# 数据分析 · 第 10 篇｜行业实战：金融、零售、制造、医疗

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

**这一篇讲什么**

金融、零售、制造、医疗是数据分析渗透最深、也最容易被讲成「行业黑话」的四个领域。它们的共同点不是方法，而是顺序：先有业务目标，才有指标；先看数据质量，才谈模型；先做描述和诊断，再谈预测。这一篇用四个案例把这个顺序走一遍：信贷通过率上升但坏账抬头怎么权衡、两家门店坪效差 25% 怎么拆、良率从 96% 掉到 91% 怎么排查、门诊平均等待 46 分钟该从哪里改。每一节都给指标表、拆解路径和合规边界。读完你不会立刻成为行业专家，但能听懂业务在说什么，并知道第一个问题该问谁。

## 一、四个行业的共同顺序

四个行业的业务差别极大：金融卖的是风险定价，零售卖的是位置和周转，制造卖的是良率与交付，医疗卖的是有限的诊疗资源。但把它们的数据分析流程摊开，骨架是同一套：**业务目标 → 指标定义 → 数据质量 → 描述现状 → 诊断原因 → 预测或决策**。跳过任何一步，后面的工作都会返工。

最常见的跳步是一上来就做模型。某虚构消费金融团队做了两个月的流失预测，AUC 0.86，上线后没人用：它回答了「谁会走」，却没回答「走了损失多少、挽留给谁」。把目标改成「60 天内可能把额度用到八成、且近 30 天无交易的客户」后，名单直接进了提额流程，使用率才起来。

第二个常见跳步是不定义口径就开始拉数。四个行业各有各的口径陷阱：

- 金融的「逾期率」，分母是当期应还余额还是放款金额，分子是逾期笔数还是逾期金额，算出来能差一倍。
- 零售的「同店增长」，是否包含改造后重新开业的门店、是否包含线上订单，直接决定这个数是正还是负。
- 制造的「良率」，是否把返工后合格的产品算作合格，决定了它是「一次良率」还是「最终良率」。

表 1 是四个行业的目标、核心指标和数据粒度对照。这张表的作用不是背指标，而是让你进入一个新行业时，知道先问哪几个问题。

| 行业 | 业务目标 | 核心指标 | 典型粒度 | 数据主要来源 |
| --- | --- | --- | --- | --- |
| 金融 | 在可承受风险下获取风险调整后收益 | 通过率、额度使用率、DPD30、坏账率、KS/AUC | 申请、账户、账期 | 申请系统、征信、还款流水 |
| 零售 | 用有限的门店和库存换取周转与毛利 | 坪效、同店增长、进店率、成交率、库存周转 | 门店、SKU、订单、时段 | POS、客流设备、WMS |
| 制造 | 在成本与交期约束下稳定产出合格品 | OEE、一次良率、直通率、OTD、库存周转 | 产线、班次、设备、批次 | MES、质检、设备传感器 |
| 医疗 | 在资源约束下提供安全有效的诊疗 | 门诊量、等待时间、床位使用率、平均住院日 | 科室、医生、时段、病种 | HIS、预约系统、病案 |

看「业务目标」那列：金融不是通过率越高越好，零售不是客流越多越好，制造不是良率 100%，医疗也不是等待越短越好。每个指标都有成本。

## 二、金融：零售信贷的指标体系

零售信贷按客户旅程分三段：贷前、贷中、贷后，数据与决策不同，但共同服务于风险调整后的收益。

**贷前**看「进得来、筛得准」。核心指标是申请量、通过率、放款率、件均额度、审批时效。分析动作包括申请评分卡、反欺诈规则、额度策略、渠道质量评估。**贷中**看「用得好、早发现」。核心指标是额度使用率、平均在贷余额、提前还款率、行为评分迁移、早期预警命中率。**贷后**看「收得回」。核心指标是 DPD30、DPD90、迁徙率、回收率、核销率。

表 2 是常用指标与口径。

| 指标 | 口径 | 说明 | 常见误用 |
| --- | --- | --- | --- |
| 申请量 | 统计期内提交的申请件数 | 去重按申请人 | 把点击当成申请 |
| 通过率 | 审批通过件数 ÷ 申请件数 | 分渠道、分客群看 | 用放款数当分子 |
| 放款率 | 实际放款件数 ÷ 通过件数 | 反映客户放弃与流程损耗 | 和通过率混为一谈 |
| 额度使用率 | 已用额度 ÷ 授信额度 | 衡量需求与额度匹配 | 只看平均值不看分布 |
| 平均在贷余额 | 每日在贷余额的均值 | 收入的分母 | 用期末余额代替 |
| DPD30 | 逾期 30 天以上账户占比 | 分子分母要统一（户数或金额） | 分子用金额、分母用户数 |
| 坏账率 | 核销或 90 天以上逾期 ÷ 放款 | 需注明观察期 | 用不同账龄的 cohort 直接比 |
| 迁徙率 | 从 M0 迁到 M1、M1 迁到 M2 的比例 | 预警与催收的核心 | 忽略账龄结构 |
| KS | 好坏样本累积分布的最大差值 | 看单一阈值处的区分度 | 把它当利润指标 |
| AUC | ROC 曲线下面积 | 看整体排序能力 | 样本不平衡时失真 |

KS 和 AUC 只说明排序能力，不说明赚不赚钱。模型评估要和策略评估分开：模型看区分度，策略看通过率、坏账率与风险调整后收益的组合。

反欺诈和信用风险不是一回事：信用风险看「愿不愿意还」，欺诈看「是不是本人、是不是团伙」。常用信号有设备指纹、申请间隔、联系人网络、地址聚集。它的评估指标不是 AUC，而是**误杀率**和**漏放率**：误杀损失一个正常客户，漏放损失一笔本金。

合规是硬边界：数据要有授权、范围最小必要、模型可解释、拒绝有理由、催收合规。分析师的自我约束是不在非授权数据上训练、不把敏感属性直接当特征、不用「效果好但解释不了」绕过评审。

## 三、案例：通过率提升，坏账也上升

某虚构信贷产品月申请 10 万件，2 月通过率 42%，DPD30 为 2.1%，坏账率 1.2%。3 月策略调整后，通过率升到 48%，DPD30 升到 3.4%，坏账率 1.9%。业务的问题是：「通过率还要不要继续提？」

这个问题不能直接用「通过率」回答，要拆到客群。把申请件按风险评分分成三档，表 3 是调整前后的对比（示意数据）。

| 客群 | 申请占比 | 通过率（前→后） | 坏账率（PD） | LGD | 定价（年化） | 风险调整后收益率 |
| --- | --- | --- | --- | --- | --- | --- |
| A 高资质 | 30% | 78% → 82% | 1.0% | 65% | 10% | 25% |
| B 中间 | 40% | 38% → 44% | 4.0% | 68% | 14% | 15% |
| C 低资质 | 30% | 10% → 18% | 9.5% | 72% | 18% | 7% |

加权算一下：调整前通过率 = 0.3×78% + 0.4×38% + 0.3×10% = 41.6%；调整后 = 0.3×82% + 0.4×44% + 0.3×18% = 47.6%。和业务说的 42%→48% 对得上。坏账率上升到 1.9%，主要来自 C 档通过率翻了近一倍。

关键判断在这一列：风险调整后收益率。它大致等于（利息与费用收入 - 资金成本 - 预期风险成本 - 运营成本）÷ 风险加权资产。A 档 25%，远高于公司的资金机会成本（假设 12%）；B 档 15%，略高于门槛；C 档只有 7%，低于门槛。也就是说，**C 档每多做一笔，规模变大，利润变薄**。

所以答案不是「继续提」或「停下来」，而是分层：

1. A 档继续放宽，通过率从 82% 提到 88%，同时提额，因为它的边际收益最高。
2. B 档维持，重点是用行为数据把其中一部分人往上迁，而不是继续降门槛。
3. C 档收紧回 12%—14%，或者维持通过率但把额度压到原来的六成，用额度控制损失。

这套判断依赖 PD、LGD 和资金成本的准确性。所以下一步不是全量上线，而是冠军挑战者测试：10% 流量跑新策略，观察 3 个账龄的 Vintage 再决定放量。

Vintage 是金融分析里最重要的视角。同样是「坏账率 1.9%」，放款后 3 个月的 1.9% 和放款后 12 个月的 1.9% 完全是两回事。比较不同月份的策略，必须固定在同一个账龄（MOB）上。

```sql
SELECT DATE_TRUNC('month', l.disbursed_at) AS cohort_month,
       COUNT(*)                            AS loans,
       SUM(l.principal)                    AS disbursed,
       SUM(CASE WHEN d.dpd >= 30 THEN 1 ELSE 0 END) * 1.0
         / COUNT(*)                        AS dpd30_rate_mob6
FROM loans l
LEFT JOIN delinquency d
       ON d.loan_id = l.loan_id
      AND d.mob = 6
WHERE l.disbursed_at >= '2025-07-01'
  AND l.disbursed_at <  '2026-04-01'
GROUP BY 1
ORDER BY 1;
```

这段 SQL 的关键是 `d.mob = 6`：只取每个放款 cohort 的第 6 个账期，保证不同月份在同一成熟度上比较。如果把 `mob` 去掉，新 cohort 的账龄短、坏账还没暴露，曲线会显得「越来越好」，这是风控报表里最常见的假象。

还有一个偏差：拒绝推断。被拒客户没有还款表现，模型只在获批人群上训练，会低估风险，新进的部分恰好落在原来的拒绝区。严谨做法是做拒绝推断，或保留一个随机通过的对照组来校准。

## 四、零售：门店、品类与购物篮

零售的核心矛盾是「空间和时间都有限」：面积、营业时间、货架位置都固定，能放的商品和能接待的客人都有上限。所以零售指标几乎都带分母：坪效除以面积，人效除以人数，周转除以时间。

表 4 是零售的常用指标。

| 指标 | 口径 | 回答什么问题 | 示例值 |
| --- | --- | --- | --- |
| 坪效 | 月销售额 ÷ 营业面积 | 单位面积的产出效率 | 3000 元/㎡/月 |
| 人效 | 月销售额 ÷ 员工数 | 人力配置是否合理 | 9 万元/人/月 |
| 同店增长 | 可比门店本期 ÷ 上期 - 1 | 内生增长还是靠开店 | +3.2% |
| 客流量 | 统计期内经过或进店的客流 | 位置与引流效果 | 5 万人次/月 |
| 进店率 | 进店人数 ÷ 经过人数 | 门头与橱窗的吸引力 | 8% |
| 成交率 | 成交单数 ÷ 进店人数 | 导购与陈列的转化 | 30% |
| 客单价 | 销售额 ÷ 成交单数 | 一次买多少 | 750 元 |
| 连带率 | 销售件数 ÷ 成交单数 | 搭配与推荐 | 1.7 件/单 |
| 库存周转天数 | 平均库存 ÷ 日均销售成本 | 资金效率 | 46 天 |
| 售罄率 | 已售 ÷ 可售 | 订货与补货准确度 | 78% |
| 缺货率 | 缺货 SKU 数 ÷ 在售 SKU 数 | 损失了多少销售机会 | 6% |
| 毛利率 | (销售额 - 成本) ÷ 销售额 | 结构是否健康 | 32% |

「同店增长」最容易变成数字游戏：把新开三个月的店算进去会虚高，把改造后重开的店排除又低估效果。先定义「可比门店」——开业满 12 个月、期内停业不超过 7 天、面积变动不超过 10%，并把定义写进报表注释。

门店选址常用的三个判断是客流质量、竞争密度和租金租售比。它不是预测「能卖多少」，而是排除「明显不能开」的点：周边一公里同类门店超过三家、租售比高于 15%、日均客流低于 8000 人，满足两条就要谨慎。品类管理则用 ABC 分类：A 类贡献七成销售额，重点管库存和缺货；C 类占了一半 SKU 却只贡献一成，该淘汰就淘汰。

购物篮分析回答的是「什么和什么一起买」。三个基础指标是支持度、置信度和提升度：支持度是「同时买 A 和 B 的订单占比」，置信度是「买了 A 的人里有多少也买 B」，提升度是「置信度 ÷ B 的基础购买率」。提升度大于 1 才说明两者有正向关联，等于 1 只是巧合。

举个示意例子：某门店咖啡豆的购买率是 6%，滤纸是 4%，同时购买两者的订单占 1.2%。支持度 1.2%，置信度 1.2% ÷ 6% = 20%，提升度 20% ÷ 4% = 5。这说明买咖啡豆的人买滤纸的概率是普通人的 5 倍。但置信度有方向，提升度才对称；只看「同时购买」的订单数，很容易把方向说反。

零售数据最常见的质量问题是「人货场对不上」：订单缺门店编号、客流把员工算进去、线上订单算进门店、退货记在退货当天。做坪效和同店之前，先花半天核这四个字段。

## 五、案例：两家门店坪效差 25%

某虚构家居品牌有两家门店，A 店 300 平方米，月销售额 90 万元，坪效 3000 元/㎡；B 店 200 平方米，月销售额 48 万元，坪效 2400 元/㎡。A 比 B 高 25%。区域经理的直觉是「B 店位置不好」，但位置只是众多因子之一，先把坪效拆开。

坪效可以写成一个乘法链：

**坪效 = （客流 ÷ 面积）× 进店率 × 成交率 × 客单价**

等式右边第一项是「客流密度」，衡量单位面积能吸引多少人；后三项是转化链，衡量进来的人买不买、买多少。四项相乘严格等于坪效，和 GMV 四因子一样，是一个可以逐项归因的恒等式。

表 5 是两家店的拆解。

| 因子 | A 店 | B 店 | A ÷ B | 含义 |
| --- | --- | --- | --- | --- |
| 月客流（万人次） | 5.0 | 3.2 | 1.56 | B 的绝对客流少四成 |
| 面积（㎡） | 300 | 200 | 1.50 | B 的店更小 |
| 客流密度（人/㎡/月） | 166.7 | 160.0 | 1.04 | 单位面积引流能力接近 |
| 进店率 | 8% | 10% | 0.80 | B 的门头更有吸引力 |
| 成交率 | 30% | 25% | 1.20 | A 的导购与陈列更强 |
| 客单价（元） | 750 | 600 | 1.25 | A 的连带销售更好 |
| 坪效（元/㎡/月） | 3000 | 2400 | 1.25 | 最终差距 |

四项比值相乘：1.04 × 0.80 × 1.20 × 1.25 = 1.25，正好等于坪效之比。两点直觉被推翻：

第一，B 的位置并不差。客流密度只低 4%，进店率还高 25%，门头和入口是有优势的，拖后腿的是成交率（低 17%）和客单价（低 20%）。

第二，A 的优势不在流量，而在转化。A 的导购人数是 B 的 1.8 倍，还做了场景化陈列，连带率 1.9 件/单，B 只有 1.4 件/单。

动作分两层。可迁移的先做：把 A 的场景化陈列复制到 B，给导购做搭配话术培训，把高连带商品放在动线深处，四周内能验证。位置相关的后做：B 的进店率已经不低，门头改造的边际收益有限，优先级低于转化提升。

如果 B 的成交率从 25% 提到 30%，其他不变，坪效 = 2400 × 1.2 = 2880 元/㎡，差距从 25% 缩到 4%。这个测算比「B 店要加油」有用得多，因为它给出了一个可检验的目标。

```sql
WITH base AS (
    SELECT store_id,
           MAX(area)                AS area,
           SUM(traffic)             AS traffic,
           SUM(entered)             AS entered,
           SUM(orders)              AS orders,
           SUM(sales)               AS sales
    FROM store_daily
    WHERE month = '2026-03'
    GROUP BY store_id
)
SELECT store_id,
       ROUND(traffic * 1.0 / area, 1)              AS traffic_per_sqm,
       ROUND(entered * 1.0 / traffic, 3)           AS enter_rate,
       ROUND(orders  * 1.0 / entered, 3)           AS close_rate,
       ROUND(sales   * 1.0 / orders, 1)            AS aov,
       ROUND(sales   * 1.0 / area, 1)              AS sales_per_sqm,
       ROUND((traffic * 1.0 / area)
             * (entered * 1.0 / traffic)
             * (orders  * 1.0 / entered)
             * (sales   * 1.0 / orders), 1)        AS check_value
FROM base
ORDER BY sales_per_sqm DESC;
```

`check_value` 应该等于 `sales_per_sqm`，不等就说明四项里有一项的分母写错了。这种「自校验列」在门店报表里很值得保留，因为客流设备、POS、面积表往往来自三个系统，字段对不上是常态。

坪效高不等于赚钱。A 店租金和人力更高，利润坪效（毛利 ÷ 面积）可能低于 B，完整判断要把分子换成毛利。

## 六、制造：OEE、良率与交付

制造分析要把「人、机、料、法、环」的变化翻译成指标，最常用的是 OEE、良率和交付。

**OEE（设备综合效率）= 可用率 × 性能率 × 良率**。可用率 = 实际运行 ÷ 计划运行；性能率 = 实际产量 ÷（运行时间 × 理论节拍）；良率 = 合格数 ÷ 总产出。三个数相乘才反映设备真正创造的价值：88% × 92% × 96% = 77.7%，超过两成产能被三种原因吃掉。

良率要区分两个概念。**一次良率（FPY）**是第一次就合格的比例；**最终良率**是包含返工、返修之后的合格比例。两者差距大，说明返工在掩盖问题：产品最终卖出去了，但多花了工时、能耗和物料。**直通率（RTY）**则把多道工序的一次良率连乘，反映整条线的真实水平。三道工序各 95%，直通率只有 85.7%。

表 6 是制造侧的核心指标。

| 指标 | 公式 | 回答什么问题 | 示例值 |
| --- | --- | --- | --- |
| OEE | 可用率 × 性能率 × 良率 | 设备真正产出了多少 | 77.7% |
| 一次良率 | 首次检验合格数 ÷ 投入数 | 工艺稳定性 | 91% |
| 最终良率 | 最终合格数 ÷ 投入数 | 含返工后的结果 | 96% |
| 直通率 | 各工序一次良率连乘 | 全流程真实水平 | 85.7% |
| 报废率 | 报废数 ÷ 投入数 | 直接材料损失 | 2.4% |
| 返工率 | 返工数 ÷ 投入数 | 隐性工时与能耗 | 6.8% |
| MTBF | 平均无故障时间 | 设备可靠性 | 420 小时 |
| MTTR | 平均修复时间 | 维修效率 | 3.5 小时 |
| OTD | 准时交付订单 ÷ 总订单 | 交付能力 | 92% |
| 预测偏差 | (预测 - 实际) ÷ 实际 | 需求预测质量 | -8% |

需求预测除了 MAPE，还要看偏差的方向和持续性：每月都高估 15%，可以直接下调安全库存。

案例：某虚构工厂 3 月一次良率从 96% 降到 91%，报废率从 1.1% 升到 2.4%。质量部第一反应是「换了一批原材料」，采购部说「供应商没变」，两边僵住。正确的做法是把良率按维度切开，让数据说话。

表 7 是排查路径。

| 维度 | 假设 | 需要的证据 | 验证方式 |
| --- | --- | --- | --- |
| 时间 | 是某天开始突变，还是缓慢下滑 | 按日良率曲线 | 控制图，找变点 |
| 产线 | 集中在某一条线 | 分线良率 | 分组对比 |
| 班次 | 集中在夜班 | 分班次良率 | 分组对比 |
| 设备 | 某台设备参数漂移 | 设备参数、维修记录 | 同型号设备对照 |
| 来料 | 某供应商批次异常 | 批次号、来料检验 | 换批复验 |
| 工艺 | 温度、压力、速度偏移 | 工艺参数日志 | 实验设计（DOE） |

```sql
SELECT line,
       shift,
       supplier_batch,
       COUNT(*) AS units,
       SUM(CASE WHEN inspect_result = 'pass' THEN 1 ELSE 0 END) * 1.0
         / COUNT(*) AS fpy,
       SUM(CASE WHEN inspect_result = 'scrap' THEN 1 ELSE 0 END) * 1.0
         / COUNT(*) AS scrap_rate
FROM inspection
WHERE inspect_date BETWEEN '2026-03-01' AND '2026-03-31'
GROUP BY line, shift, supplier_batch
HAVING COUNT(*) >= 200
ORDER BY fpy ASC;
```

跑完发现：2 号线夜班良率 84%，白班 94%；同一供应商的 B 批次来料在 2 号线的良率 82%，在其他线 93%。两个条件同时出现才出问题，说明不是单纯的来料问题，也不是单纯的夜班问题，而是「B 批次材料 + 夜班参数」的交互。后续用 DOE 在夜班做三组参数对照，确认是回流焊第三温区偏低 5℃。

这就是「分层 + 交互」：先按单维度切，再看交叉是否更极端。只按供应商切，B 批次整体 93%，正常；只按班次切，夜班 92%，也能接受。**平均值会把交互藏起来**，这是制造分析最常见的漏诊。

## 七、医疗：运营效率与合规红线

医疗分析分运营和临床研究两类：前者看资源怎么用，后者看疗效与安全，两者数据与合规要求不同，不能混着做。

运营侧的核心指标围绕「流量、效率、质量」三层。流量看门诊量、挂号量、预约率、外埠患者占比；效率看号源利用率、平均等待时间、平均住院日、床位使用率、床位周转次数、术前等待日；质量看 31 日再入院率、并发症率、感染率、次均费用、药占比。表 8 是常用指标。

| 指标 | 口径 | 管理含义 | 示例值 |
| --- | --- | --- | --- |
| 门诊量 | 统计期内的就诊人次 | 资源需求总量 | 1200 人次/日 |
| 预约率 | 预约就诊人次 ÷ 总就诊人次 | 流程可计划性 | 62% |
| 号源利用率 | 实际就诊 ÷ 放出号源 | 号源是否浪费 | 88% |
| 平均等待时间 | 从签到到就诊的平均时长 | 患者体验 | 46 分钟 |
| 平均住院日 | 出院者占用总床日 ÷ 出院人数 | 床位效率 | 7.2 天 |
| 床位使用率 | 实际占用床日 ÷ 实有床日 | 资源紧张程度 | 93% |
| 床位周转次数 | 出院人数 ÷ 平均开放床位数 | 一年能服务多少人 | 42 次/年 |
| 术前等待日 | 入院到手术的平均天数 | 流程效率 | 2.1 天 |
| 31 日再入院率 | 31 天内非计划再入院 ÷ 出院人数 | 质量与出院管理 | 5.8% |

这些指标互相拉扯：床位使用率超过 90% 后，一台急诊手术就会导致加床；平均住院日压到 6 天，出院准备不足又会推高再入院率。

案例：某虚构医院门诊平均等待 46 分钟，患者投诉集中在上午。把等待时间按时段切开，结果如表 9。

| 时段 | 门诊量（人次） | 开放诊室 | 平均等待（分钟） | 号源利用率 |
| --- | --- | --- | --- | --- |
| 8:00—9:00 | 320 | 12 | 68 | 96% |
| 9:00—10:00 | 280 | 12 | 55 | 94% |
| 10:00—11:00 | 210 | 10 | 40 | 89% |
| 11:00—12:00 | 150 | 8 | 28 | 82% |
| 14:00—15:00 | 180 | 8 | 30 | 85% |
| 15:00—16:00 | 160 | 8 | 35 | 84% |

8 点到 9 点的等待最长，开放诊室只有 12 间。原因有三层：号源集中在这一小时放出；签到、缴费、检查预约串行，要在三个窗口排队；当天检查约不上，患者滞留。

排队论的直觉是：当服务台（诊室）的利用率超过 85%，等待时间会非线性上升。8 点到 9 点的号源利用率 96%，等待 68 分钟；11 点到 12 点利用率 82%，等待 28 分钟。利用率只差 14 个百分点，等待却差了一倍多，所以「加一成号源」可能减少三成等待，而不是一成。

干预分三步，成本从低到高：号源按 15 分钟颗粒度均匀放出，削掉 8 点的峰值；签到、缴费、预约合并到线上，减少串行排队；检查科室增加上午的预约能力。评估不能只看改造后的等待，因为季节和流感会影响门诊量，更稳的是选两个未改造科室作对照，用双重差分看净效果。

医疗的合规要求更严：只用诊疗必需的最小数据集；进入分析环境前完成去标识化；研究用途需伦理审查与知情同意；结果只用于群体质量改进，不能反向用于个体营销或保险定价。方法上还有一条红线——**观察性数据不能随便推因果**：「用了某药的病人恢复得更好」可能只是病情更轻，要控制混杂、做倾向性评分或找自然实验。

## 八、共性、陷阱与能力自检

四个行业的具体知识差别很大，但失败的原因高度相似。表 10 把常见的合规红线和分析陷阱放在一起。

| 行业 | 合规红线 | 常见分析陷阱 |
| --- | --- | --- |
| 金融 | 授权、最小必要、可解释、公平信贷、催收规范 | 用通过率代替利润、忽略拒绝推断、跨账龄比坏账 |
| 零售 | 会员数据授权、价格合规、促销真实性 | 同店口径不一致、客流含员工、把相关当因果 |
| 制造 | 安全生产数据真实、质量记录不可篡改 | 平均良率掩盖交互、返工算进合格、预测只看 MAPE |
| 医疗 | 隐私去标识、伦理审查、知情同意、不得个体化营销 | 观察性数据推因果、单指标优化、忽略病例组合差异 |

除了表里的陷阱，还有三个跨行业的问题值得单独说。

第一，**分母漂移**。指标变了常常不是分子变了，而是分母变了：申请量混进批量注册，客流混进员工。先查分母。

第二，**平均值掩盖分布**。平均等待 46 分钟，可能是多数人等 20 分钟、少数人等 3 小时；平均良率 91%，也可能是一条线 70%。做平均就要配 P50 和 P90。

第三，**指标可以互相替代**。通过率能靠降门槛做高，良率能靠多返工做高。每个指标都要配一个约束指标：通过率配坏账率，良率配返工率。

行业分析师有三项能力：**行业知识**让你听懂业务，**指标口径**让数能复现、能和财报对上，**业务动作**让结论有人执行。表 11 是常见问题与方法对照。

| 问题类型 | 常用方法 | 适用行业 | 注意点 |
| --- | --- | --- | --- |
| 现状描述 | 趋势、分布、分层 | 全部 | 先定口径，再看数 |
| 归因诊断 | 拆解、下钻、贡献度 | 全部 | 排除替代解释 |
| 用户经营 | cohort、RFM、聚类 | 零售、电商、SaaS | 分层必须配动作 |
| 风险定价 | 评分卡、KS/AUC、Vintage | 金融 | 注意拒绝推断 |
| 效率优化 | OEE、排队论、漏斗 | 制造、医疗、零售 | 单指标会误导 |
| 预测 | 回归、分类、时间序列 | 全部 | 防止时间穿越 |

表 12 是自检表，每项 0—2 分，每季度一次。

| 能力 | 0 分 | 1 分 | 2 分 |
| --- | --- | --- | --- |
| 行业知识 | 说不清收入从哪来 | 知道主要业务环节 | 能指出当前最关键的约束 |
| 指标口径 | 直接抄报表 | 能复现核心指标 | 能解释口径变更的影响 |
| 数据质量 | 拿到数据就用 | 会做基础校验 | 能定位跨系统不一致的根因 |
| 诊断能力 | 靠经验猜 | 会做单维度下钻 | 会做交互与排除替代解释 |
| 实验设计 | 不知道对照组 | 会做前后对比 | 会算样本量与做 DID |
| 预测建模 | 只看准确率 | 会看 AUC/MAE | 会把模型接到业务动作上 |
| 合规意识 | 不关注 | 知道红线 | 能设计合规的数据流程 |

打分是为了找下个月的重点，不是排名。0 分超过三项，先补基础；全是 1 分，说明缺一个端到端项目；有 2 分没作品，说明能力没被验证。

## 本篇要点回顾

1. 四个行业的分析顺序相同：目标、口径、数据质量、描述、诊断，最后才是预测；跳步一定返工。
2. 金融的通过率不是目标，风险调整后收益才是；案例里 C 档客群的收益率只有 7%，低于 12% 的资金门槛。
3. 零售坪效可以拆成客流密度 × 进店率 × 成交率 × 客单价；B 店差在成交率和客单价，不在位置。
4. 制造的平均良率会掩盖交互；2 号线夜班加 B 批次来料才把良率拉到 82%，单看任一维度都正常。
5. 医疗等待时间在利用率超过 85% 后非线性上升，8 点到 9 点 96% 的利用率对应 68 分钟等待；合规上观察性数据不能直接推因果。

## 延伸阅读

- 第 03 篇《描述性分析与指标体系》：分位数、分层、漏斗的通用做法，是四个行业指标表的共同底座。
- 第 04 篇《诊断性分析与归因》：交互效应与排除替代解释，直接对应本篇的良率排查和坪效拆解。
- 第 05 篇《统计推断与 AB 实验》：医疗改造和信贷策略上线，都需要对照组和双重差分来评估净效果。
- 第 09 篇《行业实战：电商与 SaaS》：同样是行业篇，可以对照「交易型」与「订阅型」的指标差异。
- 第 11 篇《分析报告与沟通》：把行业指标翻译成业务动作，是下一篇要解决的问题。