旺季前最危险的看板，不是没有数据，而是销售额每天都在更新，团队却没人能回答：如果某个重点商品明天断货，谁会先发现、根据什么判断、接下来要做什么？我做旺季数据准备时，通常先检查这条链路，再讨论报表样式。因为销售、流量、库存和履约数据只有连到预警、责任人与动作，才算真正进入运营；否则，数字再完整，也只是把问题展示得更整齐。
我判断一套旺季数据体系是否可用，不先问它有多少张表，而是问一个具体问题：从发现经营变化到完成处理，需要经过几步？一条可执行的数据链至少包含目标、指标、预警、动作、责任人和复核结果。
例如，重点 SKU 的可售库存天数低于补货周期，并不只是看板上的红色数字。团队还要知道补货量是否已确认、在途库存何时入仓、活动是否需要限量，以及由谁在什么时间前作出判断。没有这些信息，预警只会增加焦虑，不会降低缺货风险。
我的核心判断是：旺季准备的最小单位不是指标，而是一个完整的“指标，判断，动作”闭环。销售额、转化率、库存天数等指标各有用途，但必须对应实际决策，不能因为常见就全部塞进看板。
我建议旺季核心看板首页优先呈现三类内容：当前经营状态、需要处理的风险、正在执行的动作。团队看到首页后，应能快速判断今天要不要调整备货、投放、商品页面、客服排班或履约资源。
首页不必显示所有指标。店铺负责人需要看目标完成度、毛利和重点风险；商品运营需要看 SKU 销量、可售库存与转化；供应链需要看库存位置、在途状态与预计入仓；投放人员需要看花费、流量质量与转化结果。看板不是一张人人都看同一组数字的屏幕，而是围绕同一经营目标提供不同岗位所需的判断依据。
这四层如果缺一层，旺季期间就容易出现断点：目标明确但没有过程指标，团队只能事后解释；指标齐全但没有预警，异常发现太晚；预警很多却无责任人，大家相互等待；动作做了却不复核，无法判断调整是否有效。
旺季准备中，我经常把“销售额对不上”当作需要优先排查的信号，但不一定意味着某个人算错了。不同系统可能分别使用下单时间、支付时间、发货时间或退款完成时间；有的报表含取消订单，有的按净支付金额统计；有的以北京时间切日，有的沿用平台时区。
如果团队把这些数字直接放在同一张周报里，讨论很容易偏离经营问题。运营说活动销售增长，财务说净收入没有同步增长，供应链按订单件数备货，商品负责人却按支付件数判断热度。每个岗位可能都拿着“正确”的数据，但因为对象与时间口径不同，结论无法直接比较。
因此，统一口径不是文档上的行政步骤，而是决定跨部门动作是否一致的业务基础。至少需要写清楚指标定义、计算公式、数据来源、更新时间、时间范围、是否含退款取消，以及由谁负责解释异常。
旺季并不是一个单独的销售高峰。促销计划、广告投放、商品页面、库存调拨、仓库处理、物流运输、客服响应都可能发生变化，而且这些变化的更新时间并不一致。平台订单可能较快更新，仓库库存可能按批次同步，物流状态也可能存在回传延迟。
这会带来一个常被忽视的风险：看板显示的不是“现在”，而是不同系统各自最后一次成功更新后的拼接结果。如果没有显示数据更新时间，团队可能把旧库存当作当前可售库存，把未确认的在途量当作确定供给，进而做出错误承诺。
我会要求看板标注数据刷新时间和延迟状态。对决策影响较大的数据，还要明确“最后更新时间超过多久就不能直接用于决策”。这个时限应按系统能力、业务波动和岗位响应要求设定，而不是照抄统一数值。
例如，点击量上升不一定代表商品经营变好。如果点击增加、转化下降、退货原因集中在尺寸或质量，同时库存周转变快，团队需要判断这是流量扩张带来的正常波动，还是页面承诺与实际商品不匹配。若只看点击，可能继续增加投放；若同时看转化、退款和毛利，结论可能完全不同。
同样，库存天数降低也不必然是坏消息。如果活动需求超出预期、补货周期短且供应已确认，库存下降可能是计划中的销售过程；如果在途不确定、补货周期长，库存天数下降就可能是缺货预警。指标的意义来自业务条件，脱离条件谈阈值，往往会制造误报。
销售额是结果指标，不是完整的经营解释。旺季期间，销售额上涨可能来自折扣加深、投放增加、商品结构变化或需求自然增长。如果毛利下降、退款增加、售后成本上升，销售额增长未必转化为更好的经营结果。
我通常会把销售额与毛利、订单结构、退款取消、库存消耗一起看。对重点商品，还会比较活动前后的价格、流量来源和转化变化。这样做不是为了把看板堆复杂，而是避免团队把“卖得更多”直接等同于“经营质量更好”。
历史销量是输入，不是答案。去年同一周的销量可能受到不同促销力度、价格、商品组合、流量资源、库存可得性或外部事件影响。若上一年活动期间多次断货，历史销量甚至低估了真实需求；如果当时大幅降价，销量也可能高估本次常规价格下的需求。
我会要求预测表把“历史事实”和“本次假设”分开。历史事实包括可比周期销量、可售天数、缺货时间和活动条件；本次假设则包括计划价格、营销资源、供给限制和预计流量。只有把假设显式写出来，团队才能在条件变化时及时修正预测，而不是争论一个看似精确的单一数字。
“库存低于十五天就预警”听起来简单，但对补货周期五天和补货周期四十天的商品，意义完全不同。类似地，转化率下降几个百分点是否异常，要看样本量、流量结构、活动阶段和商品历史波动。
阈值应来自本企业的决策约束：需要多长时间处理异常、供应补充需要多久、可承受的缺货成本是多少、指标通常波动到什么程度。没有这些条件，固定阈值只是格式整齐的猜测。初次搭建时可以设“观察线”和“行动线”，再通过复盘逐步调整。
一个页面承载所有岗位、所有商品、所有渠道和全部经营指标，通常会造成信息拥堵。用户要么看不出重点，要么习惯忽略红色预警。信息越多并不必然越透明，关键在于是否能从当前页面直接找到自己需要做的判断。
我更倾向于先做一张管理总览，再按角色拆分工作视图。总览回答整体目标、重大风险和待决策事项；运营视图回答商品与活动表现；供应链视图回答供给和入仓；投放视图回答花费与流量质量。各视图使用同一套关键口径，但不必展示同一套指标。
如果所有异常都用同一种红色标记，团队很快会出现“预警疲劳”。活动开始前两周的轻微波动，和活动当天的库存中断风险，不应拥有相同的处理优先级。
我会把预警至少分为提示、关注和行动三类。提示用于记录偏离，不要求立即调整；关注要求责任人核实原因并给出判断；行动意味着需要在规定时限内决策，必要时升级到负责人。分级的目的不是给风险贴标签，而是让团队把有限注意力放在最可能造成经营损失的事项上。
旺季目标往往不止一个。销售增长、毛利保护、重点商品曝光、库存健康和履约体验可能同时被提出，但资源有限时它们会发生冲突。比如，继续加大促销可能推动销量，却压缩毛利；扩大投放可能带来访问，却增加库存消耗和客服压力。
我建议把目标分成主目标、约束条件和观察项。主目标用于判断经营优先级；约束条件用于避免为了达成主目标而突破底线；观察项用于辅助解释结果。例如，主目标可以是重点商品的贡献毛利，约束条件可以是库存风险与履约承载能力，观察项可以是流量和转化变化。具体选择要由业务负责人结合经营模式决定。
指标字典不必一开始就做成大型数据治理项目，但至少要让团队能在同一页面查到定义。我的最低字段通常包括：指标名称、计算逻辑、统计对象、时间口径、过滤条件、数据源、更新时间、责任人、适用决策和已知限制。
| 指标 | 建议口径说明 | 主要回答的问题 | 常见限制 |
|---|---|---|---|
| 净支付销售额 | 明确按支付时间统计，并说明退款、取消与税费处理方式 | 实际成交结果是否达到计划 | 退款发生时间可能晚于支付时间 |
| 支付转化率 | 明确分子是支付订单还是支付件数，分母是访问、会话或点击 | 流量进入后是否形成成交 | 不同流量来源、设备和活动阶段不可直接混比 |
| 可售库存 | 区分可售、锁定、残次、调拨中和在途库存 | 当前还能承接多少订单 | 系统同步延迟可能造成虚高或重复计入 |
| 库存覆盖天数 | 可售库存除以预计日均需求，并注明需求预测周期 | 库存可支撑多长时间 | 预测值波动会直接改变天数结果 |
| 履约及时率 | 明确订单范围、发货截止时间和剔除规则 | 仓库与物流是否能承接当前订单 | 不同承运方式与商品类型应分组观察 |
如果使用九数云等数据分析工具汇集多来源数据，我会先验证数据字段映射、刷新频率和计算口径，再设计图表。工具可以帮助减少手工拼表和重复核对，但不会自动替团队决定“净销售额”是否扣除退款，也不会替业务定义什么库存状态可以承诺给消费者。
每个核心指标都应能追溯到来源系统。销售数据来自哪个平台或订单系统，库存数据来自仓库还是库存管理系统，广告花费取自哪个账户，客服数据是咨询量还是有效工单，都应有清楚说明。
我也会为关键数据加质量状态：正常、延迟、缺失、口径待确认或异常波动。数据质量状态不能只藏在技术日志里。若库存数据延迟，运营在采取限量或追加投放前应知道当前数值不适合直接决策。
对一线团队来说，最有用的不是抽象的数据质量评分，而是明确回答：这个数字能不能用于当前决策？如果不能，应该去哪里核实？在核实完成前，是否需要采取保守动作？
我设预警条件时，会先问：异常出现后，团队需要多久才能采取动作？如果从发现问题到补货需要三周，就不能等库存只剩三天时才报警。相反，如果某项指标可以在当天调整，过早发出强预警可能只会增加噪声。
可以先用“观察线，行动线，升级线”做初始设计。观察线提示偏离趋势；行动线要求责任人给出处理方案；升级线表示可能影响主目标或超过团队权限，需要负责人决策。阈值应结合历史波动和业务流程校准，不应把示例数值复制成全行业规则。
例如，对库存风险可以同时看覆盖天数、补货周期、在途确认状态和活动需求预测。单看库存天数容易误报；把供给确定性纳入判断，预警才更接近真实风险。
每条行动级预警建议关联一张简短动作卡，至少包括问题描述、证据链接、影响范围、责任人、截止时间、计划动作和复核指标。动作卡可以是任务系统中的记录，也可以是运营工作表中的一行，关键是有唯一的跟踪位置。
预警结束不能只改成“已处理”。团队需要记下处理结果，例如调整了预算、切换了商品、确认了补货、修复了页面，随后观察预期指标是否变化。如果结果没有变化，也要保留这一信息，它可能说明原判断不成立，或动作没有真正执行到位。
准备早期先明确本次旺季的活动范围、重点店铺、核心商品、经营目标和主要约束。此时不需要追求复杂预测，优先确保团队知道要管理什么、由谁负责、哪些数据会影响决策。
这一阶段最值得优先解决的，往往不是图表，而是商品编码和活动标识不统一。若不同系统里的同一商品无法稳定对应，后续销售、广告和库存就很难准确关联。先修复关键主数据，通常比先搭更多页面更有价值。
基线的作用是解释“什么算正常”，不是给未来销量提供一个看似精确的答案。选择历史周期时，我会先确认该周期的价格、活动力度、供给状态、流量来源和商品结构是否可比，再决定是否纳入参考。
预测表可以分成三列：历史观察值、当前假设值、计划预测值。对重点 SKU，还应保留预测版本和更新时间。比如活动资源改变、价格变化或补货延迟时，团队应能看到预测为何修订，而不是只留下最新数字。
库存判断也要使用库存位置，而不只是仓库现货。可用的简化思路是：库存位置＝当前可售库存＋已确认在途库存－已分配或锁定库存。未确认的采购、没有明确入仓时间的货物，不宜按确定供给处理。需求预测与库存位置要放在同一张分析视图里，才能识别供需缺口。
活动上线检查不能只核对页面和价格。商品可售状态、活动库存、价格规则、优惠叠加、广告计划、预算边界、仓库处理能力和客服话术都可能影响最终表现。
如果是跨境业务，还要把站点、当地销售节奏、运输周期与平台规则作为单独校验项。不同站点的旺季并不完全相同，广告预算和商品准备也不能默认使用一套时间表。具体站点规则及促销安排应以平台最新信息和实际运营计划为准。
旺季中不必所有指标都按同一频率查看。订单、广告花费、可售库存和履约异常通常更接近当日动作；毛利、退款原因、商品结构和预测偏差则可能适合按固定时段复核。刷新频率要与数据可用性和岗位响应能力匹配。
我会把监控节奏写入团队约定：哪个岗位在什么时间检查什么数据，出现哪类风险要通知谁。尤其要说明数据延迟时的替代核验渠道，避免团队看到旧数据后继续执行原计划。
| 管理对象 | 建议观察内容 | 异常时的第一步 | 需要升级的情况 |
|---|---|---|---|
| 销售与转化 | 订单、净支付销售额、流量来源、转化变化 | 核对时间口径、流量结构、价格与页面变化 | 主目标偏离且原因无法由一线岗位处理 |
| 库存与供给 | 可售库存、库存位置、在途确认、覆盖天数 | 核对库存同步、锁定量和入仓时间 | 预计供给无法满足活动承诺或补货窗口 |
| 投放与费用 | 花费、访问、转化、贡献毛利或约定目标 | 检查预算消耗速度、目标商品和流量质量 | 费用接近边界但转化或利润表现不足 |
| 履约与服务 | 待处理订单、发货时效、取消、客服积压 | 确认问题集中在哪个环节并分配资源 | 异常可能影响平台要求、消费者承诺或大范围订单 |
复盘不能只比较目标与实际，再给出“流量不足”或“备货不准”的结论。我会把差异拆成几类：预测假设错误、数据口径或采集问题、计划动作未执行、执行动作无效、供应或履约限制，以及无法控制的外部变化。
例如，销售低于预测可能是流量不足，也可能是库存提前售罄；如果只看总销售额，团队容易把供给约束误判为需求不足。反过来，销售超出预测也不一定意味着预测方法成功，可能只是某个渠道临时放量，不能直接外推到下一轮。
复盘的目标不是证明谁对谁错，而是更新基线、修订假设、改善数据链路，并确定下次旺季前需要提前完成的工作。对未能执行的动作，要区分是责任不清、权限不足、数据延迟，还是资源没有预留。
下面用一个家居类重点 SKU 做流程演示。所有数值均为情景模拟，不是九数云客户案例、平台行业均值或任何真实店铺的经营结果。设置这个案例的目的，是展示销售预测、库存和投放数据如何共同参与判断，而不是提供可直接套用的备货参数。
假设活动前，团队计划该商品日均销售 80 件，活动期预计日均 110 件；当前可售库存 1,500 件，已确认在途 700 件，预计 10 天后入仓；已分配给其他渠道的库存为 100 件。供应补充周期暂按 20 天模拟，活动正式开始还有 18 天。
首先计算库存位置：1,500＋700－100＝2,100 件。若按活动期日均需求 110 件估算，库存位置约可覆盖 19.1 天。这个结果已经接近模拟的补货周期，但在途库存要到 10 天后才入仓，因此不能把 2,100 件全部当作当前可售库存。
这个案例至少要回答三个问题：现有可售库存能否撑到在途货物入仓？在途货物是否已经确认并有可信的预计到仓时间？如果需求高于预测，团队是否有备用供给或可调整的活动节奏？只看库存位置总量，会掩盖货物抵达前的时间缺口。
若前 10 天仍按 110 件日均消耗，可售库存将明显下降。团队因此应把入仓时间、每日订单和库存同步状态纳入活动期监控，必要时提前确认调拨、调整商品曝光或限制特定促销，而不是等到系统显示库存接近零才处理。
这里不是建议所有企业在库存覆盖天数低于某个固定值时立刻限量，而是展示判断顺序：先算库存位置，再确认各部分供给的确定性与到达时间，最后评估需求变化和替代方案。库存数字相同，供给时点不同，决策可能完全不同。
假设活动期间广告访问增加，但支付转化从历史基线 4.0% 降至 3.2%。团队不应仅根据点击成本变低就继续扩量，而要检查新增流量来自哪里、商品价格是否变化、页面是否承接活动承诺、库存状态是否影响购买，以及不同渠道的退款或取消表现。
如果流量增长与库存覆盖变短同时发生，投放负责人和供应链负责人需要共同判断：是继续扩大需求，还是把预算集中到供给更稳定的商品；是调整预算节奏，还是优先确保高毛利订单。答案取决于主目标和约束条件，不能只由单个广告指标决定。
在这个模拟流程中，可以用九数云等数据分析工具整合订单、商品、广告和库存数据，形成按店铺、渠道、SKU 和日期筛选的经营视图。实际配置前，应确认各数据源的字段映射、更新延迟、重复记录处理和指标计算方式，并用抽样订单与库存记录做对账。
一个可执行的视图可以包括商品日销量、支付转化、净销售额、可售库存、确认在途、预计入仓时间、覆盖天数和广告花费。重点不是一口气接入所有数据，而是先确保核心指标可追溯、刷新状态可见，并能从异常记录定位到原始来源。
工具能帮助团队减少重复导表、手工合并和版本不一致，也有利于把同一口径提供给不同岗位。但预测假设、补货规则、促销取舍和风险承受能力仍属于业务判断。数据工具负责让证据更容易被看见，团队负责决定证据意味着什么。
如果当前主要依靠平台后台和表格，不需要先建设复杂数据平台。先选择少量高风险或高贡献商品，统一 SKU、日期和订单口径，建立一张日常跟踪表，再明确谁更新、谁复核、什么情况需要行动。
轻量版本可以只保留销量、净支付金额、可售库存、确认在途、预计日需求、覆盖天数、活动状态和责任人。不要为了看起来全面，加入团队无法稳定维护的字段。等流程跑通后，再增加投放、退款、履约和毛利信息。
如果手工表格经常出现多个版本、重复粘贴或更新不及时，再评估是否需要自动化数据汇总。判断重点不是工具是否“功能多”，而是它能否解决当前最贵的重复劳动、数据延迟或口径分歧。
多平台团队首先要解决“同一个业务对象是否能被正确识别”。平台商品编码、内部 SKU、仓库编码、广告商品标识之间如果映射不稳定，跨平台汇总会出现重复、漏算或库存对错商品。
此时应先建立主数据映射表和异常核对流程，再考虑做统一经营总览。对时区不同、活动周期不同、货币不同的业务，必须明确时间换算、币种处理和站点口径。不能把来自不同站点的销售额直接相加后，就用总数替代本地经营判断。
跨境团队还要将运输周期、清关或入仓不确定性、站点规则和当地销售节奏纳入风险视图。可用历史数据估计范围，但具体政策和旺季安排需要核对当前平台及业务实际情况，不能从某一站点的经验推演到所有市场。
如果已有较稳定的订单、库存、投放和履约数据，可以进一步做情景分析：需求低于预期、符合计划、明显高于预期时，库存能支撑多久、毛利会如何变化、履约是否会超负荷、需要在哪个时间点调整预算或商品分配。
情景推演不等于追求更复杂的预测模型。团队可以先用简单假设检查决策边界，明确哪些输入变化会让结论翻转。比如，若活动流量提高而补货时间延迟，是否需要切换主推商品；若毛利低于约定底线，是否继续追求销售额目标。
模型结果必须标注假设与不确定性。尤其要避免把“模型输出到个位数”误解成预测准确到个位数。旺季期间，输入条件变化很快，预测更有价值的地方常常是帮助团队识别风险范围，而不是给出一个看似精准的数字。
如果关键数据常延迟、重复或缺失，先不要用自动预警触发不可逆的动作。可以先把预警设计成“待核实”，增加人工抽查和替代数据源，并明确延迟超过约定时限后的处理规则。
库存数据不可靠时，促销承诺和投放扩量应更谨慎；广告数据延迟时，不要仅凭短时花费变化暂停计划；退款数据尚未成熟时，不要用早期退款率作最终商品质量结论。不同数据的成熟速度不同，团队需要根据数据特性决定观察窗口。
数据不确定时，专业做法不是假装它准确，而是让不确定性进入决策。把“当前数值”“可信程度”“需要核实的事项”放在一起，往往比只展示一个漂亮结果更有用。
如果多个岗位对销售额、订单数或库存状态的定义不同，应先统一口径，再做跨部门总览。否则可视化会让不同定义同时变得醒目，却不会让它们自动一致。
如果口径基本一致，只是数据分散、人工汇总耗时高，可以先做一个范围有限的可视化版本，选重点商品和核心经营问题试跑。每次新增图表前都问：这张图对应什么决策？如果答案只是“方便看”，优先级通常不高。
数据量大、系统多并不代表必须一次性全部接入。若活动时间有限、关键商品清晰，先跑通重点商品的销售、库存和活动数据，通常更容易发现字段映射和刷新问题。
当团队需要跨渠道分配库存、统一查看预算或追踪履约风险时，再逐步扩展接入范围。扩展前应确认新增数据会带来新的决策价值，而非只是让看板更大。对低频使用、暂时不影响旺季决策的数据，可以先留在原系统查询。
实时性只有在团队能够根据实时信息采取动作时才有价值。若系统每分钟刷新，但库存状态仍会延迟、数据重复尚未处理，过度追求高频更新反而可能放大噪声。
我会按决策速度设置刷新需求：需要快速处理的订单、预算或缺货风险，优先确保更新及时且状态透明；适合日复盘的毛利、退款和商品结构，则更重视计算稳定和口径可追溯。不能为了“实时”牺牲数据可靠性，也不能让关键风险因为刷新周期过长而被掩盖。
这个问题没有通用答案，取决于企业的经营阶段、商品策略和库存状况。但团队必须在活动前明确取舍规则，避免活动进行中临时用不同目标评价同一个动作。
如果主目标是清理季节性库存，可以接受一定的毛利让步，但要设定可承受边界；如果库存紧张且补货困难，优先保障贡献更高或战略优先级更高的商品可能更合理；如果现金流是主要约束，就要评估促销、投放与回款周期的组合影响。重要的是把取舍条件写入计划，并留有负责人批准的记录。
是否采购工具，不应从功能清单开始，而应从当前损失开始。先估算团队每周用于导表、清洗、核对和重复报数的时间，再识别因为数据滞后或口径不一致造成的经营风险。接着验证工具能否接入所需数据、维护关键映射、支持权限管理和追溯计算。
如果数据源稳定、业务简单、手工维护成本可控，表格可能已经足够；如果多个系统需要长期汇总、报表反复返工、版本冲突频繁，自动化分析工具可能值得评估。试用时应拿真实业务流程做验证，而不是只看演示页面：从原始数据到最终指标，能否对账？字段变化后谁维护？异常出现后能否定位来源？
采用九数云或其他分析工具时，我会建议从一个明确场景开始试点，例如重点 SKU 的库存与销售联动，先约定验收标准：数据准确性如何抽查、更新频率是否满足业务、手工工时是否减少、异常是否更容易追踪。没有这些验收条件，工具上线很容易变成“多了一个入口”，而不是改善决策。
自查时不要只打勾。对每一项标记“已完成、部分完成、未完成”，再写下对旺季决策的影响。如果某个缺口会直接影响库存承诺或费用控制，应优先处理；如果只是报表体验不够美观，可以排在后面。
我建议团队下一步先做三件事。第一，确定重点商品和核心经营目标；第二，统一销售、库存和活动口径，并标注数据来源与更新时间；第三，为最重要的风险写出负责人、动作和复核方式。完成这三步后，再评估是否需要增加指标、自动化流程或数据工具。
旺季临近时，最忌讳为了追求“完整体系”而同时启动大量改造。数据项目应以经营风险和决策价值排序，先解决可能让团队错判的口径问题、供给盲区和执行断点，再优化次要报表。
旺季数据运营不是把销售、广告、库存和履约指标放进同一个页面，而是让这些信息在正确的时间到达正确的人，并支撑明确的取舍。流量增长要不要继续、库存是否够用、毛利能否承受、履约是否会超载，都需要结合目标和业务约束判断。
一套真正有用的数据体系，不是让团队看见更多数字，而是让团队更早发现偏差、更快找到原因、更稳妥地采取动作，并在活动结束后知道哪些判断值得保留、哪些假设需要修正。从一张重点商品清单和一条预警闭环开始，通常比先追求一套庞大的指标库更能帮助团队做好旺季准备。
读者评论
把预警和责任人、处理时限、复核结果连起来，比单纯增加看板指标更能解决旺季响应慢的问题。
文中强调销售额口径统一很实用，下单、支付和扣除退款后的数字不能直接混用，否则容易把统计差异当成业绩变化。
库存预警结合补货周期判断，比套用固定天数更合理；在途库存和数据更新时间也应纳入判断。
按岗位拆分看板的思路值得参考，管理者、商品运营和供应链关注点不同，但关键指标定义应保持一致。
情景模拟数据明确标注为示意值是必要的，避免读者误把流程比例或示例指标当成行业基准。