电商团队最容易出现的管理断层，不是“没有做实验”，而是实验一旦见效，就有人要求立刻写进 SOP；实验没见效，结果又散落在群聊、表格和个人记忆里。电商数据运营规划要解决的，正是从一次尝试到团队可复用能力之间的衔接：让实验流程有标准，让经营结论有边界，让 SOP 保持可更新，而不是把某一次的成功经验误当成永远适用的答案。
我做电商数据运营规划时，会先把标准化分成两类。第一类是管理标准：目标怎么定义、实验怎么登记、数据口径由谁确认、结果什么时候评审、结论如何归档。第二类是经营标准：什么人群适合什么页面、什么促销适合什么商品、什么素材能够带来更好的经营结果。
前一类通常适合统一，因为流程一致，团队才能比较不同实验；后一类不能轻易统一，因为经营结论受商品、渠道、人群、库存、价格和时段影响。把“实验申请表必须填完整”写进流程是管理标准；把“所有商品都使用同一种详情页结构”写进规则，则可能把局部经验放大成普遍要求。
核心原则是：标准化实验过程，不预先标准化实验结果。这样既能减少重复沟通，也能给运营留出探索空间。真正成熟的管理体系，不是让所有人按照固定答案做事，而是让团队能用相近的方法发现、核验和复用有效答案。
一次实验有正向结果，不代表可以立刻推广。它可能只在某个活动档期、某一类商品、一个特定流量入口或一组高意向人群中有效。把所有“看起来有提升”的结果都写进 SOP，短期内似乎动作更快，长期却会让标准越来越臃肿，甚至让运营团队不再相信标准。
我建议把实验结论分成四级：继续验证、形成有条件的建议、纳入稳定 SOP、停止或记录为负向经验。每一级都要写清楚证据、适用范围和下一步动作。实验的价值不只在于“涨了多少”，还在于团队能否判断这项结论可以走多远。
| 结论等级 | 常见情形 | 适合沉淀的内容 | 下一步动作 |
|---|---|---|---|
| 继续验证 | 数据量不足、执行有偏差，或测试期间发生重大经营变化 | 实验假设、偏差原因、需要补充的条件 | 修正设计后补测，不把方向性结果写成经营结论 |
| 有条件的建议 | 某一类商品、渠道或人群中出现可解释的正向结果 | 有效范围、风险点、暂不适用的场景 | 带着适用条件试用，并约定复核时间 |
| 稳定 SOP | 不同批次或相近场景中能够重复观察到效果，执行过程也能复现 | 操作步骤、责任人、检查项、失效条件 | 发布版本并定期检查是否仍然适用 |
| 停止或负向经验 | 结果不理想，或经营风险高于可接受范围 | 失败条件、风险表现、已排除的假设 | 记录后停止重复投入，必要时重新提出假设 |
数据报表可以告诉我们发生了什么，但运营规划还要回答三个问题：这次结果是否可信、它对哪些对象有用、团队下一步应该做什么。若一个看板只能展示指标，却没有对应的决策入口，团队可能每周重复看数，却没有减少任何重复争论。
因此我会把规划链条写成：经营目标、可观察指标、实验假设、执行记录、结果判断、沉淀等级、复核条件。每一环都要有负责人和交付物。数据不是规划的终点，而是做出下一步经营动作的依据。
日常运营里的增长想法经常来自具体观察：某款商品点击不少、加购不低，但最终成交偏弱；某个活动后订单增加，毛利却没有同步改善；同一套素材在一个渠道表现不错，换到另一个渠道就失去效果。这些观察都可能成为实验起点，但观察本身不是结论。
如果发起人只在群里说“我觉得换主图有机会”，执行人员未必知道要改变什么，分析人员也未必知道该看哪个口径。等活动结束后，团队可能只记得销售额涨了，却记不清商品价格是否变化、促销是否叠加、流量结构有没有不同。问题不一定是团队缺少数据，而是没有把业务观察翻译成可交接的实验语言。
增长可能指成交额增加，也可能指净利润、转化率、客单价、复购或库存周转改善。不同目标之间可能存在冲突。比如降低优惠门槛可能增加下单，却压缩毛利；扩大付费流量可能增加访客，却带来更高的获客成本；加大促销力度可能加速去库存，也可能改变消费者对日常价格的预期。
规划时要先说清楚业务目标，再决定指标。否则，团队很容易出现“销售额增长就是实验成功”的误判。对于经营决策，主指标负责衡量希望改变的结果，风险指标负责检查代价，两者必须一起看。
很多运营规范只写“上新后做什么”“活动期间怎么调整”，却没有说明适用的商品类型、流量环境、价格带、库存状态和观察窗口。动作一旦离开原来的条件，就可能从有效做法变成错误照搬。
我更倾向于把 SOP 写成“动作规则加边界条件”。例如，某项页面调整只适用于目标明确、主要卖点稳定的商品；如果商品处于新品冷启动、库存紧张或促销机制同时变化的阶段，就需要单独验证。标准不是取消判断，而是提醒团队在什么条件下不能机械套用。
“做好复盘”不是流程。流程至少需要明确：实验结束后由谁核对数据、由谁说明执行偏差、谁有权判断结论等级、结论保存在哪里、何时重新检查。没有责任人和时间点，复盘就很容易变成一场没有后续的讨论。
团队规模不大时，不必先搭建复杂审批体系。用一张共享实验台账，也能把关键交接记录下来。关键不是工具多，而是每次实验结束后，有人负责把“发现”变成团队能检索、能讨论、能复用的记录。
如果不同团队对“转化率”“退款率”“利润”采用不同口径，实验之间就无法比较。一个团队把支付订单当作转化，另一个团队用下单订单；一个把退款金额按申请日统计，另一个按完成日统计，表面上的差异可能只是口径不同。
指标字典至少需要记录指标名称、计算方式、统计周期、数据来源、排除范围和维护责任人。若业务口径发生变化，还要保留版本信息。口径统一不保证结论一定正确，但口径不统一会让结论很难复核。
实验台账也应固定必要字段，例如实验编号、目标、假设、商品范围、渠道、人群、执行时间、主指标、风险指标、结果限制和复核日期。字段太少，信息不够判断；字段太多，运营会把填表当成负担。初期可以先从最常出现的决策冲突里挑出必填项，再根据实际使用情况调整。
素材表达、页面卖点排序、促销组合、投放节奏和人群策略，通常都受到具体商品与竞争环境影响。若没有充分验证，就把这些内容规定成“一律如此”，团队可能获得形式上的一致，却失去发现新机会的能力。
这不意味着运营动作完全不需要规范。可以规范素材提交规格、上线检查项、版本命名和风险审批，但不要把某一种创意方案预先定义为所有场景的最佳答案。管理上可以要求实验可比较，经营上不应要求结果预设一致。
当不同团队对某项策略意见不同时，争论往往集中在“谁的经验更可靠”。更好的处理方式是把争论改写成一组可检验的问题：针对哪类商品、改变哪个因素、观察什么结果、承担哪些风险、什么条件下接受或否定假设。
流程固定后，团队不必每次重新讨论实验怎么立项、数据由谁核对。方案可变，则能保留运营对业务的判断。这样做不是把每个经营问题都变成复杂实验，而是让重要、可逆且有不确定性的决策，可以用更清晰的方式被检验。
下面的示意对比展示了规划关注点如何从“统一动作”转向“统一验证过程”。它不是行业调研数据，而是用于团队诊断的建议基准。
我会要求实验发起人先写清楚观察到的经营现象。比如“某商品访问量没有明显下降，但成交转化偏弱”，比“想换主图”更接近问题本身。换主图只是可能的干预动作，原因也可能是价格竞争力、库存、配送时效、商品评价或流量人群变化。
从现象开始，可以减少一种常见偏差：团队先喜欢上某个方案，再挑数据证明它可行。把问题写清楚后，运营可以提出多个可能原因，再选择当前最值得验证、成本可控的一个假设。
一个可讨论的实验假设，至少包括对象、干预动作、预期影响和适用条件。比如：对某一类主打功能型卖点的商品，在不改变价格和促销条件的前提下，将首屏文案改为突出核心使用场景，预期改善目标人群的加购表现；若流量来源或价格条件发生变化，则需要单独标记。
这个写法的价值不在于形式，而在于迫使发起人说明实验究竟改了什么。若同一时间更换主图、调整价格、上线优惠券并改变投放人群，结果即使变好，也很难知道是什么因素产生了影响。
主指标用于观察目标是否朝预期方向变化，风险指标用于检查增长是否以不可接受的代价换来。若主要目标是提升转化，风险指标可以包括毛利、退款、客诉或库存消耗；若目标是提升客单，也要观察订单转化是否下滑。
指标数量不宜无限增加。一般先选一个主指标，再选一至三个与经营目标直接相关的风险指标。指标太少容易漏掉副作用，指标太多则容易在结果出来后挑选最有利的一项来讲故事。
观察周期要与业务变化节奏匹配。活动强度高、库存变化快的商品，不能只用一个短时段结果判断长期效果；购买决策周期较长的商品，也不适合看到少量早期转化就下结论。团队应记录观察窗口的理由，而不是简单套用一个固定天数。
停止条件同样重要。例如库存不足、页面异常、促销机制临时变更或关键数据源中断时，应暂停或标记实验。若不记录这些情况，之后的结果可能会被误认为是策略本身的效果。
实验卡片不需要做成复杂的表单，但至少要让执行者和复盘者看懂：为什么做、改了什么、观察什么、在哪些条件下做、如何判断以及结论要去哪里。以下字段适合团队从轻量版本开始使用。
| 字段 | 填写要求 | 为什么重要 |
|---|---|---|
| 实验名称与编号 | 用短句描述被验证的问题，并生成唯一编号 | 方便后续检索，避免多个实验共用模糊名称 |
| 业务现象 | 说明发现了什么变化，注明统计范围和观察时间 | 把“感觉有问题”转成可以复核的起点 |
| 实验假设 | 写明对象、调整动作、预期影响和适用条件 | 防止实验结束后重新解释原本的目标 |
| 实验范围 | 记录商品、渠道、人群、地区或活动条件 | 限制结论外推范围，方便寻找相似场景 |
| 主指标与风险指标 | 注明口径、数据源、观察周期和责任人 | 减少只盯一个正向指标而忽略经营代价 |
| 执行偏差 | 记录断货、改价、素材异常、流量来源变化等情况 | 判断结果是否被实验以外的因素影响 |
| 结论等级 | 选择继续验证、有条件建议、纳入标准或停止 | 让数据结果连接到管理动作 |
| 复核日期 | 写明何时、由谁、按什么条件重新检查 | 避免历史规则失效后仍长期沿用 |
若团队使用九数云这类数据分析与可视化平台，可以把实验台账和经营指标看板作为相互补充的两层：看板呈现指标变化，台账保留实验假设、执行范围和偏差说明。平台页面或报表能否满足具体业务流程，应以团队试用、数据源适配和权限需求核验为准；不要因为工具能展示图表，就假设它自动替团队完成了实验判断。
复盘时，我不会先问“涨了多少”，而会先确认实验是否按设计执行。需要检查指标口径是否一致、数据是否完整、实验组与对照条件是否可比，以及执行期间是否出现改价、断货、活动叠加、流量入口变化等情况。
如果过程存在明显偏差，结论应当是“当前结果不足以归因”，而不是强行归功或归咎于某项策略。这个判断看起来保守，却能避免团队把无关因素沉淀进 SOP。
经营结果通常不是单指标问题。比如转化改善，但退款上升；销售额增加，但毛利下降；订单增加，但库存和履约压力明显扩大。管理者需要判断这些变化是否符合当初设定的目标和风险容忍范围，而不是只挑最醒目的正向数字。
如果主指标改善、风险指标稳定，实验可以进入下一步复核；如果主指标改善但代价偏高，就应讨论是否调整动作、缩小范围或改变目标；如果不同指标方向相反，则要回到业务目标做取舍，不能把“数据变好”当成完整结论。
一项结果可能对某个商品有效，但对同类商品无效；可能适用于特定渠道，却不适用于自然流量；可能在促销期间成立，日常经营中却不成立。复盘要明确写下已验证范围和未验证范围。
我会将结论写成有边界的业务句子，而不是“新方案有效”这样没有适用信息的结论。例如：“在本次测试覆盖的商品与活动条件下，首屏卖点调整值得继续验证；目前不能据此推断其他价格带商品也会产生相同表现。”这种表达不够简短，却更能帮助下一个决策者。
实验复盘不应只留下“成功”和“失败”两个按钮。至少要区分继续测试、条件性采用、正式标准化、暂停观察和停止投入。这样可以把“不确定”作为明确状态，而不是逼着团队在证据不充分时给出确定答案。
下面的数值为情景模拟，用于说明评审顺序，不是行业基准，也不能作为各类电商业务的统一阈值。实际决策应根据商品毛利、转化周期、流量规模和风险承受能力调整。
实验记录、运营建议和 SOP 不是同一种东西。实验记录保存发生过什么；运营建议告诉同事在某些条件下可以尝试什么；SOP 则要求团队按相对稳定的步骤执行。把三者混在一起，容易让未充分验证的建议披上正式标准的外衣。
建议团队建立分层资产，而不是只有一个“经验库”。每层都写清楚证据强度、适用范围和责任人。这样，后来者既能参考历史结论，也能知道哪些内容只是待验证假设。
| 沉淀层级 | 记录重点 | 可采取的管理动作 | 常见风险 |
|---|---|---|---|
| 实验档案 | 假设、范围、数据口径、执行过程、偏差和结果 | 供后续查询、比较和再次验证 | 只保存结论，不保留过程，导致无法复盘 |
| 条件性建议 | 有效场景、暂不适用条件、风险和复核时间 | 在相似业务中有限试用 | 被转述时丢掉适用条件，演变成一刀切规则 |
| 标准操作规范 | 执行步骤、责任人、检查点、异常处理和版本 | 在明确范围内作为常规流程执行 | 发布后无人维护，业务条件变化时仍照旧执行 |
| 负向经验 | 失败条件、可确认的风险、停止原因和证据限制 | 帮助团队避免重复投入，必要时重新设计 | 被误写成“任何情况下都不应该尝试” |
第一，写清适用对象：哪些商品、渠道或流程可用，哪些情况不适用。第二，写清触发条件：什么时候执行，什么时候不执行。第三，写清异常处理：库存不足、数据中断或促销变化时由谁暂停或调整。第四，写清复核机制：何时检查标准是否需要更新。
如果一份 SOP 只有动作步骤，没有适用对象和异常规则，它可能是一张操作说明，却未必是一项可靠标准。边界写得越清晰，团队越不需要依赖少数熟悉背景的人来解释。
电商经营环境会变，平台规则、商品结构、消费者偏好、成本和供应链条件都可能变化。标准发布后，应保留版本号、发布日期、维护责任人和上次复核时间。若业务条件发生明显变化，允许标准进入“待复核”状态，而不是继续默认有效。
失效条件不一定要写成复杂的规则引擎。它可以是明确的人工触发项，例如核心价格带变化、主要流量来源改变、商品策略调整、风险指标连续偏离预期等。关键是让团队知道什么时候要停下来重新检查。
有些 SOP 会因为团队不断补充例外条款，最后变成谁都看不懂的长文；有些则几年没有更新，早已不适合当前业务。标准复盘要检查它是否仍然有效、是否容易执行、是否产生了新的副作用，以及是否可以删除重复或过时内容。
标准维护的目标不是让文档越写越多，而是让团队能更快做出一致且可解释的判断。被长期沿用的规则，尤其需要定期确认它仍然有用，而不是只因为“以前一直这么做”。
下面是一个假设性案例，用来说明方法，不代表九数云客户结果，也不是任何店铺的真实业绩。某类商品的访问和加购情况值得进一步检查，运营人员怀疑用户在首屏没有快速理解商品的核心价值，于是提出调整首屏卖点表达。
这个假设不应直接写成“换主图就能提升成交”。更严谨的表述是：对目标明确、核心卖点较稳定的商品，在价格、优惠和主要流量条件尽量保持可比的情况下，调整首屏表达方式，观察用户行为和经营风险是否出现符合预期的变化。
团队可以先选一组相近商品作为测试范围，并明确本次只调整首屏表达，不同时改变价格、优惠和其他关键页面模块。测试前应确认商品库存足以支撑观察期，主要数据口径经过检查，素材上线和回滚责任人也已经明确。
主指标应围绕实验目标选择，例如与商品页面行为或成交结果直接相关的指标。风险指标则要结合商品情况选择，包括毛利、退款、咨询反馈或库存消耗。具体指标应采用团队已有且定义清晰的口径，不要为了实验临时换一套算法。
假设观察结果显示部分目标商品出现积极信号，团队仍要确认期间是否有促销变化、流量结构变化、断货或其他会影响判断的事件。如果测试样本有限，或执行中存在无法排除的差异，结论应保留为“值得补测”，不能直接推广到全部商品。
若结果在相近条件下多次复现，且毛利、退款和库存风险都可接受，可以先形成带适用条件的运营建议。经过更多符合业务可比性的验证后，再考虑将相对稳定的执行检查项纳入 SOP。正式标准中仍应保留不适用条件和复核时间。
如果团队通过数据分析平台集中查看商品、渠道和时间维度的经营变化，复盘时可以更快发现需要核验的异常。但图表只展示关联变化，不会自动说明原因。最终判断仍要结合实验设计、执行记录和业务背景，避免把“测试期间发生”误写成“由测试导致”。
因此，这类案例的成功标准不是“报表显示了一个上升箭头”，而是团队能否回答：哪些商品出现了什么变化、测试期间还有哪些因素发生变化、结论适用于哪些范围、是否需要继续验证、什么条件下可以进入标准流程。
复盘记录可以用一段固定格式描述：“本次测试覆盖的对象与条件是……；观察到的主要变化是……；执行或数据限制是……；当前结论等级是……；暂不适用的范围是……；下一步由谁在什么时间复核……”这种表达比“测试成功，建议推广”更长，但能显著降低后续交接中的信息损失。
如果团队使用九数云或其他数据分析工具展示实验前后指标，建议同时保留指标定义、筛选条件和实验编号，让后来者能追溯图表对应的业务范围。工具承担数据组织和可视化工作，实验档案承担过程记录，业务负责人承担结论判断，三者不能相互替代。
如果运营团队人数少、实验数量有限，我不建议先花大量时间设计复杂审批体系。先做四件事：选一个需要解决的经营问题，建立一张实验台账，统一最常使用的核心指标口径，每次复盘都给出下一步动作。
小团队最容易忽略的是记录执行条件。因为发起人和执行人往往是同一个人，大家以为背景都清楚；过几周换一个同事，结论却变得无法解释。即使只记录商品范围、时间、价格条件、流量变化和结果限制，也比只留一句经验可靠。
如果商品、投放、内容、数据和供应链团队共同参与经营决策，重点应放在指标字典、实验编号、数据核验责任和变更记录。复杂协作中的失败，不一定是大家不会分析，而可能是各团队对同一指标、同一测试范围和同一结论等级理解不同。
建议明确谁提出实验、谁确认指标、谁执行、谁核验数据、谁批准进入标准、谁负责后续维护。并不是每项测试都需要多层审批，但需要有人承担最终的判断和记录责任。
新品阶段的信息通常不完整，市场反馈、流量结构和供应情况都可能快速变化。此时可以增加探索实验的灵活度，但要降低对单次结果的结论强度。早期观察适合产生假设、识别用户疑问，不适合轻易形成长期 SOP。
在这一阶段，记录负向反馈、用户问题、商品卖点理解和执行障碍，可能比急着判断某个创意“成功”更有价值。等商品和经营条件相对稳定后，再针对可重复的问题设计更有边界的验证。
大促期间，流量、价格、优惠、库存和履约往往同时变化。若在这种环境下进行实验，归因会更困难。除非测试目标清楚、执行有保护措施，否则不适合把多个重大变量叠加改变。
如果实验可能影响较大规模的交易或库存，应优先明确暂停条件、回滚方案、值守责任和风险指标。此时管理重点不是尽可能多做实验，而是控制试验可能造成的经营损失。
当数据采集不完整、指标口径频繁变化或不同系统的商品编码难以对应时，复杂分析不会自动解决问题。更合适的顺序是先确认数据源、时间范围、商品映射、退款与订单口径，再逐步增加实验设计的复杂度。
若目前只能获得方向性观察，就应如实把结论标为方向性。不要用精细的小数点掩盖数据条件不足。团队愿意明确“不知道”，通常比用不稳定口径给出确定答案更有利于后续规划。
不是所有经营动作都值得等待完整验证。对成本低、可回滚、影响范围小的调整，可以更快试用；对高成本、难回滚、可能影响大量交易或长期价格预期的调整，则应提高核验要求。
一种实用判断方法是同时看影响范围、损失上限和可逆程度。影响越广、损失越大、回滚越困难，越需要事前确认风险与数据条件。反过来，如果决策可快速撤回且成本有限，团队可以接受较轻量的验证方式。
商品种类少、渠道稳定、动作重复度高的业务，更适合沉淀较明确的标准步骤。品类差异大、生命周期短、渠道环境变化快的业务，则需要把标准重点放在记录、检查和评审，具体策略保留更大的调整空间。
判断标准是否过度僵化，可以看一线人员是否频繁绕过流程、例外申请是否不断增加，以及规则是否需要依赖少数资深员工口头解释。若例外多到成为常态，可能不是执行不认真，而是标准的适用边界没有设计好。
更细的分群、更复杂的指标体系和更多字段，可能提高分析颗粒度，也可能增加团队填报成本、延长决策周期。只有当更细的数据能够改变实际决策时，才值得增加采集和维护成本。
可以用一个简单问题检查字段是否必要：如果删掉这个字段，复盘者会不会因此无法判断实验结论或风险？若答案是否定的，可以先不设为必填项。台账设计应跟着真实决策问题迭代，而不是一开始就追求面面俱到。
自动化报表适合稳定、重复、口径明确的监控工作。需要解释异常原因、评估策略适用范围或判断风险接受度时，仍需要业务人员结合现场条件复核。自动化可以减少取数和汇总时间，但不应被包装成自动生成可靠因果结论。
团队可以先自动化重复的数据整理，再把节省出来的时间用于确认口径、检查执行偏差和讨论经营动作。若为了自动化而把尚未统一的规则固化到报表中，错误只会更快地扩散。
下面的情景模拟用于帮助团队根据决策风险选择验证强度，不代表所有业务的统一审批标准。
单次正向结果可能是有效信号，但不自动等于可推广结论。至少要说明测试对象、执行条件、主要限制和是否需要复核。证据越有限，规则越应该附带边界，而不是写得越像铁律。
失败结果可以帮助团队减少重复投入，也能指出假设不成立的条件；不确定结果则告诉团队需要补什么证据。如果只保留成功案例，经验库会逐渐变成宣传材料，而不是决策资料。
时间上同时发生，不代表一定存在因果关系。实验期间的价格、促销、库存、流量和页面状态都可能影响结果。没有清楚的实验边界时，应使用“观察到变化”“值得进一步验证”等表述，而不是直接说某个动作“导致”指标变化。
额外审批如果没有降低风险、提高可解释性或改善协作，就只是增加等待。流程设计应对应具体风险：低成本、可回滚的尝试可以简化；高影响、难回滚的调整才增加审核和保护措施。
模板的作用是减少漏项，不是替代对商品和经营环境的理解。相同字段可以记录不同实验，但每个实验仍需根据业务目标选择指标、观察窗口和风险条件。模板填满，不代表实验设计已经合理。
选出近期最常发生争议的一项经营决策，先把争议写成一个具体问题。
确认这项决策对应的主指标、风险指标及其口径，避免复盘时临时改算法。
建立轻量实验台账，至少记录假设、对象、执行条件、偏差、结论等级和复核日期。
将已有经验分成实验档案、条件性建议、正式 SOP 和负向经验，不要把它们混成一份规则文档。
为现有 SOP 增加责任人、适用边界、异常处理和复核时间，先清理最常被误用的几条规则。
电商数据运营规划的关键，不是用数据消灭判断，而是让判断有来处、能复核、可修正。增长实验负责发现可能有效的动作，标准化管理负责减少重复沟通和重复试错，证据分级则负责阻止局部经验被过早推广。
下一步可以从一个真实经营问题开始，不必先建一套庞大的制度：写清现象和假设，统一最关键的指标口径，记录执行条件，复盘时判断结论属于哪一级，再约定谁在何时复核。让流程保持稳定，让结论接受检验，让标准保留更新的出口，实验才会从个人经验逐步变成团队能力。
读者评论
把实验流程标准化、而不是提前统一经营答案，这个区分很实用，能避免局部有效的做法被直接推广到所有商品。
将结论分为继续验证、有条件建议、稳定 SOP 和停止记录，比只看实验是否“成功”更利于控制结论外推。
文章强调主指标之外还要看毛利、退款等风险指标，这一点重要，否则销售增长可能掩盖经营代价。
实验卡片里的执行偏差、适用范围和复核日期值得保留；缺少这些信息，后来很难判断结果是否还能复用。
团队规模较小时，从共享台账和少量必填字段开始，比一上来搭复杂审批流程更容易落地。