电商 CRM 报表里的复购率从 18% 升到 22%，不一定代表客户经营变好了：如果其中混入退款订单、重复身份，或促销带来的低毛利成交，系统可能是在把风险包装成增长。检查电商 CRM，不能只看一个结果数字，而要从复购口径反向追到客户、订单、分群、触达和利润，确认每个环节的数据都能对得上、结论都经得起复核。
我判断一套电商 CRM 是否值得信任，通常先问四个问题：统计的人是不是同一批客户，订单是不是有效订单，复购是否与触达策略有关，增长扣除优惠和履约成本后是否仍有价值。四个问题中任何一个答不清，复购率再好看，也不足以支持系统有效的结论。
复购适合用来发现异常，不适合单独给 CRM 判优劣。复购突然下降，可能是客户身份匹配或订单回流出错；复购突然上升，可能来自大促、低价促销、统计窗口变化，甚至退款订单没有及时剔除。指标变化是线索，不是原因。
实际排查时，我会把 CRM 检查拆成五个连续环节：数据是否完整、客户是否识别正确、人群规则是否可复现、触达是否真实执行、结果是否可以合理归因。每一步都要留下可以复核的证据，而不是只凭运营人员的经验解释。
这条链路的价值在于定位问题所在。若报表复购率与订单明细对不上，先查数据；若数据正确但指定人群没有收到消息，先查执行；只有前两者成立，才适合继续讨论策略是否有效。
一个可执行的基础口径可以写成：在首购后固定观察期内，发生至少一笔已支付、未取消且符合退款规则的后续订单的客户数，除以具备完整观察期的首购客户数。这个定义仍需结合业务调整，但至少明确了客户范围、订单状态和观察窗口。
分母必须是观察期已经成熟的客户。例如评估首购后 30 天复购，最近 10 天才首购的人还没有完整的 30 天观察窗口，不应直接放进分母与已观察满 30 天的人比较。否则越靠近统计日的客户越容易被误判为“未复购”。
建议把复购指标旁边至少放上有效订单数、退款率、客单价、毛利额、优惠成本和触达覆盖率。它们不是为了把报表做复杂，而是帮助判断复购变化究竟来自客户需求，还是来自统计、促销或执行方式的变化。
下面用一个明确标注的情景模拟说明排查过程，不代表任何真实企业的数据。假设一家经营家居用品的电商团队，CRM 显示近一个季度老客复购率由 18% 上升到 22%，同时会员营销费用增加，客服却发现促销订单退款和优惠咨询变多。
如果只看 CRM 看板，团队很容易得出“触达策略有效”的结论。但把 CRM 报表与订单明细、退款记录、优惠核销记录按客户和订单逐一核对后，发现 22% 的口径把部分退款订单算作有效复购，部分跨渠道客户还被重复识别。按统一规则重算后，同期复购率为 17.8%。
这个结果并不自动说明 CRM 系统本身有缺陷。它可能是订单同步延迟、退款状态没有回写、客户身份规则不一致，也可能是报表定义发生过变化。正确做法是把差异定位到字段、接口、规则或统计周期，而不是给系统贴上“好”或“坏”的标签。
电商 CRM 的复购判断依赖多张表和多个系统之间的连接。客户主键可能来自手机号、平台会员编号或店铺账号；订单状态会从待支付变为已支付、已发货、完成或退款；营销系统可能只记录触达任务，不一定能拿到最终成交订单。
我会优先抽查几类记录：同一手机号是否对应多个客户编号，同一客户是否因大小写或格式差异被拆成不同身份；订单退款后 CRM 是否更新状态；跨店铺购买是否被错误合并；订单发生时间与同步时间是否被混用。这些细节不显眼，却会直接改变分子、分母和复购周期。
看到异常时，不要急着问“是什么活动带来了增长”，先问“这个指标的组成发生了什么变化”。先确认记录真实，再讨论业务解释，能减少团队围绕一张错误报表反复争论。
复购率和 CRM 触达之间可能相关，但相关不等于因果。客户可能因为产品补货、价格变化、节日需求、平台流量或线下活动再次购买。若活动期间同时调整了优惠力度和投放渠道，只凭活动后复购率上升就认定 CRM 有效，无法区分究竟是哪项变化带来了结果。
更稳妥的判断是设置可比人群：在符合条件的客户中，随机抽出一部分接受触达，另一部分暂不触达，比较两组在相同观察窗口内的有效复购和经营贡献。若业务无法随机分组，也可以选取尽可能相似的客群做对照，但要承认结论的因果把握较弱。
复购率只回答“有多少客户再次购买”，不回答“再次购买是否赚钱”。低毛利商品、过度优惠、拆单、赠品或高退货率，都可能让复购次数上升，却让每笔订单的实际贡献下降。
我会将复购与单客贡献放在同一张分析表里。一个简化口径是：订单毛利减去优惠成本、可归属的履约成本及其他可确认的变动成本。若复购上升，但单客贡献持续下降，下一步应检查优惠依赖、商品结构和退货，而不是继续扩大触达量。
营销平台显示任务发送成功，只能说明系统完成了某个发送动作，不等于客户实际看到，更不等于客户理解并采取行动。不同渠道的送达、展示、点击和转化定义也不相同，不能把它们都压缩成一个“触达人数”。
排查时应把计划人群、任务入群人数、渠道发送成功人数、可验证送达人数、点击人数和后续有效订单人数分开保存。若渠道不提供真实送达或展示数据，就明确标注为“平台发送记录”，不要写成“客户已触达”。
整体复购率可以稳定，却可能同时发生高价值会员复购下滑、新客复购略升；也可能整体上升只是因为高复购品类的订单占比变大。平均值方便汇报，不一定适合定位问题。
至少按首购月份、商品品类、获客渠道、新老客或会员层级切分一次。拆分维度不必越多越好，关键是每个维度都能对应到业务动作；如果一个分组既无法解释，也无法触发后续处理，就不必为追求“精细”而堆出大量标签。
标签数量多，不代表客户理解得更准确。标签若没有清晰来源、更新时间、适用条件和失效机制，容易出现“沉睡客户”其实刚下单、“高价值客户”长期按历史金额定义、“偏好品类”来自一次偶然购买等问题。
我更关注标签能否被业务人员复现：给另一位运营同事一份定义，他是否能用同一批字段筛出大致相同的人群？如果做不到，标签就不是稳定规则，而更像不可审计的个人判断。
每个复购指标至少要能回答六件事：统计对象是谁、分母如何确定、复购订单如何定义、观察窗口多长、退款和取消如何处理、数据截至哪个时间点。若一个指标只有名字和数字，没有这六项口径，团队就无法确认不同报表是否在回答同一个问题。
建议把口径写在指标旁边，而不是只留在某个同事的记忆里。版本变化也要留记录，例如从“付款订单”改为“完成订单”，应标注生效日期，并在趋势图中提醒读者前后口径不可直接比较。
一个基础计算示例是：30 天复购率 = 首购后 30 天内至少有一笔符合条件的后续订单客户数 ÷ 具备完整 30 天观察期的首购客户数。具体是否排除部分退款、换货或跨店订单，要结合企业财务和运营口径明确约定。
数据核查不必一开始就全量逐笔检查。先抽取一段固定时间内的客户与订单，再核对 CRM、交易后台和退款记录中的关键字段。优先字段通常包括客户标识、订单编号、支付时间、订单状态、退款状态、渠道来源、活动标识和数据更新时间。
我会特别关注“业务发生时间”和“系统更新时间”的差异。订单在周日支付、周二才同步到 CRM，如果按同步日期统计，周末复购可能被错记到下一周；退款在月底发生、次月才回流，也可能让月报前后不一致。报表必须说明采用哪种时间字段。
每个重要人群都应该有明确的定义、字段来源、刷新频率和排除条件。例如“首购后 20 天且未复购客户”必须说明首购订单如何认定、退款订单如何排除、名单多久更新、客户在触达前复购是否自动移出。
触达记录要与分群快照对应。若 CRM 每天更新标签，活动名单却在一周前导出，那么执行人群与分析报表中的人群可能不是同一批。审计时保留活动开始时的入群名单，才能解释某位客户为什么收到消息、为什么没有收到。
结果审计至少包含三层：第一层看有效复购是否改变；第二层看订单毛利、优惠成本和退货是否同步变化；第三层看投诉、退订和触达频次是否出现不良反应。只要其中一层明显恶化，复购提升就不应被当作无条件成功。
对触达效果的归因，优先使用随机对照。若无法实施随机分组，应在分析中写清客群选择差异、同期促销和其他干扰因素。不能因为做了前后对比，就把所有变化都算到 CRM 头上。
不存在适用于所有品类的通用复购率合格线。日用品、耐用品、季节性商品和高客单商品的自然购买周期差异很大；即便同一品类，不同客群和渠道也可能有不同基线。用一个固定百分比给所有业务判风险，容易把正常差异当成故障。
更实用的方法是看相对变化：与同品类历史同期相比是否明显偏离；与相近渠道、相近客群相比是否异常；异常是否集中在某个字段、任务或数据更新时间。基线需要由本企业历史数据建立，并持续标注活动、价格和商品变化。
以下仍是情景模拟，用于说明如何把检查结果转成预算决策，并非真实客户案例。假设团队从符合条件的首购客户中选出两组各 1 万人，一组接受复购提醒和优惠，另一组暂不接受该活动；两组首购时间、主要品类和获客渠道尽量保持接近。
活动观察期设为首购后 30 天，复购只计算已支付且按统一规则处理退款后的订单。测试组有效复购率为 18.4%，对照组为 17.2%，相差 1.2 个百分点。这个差值是两组结果差异，不应直接写成“所有 CRM 触达都提升 1.2 个百分点”。
在 1 万名测试客户中，1.2 个百分点对应约 120 名额外复购客户。假设每笔增量订单的贡献毛利为 54 元，则额外贡献毛利约 6480 元；若该活动相对对照组增加的优惠成本为 9600 元，暂不计额外履约与客服成本，活动的增量贡献仍约为负 3120 元。
此时最专业的结论不是“活动失败”或“CRM 有效”，而是：模拟测试中观察到复购差异，但按当前成本口径尚未覆盖增量优惠支出；下一步应检查优惠是否过深、目标客群是否过宽，以及自然复购概率较高的客户是否被不必要地补贴。
第一次复核：样本分配是否可信。检查客户是否随机进入两组，测试组是否集中在高活跃渠道，对照组是否刚好包含更多低频品类客户。如果两组起点不同，1.2 个百分点可能反映客群差异，而不是触达效果。
第二次复核：订单是否完整成熟。确保两组客户都已经过完整 30 天观察期，并处理观察期末发生的取消和退款。若测试组更早开始活动、拥有更长的观察时间，复购率比较会被时间长度影响。
第三次复核：成本有没有漏项。除优惠金额外，还要确认赠品成本、渠道费用、额外客服工时、物流补贴和退货处理成本是否需要纳入。不同业务的成本归属口径可能不同，但必须让测试组和对照组使用一致规则。
如果总结果为负，不代表每个客群都不值得触达。进一步按品类、首购金额、首购渠道或历史购买频次拆分，可以发现某些客户对提醒有反应，却不需要大额优惠；另一些客户即使复购增加，退货和服务成本也明显偏高。
分层后要避免“挑最好看的组汇报”。应提前定义主要分析人群，完整展示其他主要分组的方向和样本量。样本过小的细分组只能作为后续测试线索，不能作为稳定结论。
当团队无法建立可靠对照组时，可以先把这轮活动定位为探索性测试：用来发现数据断点、验证触达链路或估算反应范围。对外沟通时应明确结论的不确定性，不要把前后差异包装为确定的增量效果。
排查记录最好包含检查对象、检查方法、证据位置、异常表现、业务影响、责任人和复核时间。这样的记录能让运营、数据和系统人员围绕同一个事实处理，而不是在群聊里反复解释“报表不准”到底是什么意思。
| 检查环节 | 要问的问题 | 可复核证据 | 常见风险信号 | 建议处理动作 |
|---|---|---|---|---|
| 数据完整性 | 订单和退款是否及时进入 CRM？ | 订单明细、接口日志、退款记录 | 某日漏单、状态长期不更新、退款数对不上 | 抽样对账，定位同步任务或状态映射规则 |
| 客户识别 | 同一客户是否被重复建档或错误合并？ | 客户主键、手机号映射、平台会员编号 | 同一订单关联多个客户、跨渠道匹配率突变 | 复核身份规则，保留合并与拆分记录 |
| 分群规则 | 标签是否能按定义重复生成？ | 标签说明、筛选条件、更新时间 | 结果无法复现、名单与规则数量差异过大 | 固定规则版本，重新计算并比对名单 |
| 触达执行 | 计划人群是否真正进入活动任务？ | 人群快照、发送日志、渠道回执 | 入群人数与发送人数异常脱节 | 逐级核对入群、发送、送达和退订记录 |
| 效果评估 | 复购变化能否与活动合理关联？ | 分组方案、有效订单、成本与退款数据 | 只看前后对比、忽略同期活动和成本 | 补充对照或限制结论，计算增量贡献 |
遇到多个问题时，我不会按“谁先提出来”逐项处理，而是综合影响范围、潜在损失、复现难度和修复成本。一个影响全体订单状态的同步故障，优先级通常高于某个小客群标签命名不清；但若后者正在驱动高成本自动化活动，也应立即暂停相关触达并核实。
实操上可以给风险分为三级：影响报表可信度或资金决策的高风险；影响特定客群、渠道或活动的中风险；不影响当前决策、但会增加维护成本的低风险。等级不是为了追求精确打分，而是帮助团队先解决可能造成经营损失的问题。
发现问题后，记录问题编号、负责人、计划完成时间、修复方式和复核证据。修复完成不等于关闭问题，必须使用相同口径重新计算，确认异常消失且没有产生新的偏差。若改了口径，还要保留旧口径结果，避免历史趋势被无说明地改写。
复核周期应根据问题影响决定。订单同步中断可能需要当天检查；标签刷新问题可以在下一次刷新后复核；长期经营效果则需要等待足够成熟的观察窗口。不要用“下周看一下”代替明确时间、对象和判断标准。
优先检查客户匹配、订单状态、退款回写和观察窗口，不要先加大促销。若交易后台的有效订单稳定，而 CRM 客户数或复购客户数明显变化，问题更可能出在识别规则、标签刷新或报表逻辑，而非客户需求突然转弱。
建议先抽取异常前后各一段可比日期，按客户编号和订单编号对账，再查看变化是否集中在某个渠道、店铺或接口版本。定位前暂缓用这项复购指标调整奖金、预算或客户分层，否则错误数据会继续放大决策风险。
先拆优惠和商品结构，再评估是否扩大活动。检查复购订单是否集中在低毛利商品，客户是否为领券后购买，退款是否发生在统计窗口之后，以及优惠是否发给本来就会自然复购的客户。
如果优惠成本已经吞掉大部分新增贡献，可以测试降低优惠力度、改为非价格权益，或缩小触达范围。与此同时保留对照组，避免把“少发优惠后复购下降”误判为所有权益都无效。
先确认送达证据和人群质量，不要只增加发送频次。若发送任务成功，但可验证送达比例低，应先处理渠道可达性；若触达真实发生但点击与转化均弱，再检查内容、时机和商品匹配；若点击正常而有效订单少，则应查购买路径、库存、价格和落地页。
每次只优先改变一个主要变量，例如触达时间、内容主题或优惠方式，并为测试保留一组对照。一次同时改人群、文案、优惠和渠道，即使结果变好，也很难判断真正起作用的因素。
先选定一个权威交易源作为订单事实依据，再明确 CRM 的角色是客户运营与行为分析，而不是让多张报表各自定义“真实订单”。对差异设定可解释的核对方式，例如按订单编号匹配、按状态分层、按日计算延迟回流量。
如果差异来自合理的时间延迟，应定义数据稳定时间，例如某项月度报告在月末后若干天才冻结；具体天数由退款周期和接口情况决定。若差异来自映射规则，则保留规则版本和改动记录，避免历史报表反复漂移。
先做小范围、可人工抽查的审计：挑一个主要店铺、一个核心品类和一个固定观察窗口，先把客户、订单、退款和触达日志对齐。不要一开始就追求所有渠道、所有标签和全量自动化，范围越大，问题越难定位。
人工抽样适合发现明显断点，不适合长期替代全量校验。若问题反复发生，再评估是否需要统一数据模型、增加自动对账或调整系统集成；投入应由问题频率、业务损失和人工维护成本共同决定。
CRM 主要承担客户运营相关的身份、标签、分群和触达管理；交易系统记录订单与交易状态；分析工具帮助跨表核对、拆分客群和观察经营结果。工具边界不清时，团队容易让营销报表承担交易事实的职责，或用交易系统替代客户运营规则管理。
例如，用九数云这类数据分析工具整理订单、退款和营销结果时，应先确认数据连接、字段定义、刷新频率和权限是否满足自己的需求。它适合被纳入分析链路讨论，但不能仅凭工具名称推断其一定能修复 CRM 身份匹配、接口同步或营销归因问题。具体能力应以当前产品说明和实际测试为准。
若需要了解相关产品信息，可访问九数云官网。评估时建议带上真实字段样例和目标报表，验证订单状态、退款、客户主键及更新频率能否支持检查，而不是只看演示页面是否美观。
现有报表足够的情况：主要渠道数量有限，订单与客户字段稳定，定期抽样能完成核对，团队也能追溯报表的计算逻辑。此时先补口径文档和责任机制，可能比新增工具更划算。
需要增强分析能力的情况：多个店铺、渠道和营销系统之间经常出现重复对账；关键指标每次都要人工拼表；历史口径无法复现；或者问题发现时已经错过预算和活动调整窗口。此时可以评估数据集成、自动校验或集中分析方案。
不应急于采购的情况：团队还没有明确复购定义，业务负责人对成本口径也未达成一致。工具可以提高计算效率，却不能替团队决定什么叫有效复购、哪些成本需要纳入以及如何解释因果关系。
试跑结果应包括正确率、差异原因、维护责任和上线后的复核办法。若供应方只能展示预设样例，不能用企业自己的字段解释差异，那么演示效果不等于实际适配能力。
建议将检查分成三种节奏：日常看数据回流、异常订单和任务执行；活动后核对名单、触达、有效订单与成本；月度或季度复核复购口径、标签规则和趋势可比性。频率应根据订单规模、退款周期和问题影响调整，不需要为了形式统一到固定天数。
每次检查至少留存统计口径、数据更新时间、样本范围、异常记录、处理人和复核结果。发生口径变更时，保留变更前后的计算方式；发生活动变化时，记录同期商品、价格和优惠调整。未来出现趋势反转，团队才能判断是经营变化还是计算方式变化。
真实性：客户、订单、退款和时间窗口的数据能否对账？如果不能，先修复数据可信度，不要把报表变化当成经营事实。
因果性：触达组与对照组是否可比，或者是否有足够证据排除促销、渠道、商品等同期变化？如果不能，结论应写成观察到相关变化，而不是确认 CRM 带来增长。
经济性：新增复购带来的贡献是否覆盖优惠、渠道、履约和服务成本？如果不能，复购率上升也不等于值得扩大投入。
这三道门槛对应三个不同的决策：真实性决定能不能相信数字，因果性决定能不能把结果归因给策略，经济性决定要不要继续投入。把它们混为一谈，是 CRM 复购评估中最常见、也最容易造成预算误判的做法。
如果短期内最重要的是止住错误决策，优先修复高影响的数据问题，即使报表暂时不够完整；如果数据可信但业务效果不明确，优先做小样本对照，而不是直接扩大发送；如果效果明确但利润不达标，优先调整优惠结构和人群范围，而不是宣布 CRM 无效。
如果企业缺少分析资源，先保证一个核心品类和一条关键链路可核验；如果多渠道规模已让人工核对长期失控，再评估自动化和分析工具。先把问题定义准确，再决定是否购买能力；先让小范围结论可复现，再决定是否放大投入。
电商 CRM 检查真正要追求的，不是让复购率永远上升，而是让每一次变化都有可解释的数据来源、可验证的业务链路和可承担的经营成本。把复购当作风险排查入口，先核口径、再查链路、最后看利润，团队才能分清真实增长、统计假象和不值得继续的增长，并据此做出更稳妥的下一步决策。
我在看 CRM 报表时，常遇到后台和运营报表的复购率对不上，后来才发现两边对客户、订单和时间范围的定义并不一致。到底应该先统一哪些口径，才能判断变化是真的？
先把复购率定义成一个可复算的指标，而不是直接引用系统默认值。常见口径是：在指定观察期内，至少产生两笔有效支付订单的客户数 ÷ 同一批首购客户数。这里要明确观察期从首购日还是自然月开始，订单是否剔除取消、全额退款，以及部分退款如何处理。
例如，统计 4 月首购客户在之后 60 天内的复购表现，就应固定这批客户作为分母，并只统计同一观察窗口内符合条件的订单。不要拿 4 月新客的 60 天复购率，直接和 5 月新客尚未走完 60 天的数据比较；后者的观察时间更短，结果天然偏低。
实际排查时，可先抽取同一批客户和订单，在电商后台、CRM 报表中分别复算。若结果不同，优先核对客户去重、订单状态、退款回传和统计时区，再讨论运营效果。没有统一口径的复购率，不适合作为系统验收或团队绩效依据。
我看到复购率从 18% 涨到 22%，第一反应是 CRM 触达起作用了，但同期也做了优惠活动。只看这个变化，能不能判断策略有效？还要一起核对哪些指标，才不至于把促销带来的订单误当成长期经营改善？
不能仅凭复购率上升就认定 CRM 有效。复购会同时受到折扣、商品供给、季节、渠道和客户结构影响；如果没有对照，指标变化只能说明结果发生了，不能单独证明变化由 CRM 触达造成。举个示例：把相近的新客随机分成两组，各 500 人，未触达组有 90 人复购，复购率为 18%；
触达组有 110 人复购，复购率为 22%，表面上高出 4 个百分点。但若触达组复购客户平均贡献毛利为 88 元，对照组为 120 元，那么触达组毛利约 9,680 元，对照组约 10,800 元。订单人数增加，并不代表扣除优惠成本后经营贡献也增加。
评估时至少并看复购客户数、复购订单毛利、优惠成本、退款和投诉；条件允许时设置随机对照组，并确保两组商品、时间和渠道尽量可比。若无法随机分组，应把结论写成“相关变化”而非“策略带来的提升”。
我不想只收到“检查数据、检查营销”这类大方向建议，而是希望知道实际排查从哪里开始。假设 CRM 报表的复购表现突然异常，我该怎样沿着数据链路逐步定位，而不是一上来就改触达策略？
建议按“数据，分群，触达，评估”的顺序排查，因为上游数据错了，后面的分群和效果分析都可能看起来合理、实际却失真。先检查客户身份是否重复、订单是否漏同步、退款状态是否更新，再核对分群规则和触达记录，最后才解释复购结果。
例如，某批客户复购率突然升高，先抽取一组客户 ID 和订单号，逐笔比对电商后台与 CRM：客户是否被重复建档、同一订单是否重复回传、退款订单是否仍被计为有效。确认这些问题后，再核对客户是否符合分群条件、触达是否成功送达，以及订单是否发生在设定的归因窗口内。
排查结果要能落到证据上：记录问题字段、受影响订单、问题负责人和复核方式。修复后用同一口径重算，并保留修复前后的差异。没有证据链的“系统正常”或“运营不精准”，都不足以作为风险排除结论。
我担心用一个固定复购率阈值判断风险，会忽略品类和购买周期差异。比如日用品和耐用品的复购节奏完全不同，我应该用什么参照发现异常，又如何区分真实波动和数据问题？
不要用一个行业通用阈值给所有品类判风险。更稳妥的参照是同一品类、相近客户来源、相同观察窗口的历史基线；再把整体结果拆成新老客、渠道、商品或会员层级，观察异常集中在哪一段。可以先做一张简单的复核表：记录客群与观察期、复购率、有效订单数、退款率、优惠成本、数据更新时间，并与可比周期对照。
若复购率突变，同时订单回传延迟、退款率异常或某渠道客户数骤增，先查数据链路；若数据核对一致，再分析活动、商品和触达策略。风险阈值应根据业务历史波动和实际影响设定，不宜凭空规定“超过多少就异常”。对小样本尤其要谨慎：少数订单变化就可能大幅拉动比例。
发现波动后先核实样本量和口径，再决定是否升级处理或调整策略。
读者评论
复购率的定义写清楚很重要，尤其是观察期未满的客户不能直接放进分母，否则不同月份的数据容易失真。
文中把退款、取消和客户去重都纳入核查，比较实用；这些问题确实可能让报表增长与真实经营表现不一致。
建议同时看毛利和优惠成本这一点值得关注，复购增加不代表利润同步增加，促销依赖也需要单独评估。
随机对照比单纯比较活动前后更能判断触达效果。不过实际执行时，也要记录分组规则和同期促销等干扰因素。
对标签保留来源、更新时间和排除条件，有助于其他同事复现分群；只看标签数量确实难以判断其准确性。