统计口径的陷阱
同一个数字，换个口径就是另一个故事
我看到的说法是：[结论 + 数据]。请只做一件事：拆它的统计口径。1）指标的分子和分母分别是什么，有没有把不该算的算进去；2）时间窗口怎么选的，换个窗口结论还成立吗；3）样本是谁，谁被排除在外；4）用的是均值、中位数还是百分比，换一种会怎样；5）有没有幸存者偏差，或者分母缩水造成的假增长。最后补一句：这个数字最容易被怎样误读。不要评价结论对错。
使用建议
把原始数据和统计口径说明一起贴给它，否则它只能靠猜口径来补充。
适合什么场景
- 看到一个好得不像真的数字（增长 300%、效率提升 40%），而且它正好支持你本来就倾向的决定时。
- 要拿某个 KPI 去考核团队或对外宣传之前——口径定错一次，之后所有人都会围着这个错口径优化。
不适合的场景
- 数字来自你自己的原始数据、分子分母都是你亲手算的——再拆一遍只是走过场。
- 要讨论的是价值判断（这个功能该不该做），数字只是其中一句论据——拆口径会显得严谨，但答不上你真正的问题。
示例
输入
我们的留存率从 32% 提到 51%，因为改了注册流程。
你会得到
期望它先问分母是不是被换过——只统计完成邮箱验证的用户，而验证率从 70% 掉到 45%，留存当然好看。再说明换个时间窗口（7 日还是 30 日）结论是否还成立，最后补一句最容易被误读的方式：「注册流程变好」被读成「产品变好」。
常见误用
- 把口径审查做成「证明这个数字是假的」：于是你去质疑数据源造假，而真正的问题是口径没问题、结论被过度解读。
- 只查一个指标就收工：分子分母拆得很细，却没问这个指标和你要的结果是不是同一件事。
可以这样改
- 把「拆统计口径」换成「假设这个数是对的，它能支持的最强结论是什么」——先划上限再回头拆，不容易把好数据一起否掉。
- 加一句「给一个同源但更保守的口径，并说明两者差多少」——审查变成两套可对比的算法。