上面，图放在下面。** 多数看板把图堆满，让读者自己找结论，结果是没人看。北辰的做法是每天早上由分析师写三行结论，写在最顶部——这三行才是看板的「产品」，图只是证据。

**指标卡必须带对比。** 只显示「GMV 1280 万」的卡片没有信息量。加上「环比 −8.0%、同比 +3.2%、日均 −16.9%」，同一个数字立刻有了含义。

**能下钻的看板才是看板，不能下钻的是海报。** 看到「信息流转化率 2.8%」之后，运营应该能点进去看到分城市、分素材、分时段的拆解。没有下钻能力，看板只能告诉你「有事」，不能告诉你「什么事」。

反面教材也很典型：某团队做了 32 张图的看板，第一版上线后一周访问量 7 次，其中 5 次是制作者自己。问题不在图做得不美，在于它试图回答所有问题，结果一个都没回答。

## 八、四个陷阱：平均值、辛普森、分母漂移、只看不下钻

**平均值陷阱。** 北辰 3 月客单价 345 元，听起来正常。但中位数只有 268 元，P90 是 689 元，均值被 0.3% 的大额订单抬高。用均值做用户画像，你会把「月消费 300 元」当成典型用户，而实际上一半人不到 268 元。凡是右偏分布，均值都要配中位数一起看。

**辛普森悖论。** 分组看都在涨，合起来却在跌。用一组示意数字：某月两个渠道，甲渠道转化率从 5.0% 升到 5.5%，乙渠道从 9.0% 升到 9.5%，两个都在涨；但总体转化率从 7.0% 掉到 5.9%。原因是甲渠道（低转化）的流量占比从 50% 涨到了 90%，把总体拉了下去。北辰 3 月也有这个成分：信息流从 4.1% 掉到 2.8%，同时它的流量占比从 78% 升到 80%，低转化渠道的权重变大，把总体又往下压了约 0.1 个百分点。防御方法只有一个：**看总体之前，先按关键维度拆一遍，确认各组的权重没有大幅变化。**

**分母漂移。** 同一个指标，两期用了不同的分母。北辰 2 月的转化率分母是「访问 UV」，3 月改成了「注册用户」，数值从 4.2% 变成 3.3%，看起来是暴跌，实际上有一半是分母换了。防御方法：口径写在看板标题旁边，改口径要留变更记录。

**只看不下钻。** 看到「转化率跌了」，在群里问一句「谁知道为什么」，然后等别人回答。描述性分析的终点不是「跌了」，是「跌在哪个环节、哪类人、哪个时间段」。不下钻的描述，只是把问题原封不动地还给了提问的人。

## 本篇要点回顾

1. 金额、时长、次数这类右偏分布，先看中位数和 P90 再看均值；北辰客单价均值 345 元、中位数 268 元，差 29%，这个差距本身就是信息。
2. 所有描述性图表只在做四种比较：趋势、横向、结构、分布；北辰 3 月 GMV 总量 −8.0%、日均 −16.9%，差别来自 2 月只有 28 天，不校准天数就会低估问题一倍。
3. 指标体系的顺序是北极星、OSM、指标树；北辰把北极星从 GMV 换成「月复购用户数」，因为 GMV 可以被发券短期刷高。
4. 漏斗要同时看环节转化率和绝对流失人数，并分渠道拆开；北辰全站「访问→加购」环节转化率 30.0% 看起来最该优化，拆开后才发现信息流这一环只有 24.1%，不到老客推荐 48.7% 的一半。
5. 留存看 cohort 的竖向对比：北辰 D1 从 44.2% 掉到 37.1%、D30 从 9.8% 到 8.2%，相对跌幅都是 16%，说明问题在首日体验而非长期价值。

## 延伸阅读

- **第 01 篇《数据分析是什么》**：本篇是七步工作流第 5 步「分析」的前半段，如果对「描述、诊断、预测、规范」四类问题的分工还不清楚，先回看第 01 篇第二节。
- **第 02 篇《数据准备与 SQL 取数》**：本篇所有的漏斗、cohort、RFM 都建立在干净的取数之上；cohort 表尤其依赖注册日期与回访日期的口径一致。
- **第 04 篇《诊断性分析与归因》**：本篇停在「信息流访问→加购只有 24.1%」，第 04 篇接着回答「为什么只有 24.1%」，并处理辛普森悖论的完整拆解方法。
- **第 09 篇《行业实战：电商与 SaaS》**：本篇的漏斗、留存、RFM 在电商篇会被组合成一套完整的增长诊断流程。
- **第 11 篇《分析报告与沟通》**：看板只是载体，第 11 篇讲怎么把本篇的图表组织成一份结论先行的报告。