Shopee数据分层怎么用：把不同东西分开看

为什么混在一起看会失真

整体数据是各层数据按体量加权的结果，权重由层的规模决定。体量大的层主导整体走向，体量小的层影响被稀释。表现差的层即使恶化明显，也可能在整体里看不出变化。这就是平均数掩盖结构的机制。分层看等于把被隐藏的权重重新摆到台面上。

一家店铺往往同时经营主力款、潜力款和长尾款。三类商品的转化能力差距可能达到好几倍。混算之后得到的数字介于三者之间，谁都不像。用这个数字去判断运营好坏，等于用一杯混合饮料去评价三种原料。分开算才知道问题出在哪一类。

买家结构也是同样的道理。新客的转化通常低于复购客，这是正常现象。店铺拉新力度加大时，整体转化率会自然下降。如果只看整体，会误判为运营能力退步。拆开看才发现是新客占比上升带来的结构性变化。

流量渠道混算的问题更隐蔽。不同入口带来的买家意图差别很大。搜索进来的买家目标明确，推荐位进来的买家还在逛。两者的转化率本来就不该放在一起比。混在一起算，等于把有意向和没意向的人算成同一批。

季节性商品和常青商品混看也会失真。常青商品全年平稳，季节性商品在特定月份集中爆发。整体的月度曲线会被季节商品带出很陡的波动。运营者容易把这种结构性波动当成异常事件去排查。分层之后，两类商品各自回归平稳的节奏。

判断自己的数据有没有被平均值掩盖，有一个很快的检验办法。把核心指标按最粗的两个维度各切一刀，比如商品类型和买家类型。如果切完之后的各层结论和整体结论方向矛盾，就说明整体数字已经失真。这个检验不需要复杂工具，一张透视表就能跑出来。

看到矛盾之后的第一动作不是立刻改策略，而是先确认各层的体量占比。某一层占比只有百分之五，即使它的转化率是整体的三倍，对整体也几乎没有影响。先看权重再看差异，这个顺序能避免为小体量问题投入过多资源。

确认结构变化之后要写下来。把本期的各层占比和上期对比，列出变化最大的两三层。这一句话的记录，往往比几十行明细更能解释整体指标为什么动。记录养成习惯，几个月后就能看出店铺的结构演变轨迹。

如果发现某一层正在持续萎缩，就要判断这是主动选择还是被动流失。主动收缩长尾款是正常的经营决策，被动流失主力款的买家则是危险信号。两者的数据表现相似，但处理方式完全相反，必须结合动作记录一起看。

一个具体的例子可以说明问题。某店铺整体转化率从上月的百分之四点二降到百分之三点八，看起来是全面退步。按商品分层后发现主力款转化率从百分之五点一升到百分之五点四，长尾款从百分之二点一降到百分之一点六。真正的问题只出在长尾款，主力款其实在改善。

继续往下查长尾款为什么会滑，发现是有几款商品的库存断货，页面显示缺货但仍在承接流量。买家点进来发现没货就离开了，把这几十次曝光全部记成了无效访问。这个原因在整体数据里完全看不出来，只有分层之后才能定位到。

这个案例的关键在于两层的体量权重。长尾款数量多但单款订单少，合计占比四成左右，所以它的小幅下滑就足以把整体数字拉下来。如果长尾款占比只有一成，同样的下滑在整体里几乎看不出来，问题会被掩盖得更久。

边界条件也要说清楚。分层分析能发现结构性问题，但对全店性的问题反而不敏感。如果所有层的转化率同时下滑，整体数字的降幅和各层降幅会高度一致。这种情况下分层看不出额外信息，要走全店排查的路径。

所以正确的顺序是先看整体确定有没有问题，再用分层定位问题在哪一层。跳过第一步直接分层，容易在小波动上浪费精力。两步配合，既不会漏掉全局性问题，也能快速定位结构性异常。

分层的目的是让每一层的结论都能对应到一个动作

按什么维度分层

维度的选择要从要解决的问题倒推。想解决备货问题，就按商品分层。想解决拉新还是留客的问题，就按买家分层。想解决投放效率问题，就按渠道分层。先写清问题，再选维度，顺序反了就是白切一次数据。

一个实用的维度要满足三个条件：能区分出明显不同的行为，层与层之间有可执行的差异，每层的体量足够支撑结论。三个条件缺一个，这个维度就只能用来观察，不能用来决策。很多报表维度很多，但满足条件的只有两三个。

商品维度里最常用的是生命周期阶段。上架七天内的商品处于测试期，数据波动大但信息量高。上架一个月到三个月的商品处于放量期，转化数据最稳定。三个月以上的商品进入成熟或衰退期。按这三个阶段切开，才能给不同商品配上不同动作。

买家维度里最基础的是新老属性。第一次下单的人和下过三次以上的人，对价格、物流和客服的敏感度完全不同。把这两类人放在同一张报表里比较客单价，得到的结论没有意义。分开之后，新客看首单转化，老客看复购频次。

渠道维度要按买家的来源意图来分，而不是按平台给的入口名称照抄。搜索、类目、推荐、活动、店铺关注，这五类的意图强度依次递减。名称相近的入口可能意图完全不同。分类之前先问一句，从这里进来的人当时想干什么。

维度数量控制在一个比较容易处理的区间。多数店铺用两到三个维度交叉就够了，一个主维度加一个辅助维度。主维度回答核心问题，辅助维度解释差异来源。维度超过四个，交叉出来的格子会多到无法解读，人也会失去看的耐心。

选定维度之后要先做一次体量盘点。把每个维度下各层的订单量列出来，低于三十单的层标红。这些层在后续分析里只观察不决策。如果标红的层超过总数的一半，说明这个维度切得太细，需要合并或者换一个。

维度的口径要写成一句话，能贴在报表上。比如商品分层口径可以写成按最近三十天销量排名，累计贡献百分之八十的为主力层。这句话要让所有人看完之后分出来的层完全一致。口径模糊是分层分析最常见的失败原因。

维度确定之后需要固定一段时间。建议至少三个月不换主维度，中间只允许调整分层阈值。频繁换维度的后果是历史数据无法对比，每次分析都像重新开始。需要增加新维度时，让新旧两套并行跑一个周期再切换。

维度的实际选择可以按优先级排序。商品维度优先级最高，因为它直接对应库存和推广决策。买家维度次之，对应拉新和复购资源分配。渠道维度再次，对应投放预算的调整。地区、价格带、时间批次属于辅助维度，用来解释差异的来源。

辅助维度的作用常常被低估。主维度告诉你哪一层有问题，辅助维度告诉你为什么。比如发现新客转化低，再用地区维度交叉，可能会发现某个区域的新客转化特别差，原因是物流时效太长。两个维度合起来才能给出可执行的动作。

维度交叉的格子数要控制。两个维度各三层，交叉出九个格子，这个量级还能看。三个维度各三层就是二十七个格子，绝大多数团队处理不了。超过九个格子的时候，先只用主维度做决策，辅助维度只用来做归因分析。

一个常见的错误是从平台后台现有的报表维度里挑，而不是从问题出发设计。后台给什么维度就用什么维度，结果切出来的层和决策完全对不上。正确做法是先写下要做的决策，再回去看哪个字段能支撑这个决策。

维度的有效性可以用一次小测试检验。用选定的维度分层，看看各层的关键指标差异是否超过三成。如果所有层的指标都挤在一起，说明这个维度没有区分能力，换一个。检验一次的成本很低，能避免后续长期做无用功。

维度选得对，分层才有意义，选错了只是把表格切碎

商品怎么分层

商品分层的第一个动作是拉出最近三十天的销量、曝光和转化三列数据。销量决定体量，曝光决定流量供给，转化决定承接能力。三个数字放在一起，才能看出商品处在什么状态。只看销量会把流量堆出来的款误判成好款。

分成主力、潜力、长尾三层是比较稳妥的做法。主力层的标准可以定为贡献了店铺前百分之八十销量的那部分商品。潜力层的标准是曝光在涨、转化也在涨但体量还小。剩下的归入长尾层。三层各自对应不同的资源投入策略。

主力层的商品要做的是守住流量和转化，避免因为库存或评价问题掉下去。潜力层要做的是补曝光，帮它把流量规模推上去。长尾层要做的是判断去留，连续三个周期没有起色的就清理掉。资源分配的顺序是主力优先，潜力次之，长尾只做筛选。

每层至少要覆盖十款商品，否则层内的对比就没有意义。商品数量少的店铺可以把三层压成两层，主力加其余。宁可层数少一点，也不要让某一层只有两三款商品。样本太薄的层，一次大促就能把结论完全改写。

商品分层要按周期重跑，通常一个月一次。上个月还在潜力层的商品，这个月可能已经稳定放量。上新节奏快的店铺可以两周跑一次。用半年前的分层结果指导今天的备货计划，是和现实脱节的。

具体的操作可以从导出商品明细开始。导出最近三十天的商品级数据，包含曝光、点击、加购、成交四个字段。有了这四个字段，转化漏斗就能算出来，商品的问题出在流量端还是承接端也就清楚了。只导出成交量是看不出问题所在的。

计算各商品的销量占比，从高到低排序，找出累计到百分之八十的那条分界线。线以上的商品归入主力层。这个做法比按固定销量阈值划分更稳，因为不同类目的正常销量水平差异很大，用比重比用具体数值更通用。

潜力层的筛选条件是曝光和转化同时处于上升趋势。具体判断可以看最近两周和之前两周的对比，两个指标都上涨且涨幅超过两成的，纳入潜力层。只涨一个指标的归入观察，不上资源。这两个指标同时涨，才说明商品真的在被市场接受。

长尾层的处理要有明确的退出机制。连续三个统计周期销量没有起色，就进入清理名单。清理前先检查一次详情页和价格，确认不是运营疏漏造成的滞销。确认无误后下架或合并到其他链接，把库存和推广资源腾出来。

分层表做好之后，给每一层配一句动作定义。主力层写守住，潜力层写加推，长尾层写筛选。三个词看着简单，但它们决定了运营每天打开报表之后先看哪一块。动作定义写得越短，执行的时候越不容易跑偏。

潜力层的判断需要更细的观察。除了曝光和转化同涨，还要看加购率是否同步上升。加购率上升说明买家在认真考虑，只是还没下单。如果曝光涨但加购率不动，多半是流量不够精准，补曝光之前要先修正流量来源。

主力层商品有一个容易忽略的风险，就是单品依赖。如果店铺前百分之八十的销量集中在两三款商品上，任何一款出问题都会引发整体剧烈波动。分层表上要标出这种集中度，集中度超过五成就要主动培育第二梯队。

长尾款的清理要有节奏，不要一次砍掉太多。建议每次清理不超过长尾总数的三分之一，观察两周再继续。一次砍太多会让店铺的搜索覆盖突然收窄，整体流量可能出现意料之外的下滑。分批清理更稳妥。

分层结果和备货计划要打通。主力层的备货安全天数可以设到三十天，潜力层设到二十天，长尾层设到十天以内。不同层用不同的备货策略，库存资金就不会平均摊在每个商品上，周转效率会明显改善。

商品分层还有一个边界情况：新品。上架不满七天的商品数据太少，任何分层都会把它错误归类。建议给新品单独留一个观察池，满七天之后再纳入正式分层。这段时间只记录数据，不做资源分配决策。

买家怎么分层

买家分层最常用的切法是按下单次数。下单一次的是新客，两到三次的是成长客，四次以上的是复购客。还有一类是曾经下过单但最近九十天没有动静的沉睡客。四类人群的运营目标完全不同，放在一起看客单价只会得到中间值。

新客层关注的是首单转化率和获客成本。成长客层关注的是第二次下单的间隔时间。复购客层关注的是客单价和推荐意愿。沉睡客层关注的是唤醒成本是否低于重新获客成本。每层只看一个核心指标，报表才不会变成数字堆砌。

新客和复购客的转化率差距通常在百分之二十到百分之四十之间。差距小于这个范围，说明店铺的复购设计没有起作用。差距远大于这个范围，说明新客的承接环节存在明显问题。两种情况的处理方向完全相反，所以必须分开看。

买家分层的定义要固定下来并且写进文档。新客是按首单时间算，还是按注册时间算，不同团队理解会不一样。定义一改，历史数据就没法和新数据对比。所以定义要么不改，要么改的时候同步重算历史数据。

分层的价值在于把运营目标变得具体。整体看只知道业绩在涨还是跌，分层看才知道是拉新有效还是复购在起量。前者只能描述结果，后者才能指向动作。这是分层分析最直接的好处。

买家分层的数据基础是订单明细，需要每位买家的首单时间和累计下单次数两个字段。有了这两个字段，新客、成长客、复购客、沉睡客就能自动分出来。分层的动作本身很简单，难的是定义清楚每个类别的时间边界。

新客的定义建议用首单在最近三十天内，成长客是下单两次到三次，复购客是四次及以上。沉睡客可以用最近九十天没有下单来界定。这些天数不是硬性的，但要在店铺内部固定下来，不要随口改。定义稳定，历史趋势才有可比性。

分层之后给每层配一个核心指标。新客看首单转化率，成长客看二次购买间隔，复购客看客单价和连带率，沉睡客看唤醒后的回访率。一层一个指标，看报表的人三秒就能定位到异常。指标多了，反而没人真正在看。

新客占比是判断店铺阶段的重要信号。新客占比长期高于七成，说明店铺靠不断拉新维持销量，复购基础薄弱，一旦停止投放销量会明显下滑。新客占比在四成到六成之间相对健康，说明拉新和复购都比较稳。

复购客的贡献占比通常应该高于它的数量占比。复购客只占买家总数的两成但贡献了四成以上的销售额，这是比较理想的状态。如果两者接近，说明复购客的客单价并没有明显优势，需要检查复购权益的设计是否有效。

买家分层要和处理动作绑定。新客层配首单优惠和新客引导，成长客层配凑单激励，复购客层配会员权益，沉睡客层配唤醒触达。四类动作对应四类人群，动作和人群对齐之后，营销资源的浪费会明显减少。

新客转化率的合理区间因类目而异，但有一个通用的判断方式：和自己的复购客转化率比较。差距在百分之二十以内说明新客承接做得不错，差距超过百分之四十说明商品页对新客的说服力不够，可能是详情页信息不足或者价格竞争力不足。

沉睡客的唤醒要设成本上限。唤醒一位沉睡客的成本如果超过重新获取一位新客的成本，这件事就不值得做。唤醒成本可以用触达费用除以唤醒成功数来算。算出来之后和获客成本比一比，答案就很清楚。

买家分层的数据要注意去重。同一买家在不同月份可能同时出现在新客和复购客里，因为统计窗口重叠。分层表要指定一个统一的时间锚点，比如统一按当月最后一天的买家状态来划分，避免一个人被重复计入两层。

买家分层的最终产出不是一份名单，而是一份资源分配方案。新客、成长客、复购客、沉睡客各能拿到多少营销预算，这个分配比例才是分层的真正价值。比例定下来之后，执行才有依据，复盘才有标准。

分层之后怎么对比

对比的第一条规则是先比结构，再比具体数值。各层占比的变化本身就是重要信息。新客占比从六成降到四成，可能比整体转化率上涨更有价值。结构的变化往往先于总量数字的变化出现，是更早的信号。

第二条规则是比较同层的时间序列。把每一层的转化率按周画出来，看的是各自的趋势方向。层与层之间直接比数值容易得出错误结论，因为各层的基线本来就不一样。同层的纵向对比，才是判断某一层有没有改善的正确方式。

第三条规则是给差异设定显著性门槛。转化率差异小于百分之十，通常先当作正常波动处理。差异在百分之十到百分之三十之间，需要再观察一到两个周期确认。差异超过百分之三十，才值得为这一层单独制定策略。门槛不定，团队会为随机波动反复开会。

第四条规则是永远回到体量。差异再大，如果这一层只有二三十单，也不足以支撑结论。判断显著性是差异幅度和样本体量两个条件同时满足。任何一个不满足，结论都只能标为待观察。这条规则能挡掉大部分误判。

对比的结果要落成一句话结论加一个动作。例如复购客转化率比新客高三十五个百分点且体量足够，对应动作是把复购权益提到更醒目的位置。结论越具体，执行越不容易走偏。写完结论再写动作，是防止分析和执行脱节的有效习惯。

实际操作时可以先做一张分层对比表。行是各个层，列是本期指标、上期指标、变化幅度、体量占比四列。四列摆在一起，一眼就能看出哪一层在改善、哪一层在恶化、变化是否值得关注。表格越简单，用的人越多。

判断某一层是否值得单独制定策略，用差异幅度和体量两个条件同时筛。差异超过百分之三十且该层订单占比超过百分之五的层，进入策略讨论清单。其余的先记入观察表。这个筛选条件能把讨论范围压缩到两三层，会议效率会明显提高。

策略落地之后要回到同一张表验证。设定一个观察周期，通常是两周或一个完整的大促周期，到期后对比该层的指标变化。变化达到预期就固化动作，没达标就检查是策略本身的问题还是执行没到位。两者要分开判断。

层间的对比结论要定期整理成一句话记在文档里。例如复购客的客单价比新客高三成，说明复购权益有效。这些结论积累起来，就形成了店铺自己的经营认知。新人接手时看这份文档，比看几十张报表上手更快。

对比表里最好加一列变化贡献度。某一层的变化乘以它的体量占比，就是它对整体变化的贡献。把各层的贡献度列出来，一眼就能看出整体指标的变化主要是哪一层带动的。这一列能让讨论从感觉层面回到数字层面。

显著性判断要区分指标类型。转化率这类比率指标，波动天然较大，门槛可以放到百分之十五。客单价这类金额指标，相对稳定，差百分之五就已经值得关注。库存周转这类周期指标更稳，差异超过百分之三就说明两层确实不同。

观察周期要根据指标特性来定。转化率建议看两周以上的数据，因为单周波动太大。客单价一周就够。复购率需要看一个月，因为复购本身就有时间间隔。周期定得太短，会被随机波动反复误导。

验证策略效果时要排除外部因素。大促期间各层的转化率通常都会整体抬升，这时候不能把提升全部归因于策略。正确的做法是看这一层相对其他层的改善幅度，相对改善才是策略的真实贡献。

分层对比的结论要区分两类：一类是长期稳定的结构特征，比如复购客客单价总是更高；另一类是短期变化，比如某个渠道这个月转化突然变好。前者写入经营认知文档，后者进入待验证清单。两类结论的处理方式完全不同。

同一个维度解决不同问题，先问清要解决什么再决定怎么切

分层太细有什么问题

层数每增加一倍，每层的样本就大致减半。原本每层有一千单，拆成十层之后每层只剩一百单。一百单得出的转化率差异，很可能只是随机波动。分层过细的第一代价就是结论变得不可靠，但这个代价在报表上完全看不出来。

第二个代价是动作数量失控。层数越多，需要制定的策略越多，需要的人手越多。实际运营中，一个团队一个月能认真执行两三套策略就到顶了。分出二十层却只执行两层，剩下的层就只是表格上的装饰。

第三个代价是解释成本上升。报告里出现十几个层名，看的人要先理解每层的定义才能往下读。会议时间大量花在名词解释上，真正讨论动作的时间被压缩。分层是为了让沟通更快，太细反而更慢。

判断是否拆得过细，有一个简单办法：把每一层的名字遮住，只看数字，问自己这层的动作和别人有什么不同。如果回答不出来，这一层就不该单独存在。这个办法能快速筛掉大量无效的层。

合理的做法是先分三层跑通一轮，观察两个周期再决定要不要细化。细化的依据是某一层内部的差异确实很大，大到需要再切一刀。而不是因为多切一刀看起来更专业。克制是分层分析里最重要的纪律。

避免分层过细的一个实操办法是先定动作，再定层。把团队这个月能执行的策略列出来，通常不超过三套。然后按这三套策略反推需要几层数据。动作决定了层的数量，而不是反过来先分层再想动作。这个顺序能从根本上避免无效分层。

另一个办法是给每层设定最低体量门槛。比如每层至少要有五十单或五百次曝光。达不到的层自动向上合并到同类的大层里。把门槛写进分层脚本或模板，每次跑数据自动执行，就不需要靠人工判断该不该合并。

分层方案要定期做减法。每季度回顾一次现有的层，把过去三个月没有产生过任何独立动作的层删掉。删层的标准是这层的数据结论有没有改变过决策，而不是这层的数字看起来是否有用。减法做多了，报表才会保持可用。

如果真的需要很细的粒度，正确做法是用明细数据做临时深挖，而不是把细粒度固化进日常报表。日常报表保持三层，遇到具体问题时再临时下钻。这样既保住了日常报表的易读性，也保留了深挖的能力。

最后要接受一个现实：没有完美的分层方案。业务在变，商品在换代，买家结构也在移动，任何分层都会在几个月后变得不合身。把分层当成需要持续调整的工作，而不是一次配置好的工具，这个认识本身就很重要。

有一个实用的检验办法可以判断分层是否过细。假设把某两层合并，如果合并后的结论和原本的决策完全一致，那么这两层就没有分开的必要。用这个方法逐层检验一遍，通常能砍掉一半的层数。

大促期间尤其要警惕分层过细。大促的流量和数据量会比平时放大好几倍，看起来每层都有足够的样本。但大促的数据本身不具代表性，用大促期间的数据去细分层，得到的结构可能是促销刺激下的临时现象。

分层过细还会带来一个隐性成本：维护成本。每增加一层，模板要多一段公式，报表要多一行，汇报要多一句解释。这些成本单次看都很小，但累积到十几个层就相当可观。把层数控制住，本身就是节省团队时间的办法。

当业务方提出要看很细的拆分时，先追问一句拿到这些拆分之后准备做什么决策。如果答案是要针对某一细分人群做专门投放，那就值得拆。如果答案只是想知道，那就用临时下钻满足，不要固化进日常报表。

细分的合理上限可以这样估：一个团队一个月能认真执行的策略数量，通常在三到五套之间。层数最好不要超过这个数量的两倍。超过之后，多出来的层不会有对应动作，只会增加报表的复杂度。

分层不是把表格切碎，而是让每个结论都有对应的层

常见误区

第一个误区是以为分层越细越专业。层数多不等于看得清，样本被切薄之后每个结论都变得不可靠。分层的目标是让动作更清楚，不是让报表更复杂。判断标准是有没有多出新的动作，没有就是白切。

第二个误区是分层之后还是用整体平均值做结论。常见的情况是花时间切了数据，最后汇报时仍然写整体转化率。这样做等于做了分层却没有用分层的结果。分层之后每一层的数字才是汇报的主体。

第三个误区是层与层之间直接比数值。各层的基线不一样，直接比较会得出误导性的结论。正确的做法是看同层的趋势变化，以及层间差异是否超过显著性门槛。比较方式错了，分层反而制造出更多错误判断。

第四个误区是分层维度频繁更换。这个月按价格带分，下个月按生命周期分，历史数据就无法对齐。维度一旦确定，至少保持三个月不变，才能看出结构变化。需要换维度时，新旧两套并行跑一个周期再切换。

第五个误区是分了层却没有人对应负责。每一层其实代表着不同的运营重点，如果没有明确谁来看哪一层，分层结果就会被搁置。建议在分层表上直接标注负责人。有人盯着，分层分析才会真正进入日常动作。

第六个误区是只切数据不改动作。分层的产出应该是一份有几层、每层什么动作、谁负责的清单。如果分完之后没有产生新的动作，这次分层就是无用功。每次分层结束都问一句这次多了什么动作，没有就说明白做了。

第七个误区是分层维度的定义靠口头传达。没有写进文档的定义，每个执行者理解都会有偏差。同一个人不同时期的理解也可能变。定义写进模板的注释里，是最省事的做法，也是最能减少返工的做法。

第八个误区是用分层结论直接预测未来。分层反映的是过去一段时间的结构，不是对未来的承诺。正确的用法是发现结构性信号之后，用小规模测试去验证。分层负责发现问题，测试负责确认方向。

第九个误区是忽略分层之后的资源约束。所有层都想优化，结果每个层都只投了一点资源，哪一层都没有实质变化。资源永远应该优先给差异最大且体量足够的那一两层。集中投入，才有可能看到明显效果。

第十个误区是不记录分层口径的变更历史。哪天改了阈值，为什么改，改完之后哪些结论不再可比，这些都要留下记录。少了这份记录，三个月后没人说得清某个数字为什么和之前不一样，分析会陷入反复怀疑数据的循环。

避开这些误区之后，分层分析的落地框架就清楚了：先定问题再定维度，每层留足样本，层间差异设显著性门槛，动作优先给差异最大的层，层数做减法不做加法。这套做法不需要复杂工具，一张透视表加一份分层说明就能跑起来。

分层这件事的价值不在于分析得多精细，而在于让每个结论都能对应到一个人和一个动作。做到这一点，分层就从报表技巧变成了经营方法。从下个月开始，先按商品和买家两个维度切一刀，你会看到很多以前没注意到的结构。

真正有效的分层是能长期坚持的那种。层数不多，口径清楚，每月重跑一次，每层有人对应。这样的分层看起来朴素，但它对经营判断的支撑远比一张复杂的多维度报表更扎实。朴素的东西往往才是能长期用的东西。

第十一个误区是分层之后不留基线。没有基线的分层，看不出结构是变好了还是变差了。第一次跑分层时就要把各层的指标和占比存下来，作为后续对比的基准。基线存下来这件事，越早做越有价值。

第十二个误区是只看好层不看差层。分析习惯于关注表现最好的那一层，讨论如何让它更好。实际上整体指标往往是被最差的那一层拉下来的，改进差层的回报通常更高。资源分配要有意地向差层倾斜一部分。

第十三个误区是分层结果不写结论只放数字。一张只有数字的分层表，不同的人会读出不同的意思。每一层后面跟一句结论，比如新客转化偏低需要优化详情页，报表才具备沟通能力。结论是分层的最终产品。

第十四个误区是把分层当成一次性项目。做完一次分层之后，报表就再也没更新过。业务三个月就变一轮，分层不跟着跑就会逐渐失效。把分层排进月度固定工作，比年初做一次深入分析更有用。

第十五个误区是不同的人用不同的分层口径。运营按一套标准分层，财务按另一套，开会时两边数字对不上。解决方式是分层口径由一个人统一维护，其他人只使用不修改。口径统一是分层能长期发挥作用的前提。

把这些误区放在一起看，会发现它们指向同一个原则：分层要服务决策，而不是服务分析本身。判断一次分层有没有做好，标准很简单，看它有没有让某个动作变得更明确。有就是成功，没有就要回头改方案。

常见问题（FAQ）