2024年第二季度，我帮一个做家居收纳的跨境团队看复盘。运营负责人在周报上写着：本周 GMV 环比下滑 11.4%，结论是「平台流量下滑，建议加大广告投入」。我只问了三个问题：这 11.4% 里，有多少来自曝光下降、多少来自点击率、多少来自转化率？同店去年同期的口径是多少？这个下滑从第几周开始连续同向？他答不上来。三个月后这个链接的类目排名掉出了前 50。这件事让我确信一件事：跨境电商的数据复盘，绝大多数不是死在数据不够，而是死在把「报表复述」当成了「趋势观察」。
报表复述回答的是「发生了什么」，趋势观察回答的是「它会不会继续、我该在第几周动手」。两者之间隔着的，是一套可复用的判断结构和一条能把结论钉到具体动作上的归因链。这篇文章不讲工具怎么点，讲的是我自己在几十个跨境团队里跑过、踩过、改过的那套方法。
先把结论摆在最前面，后面所有内容都是围绕这三条展开的。
跨境卖家最容易犯的错，是把「今天比昨天差」当成趋势。单点波动在跨境场景里的噪声极大：平台流量分配是按小时抖动的，广告竞价一天能变三轮，一个站外红人视频能带来三天的异常峰值。没有基线的单点对比，本质上是在读噪声。
我的判断标准是：一个变化要被称为趋势，至少需要连续三期同向、且幅度超过历史波动带。三期是方向确认，波动带是幅度确认，两个条件缺一个，我都只当成「待观察的异常点」，不会因此调整预算结构。
「平台流量下滑」这句话在复盘会上出现的频率，高得离谱。它不是结论，它是把一个不可控的外部变量当成了挡箭牌。真正有效的复盘，必须把结果拆解到运营可以动手的变量上，主图、价格、广告结构、库存深度、评论数、配送时效。
我自己用的拆法是乘法模型：GMV = 曝光 × 点击率 × 转化率 × 客单价 × (1 − 退款率)。这个模型的唯一价值，是让每个环节的变化都能被单独归因，而不是笼统地说「大盘不好」。
GMV、利润、ROAS 都是滞后指标。等你看到它们恶化，库存已经压在海外仓、广告已经烧了四周、Listing 权重已经掉了一档。真正值得每周盯的是先行指标：Listing 点击率、加购率、广告曝光份额、核心关键词自然排名、库龄结构、退货原因分布。
我见过做得最扎实的一个团队，周会只看六个先行指标，GMV 只作为校验项出现在最后一页。他们的库存滞销率常年控制在 4% 以内，而同类目平均水平在 12% 上下。
国内电商的复盘难做，主要难在竞争；跨境的复盘难做，主要难在「口径」和「延迟」。这两点决定了你不能照搬国内的复盘模板。
我做过一次实测：同一批订单，在平台业务报告里显示销售额 100，在广告后台的广告销售额里是 100 中的一部分，在独立站 Analytics 里又因为归因窗口不同变成另一个数。而广告后台的归因窗口，不同平台默认值不一样，有 1 天、7 天、14 天三档。
（1）时间口径：下单时间、付款时间、发货时间、签收时间，四个时间点对应四套报表。
（2）金额口径：含税与不含税、含运费与不含运费、含退款与不含退款。
（3）归因口径：末次点击、首次点击、数据驱动归因，同一笔成交归属完全不同。
这三层口径不统一，你的复盘结论就是建立在一堆不可比的数字上的。我见过最离谱的一次，某团队用广告后台的销售额除以业务报告的总销售额算「广告贡献占比」，得出 138%，然后花了两个小时争论这个数字为什么超过 100%。
国内电商改个主图，当天就能看到点击率变化。跨境不是。海运周期通常在 30 到 45 天，遇到绕行航线还要再加 10 到 14 天；平台侧的 Listing 权重更新也有滞后；海外仓的库存数据同步还有时差。
这意味着你在第 1 周做的调整，可能要等到第 4 到第 6 周才能在结果指标上看到。如果复盘节奏还是按周做「动作-结果」的线性归因，你会把 A 周的动作误判成 B 周结果的功劳，或者反过来错杀掉真正有效的调整。
我统计过自己和团队过去两年的周度时间分配。真正花在「分析」上的时间，往往不到全部数据工作的四分之一，其余都消耗在跨平台导表、口径核对、公式纠错上。这不是能力问题，是流程问题。
下面这六种情况，几乎每一个跨境团队都至少中过三条。我把它们按危害程度排序，越靠前的越致命。
最常见的一种。周一看到 CTR 从 0.42% 掉到 0.38%，周五回到 0.41%，就下结论说「主图需要优化」。实际上 0.38% 到 0.42% 完全落在这个 SKU 的历史波动带内，什么都不用做。
我的经验是：跨境场景下，单个 Listing 的日度 CTR 自然波动幅度通常在均值的 ±12% 到 ±20% 之间，具体取决于流量规模和广告占比。低于这个幅度的变化，默认当成噪声处理。
很多团队的复盘结构是：GMV、订单量、ACOS、利润率，四项一列。这四个全是滞后指标。等它们出问题，你已经没有低成本纠错的机会了。
我认为一个健康的复盘看板，先行指标与滞后指标的比例应该在 2:1 到 3:1 之间。先行指标用于发现问题，滞后指标用于验证判断，角色不能混。
「广告渠道贡献了 60% 的销售」，这句话没有任何行动价值。真正有用的是：广告渠道里，哪几个关键词在贡献曝光、哪几个在贡献转化、哪几个在吃预算不出单。渠道级归因只能告诉你「该不该投」，结构级归因才能告诉你「该怎么投」。
一个账户整体 ACOS 从 22% 降到 19%，看起来变好了。但如果拆开看，是三个高转化计划的 ACOS 从 15% 涨到 24%，而一批低效计划被关掉了，那么真实情况是核心流量在变贵。总量指标会掩盖结构恶化。
我的做法是：任何总量指标的改善，都必须拆到 TOP 20% 贡献单元上再看一遍。如果头部单元在恶化，总量改善就是暂时的。
这个听起来像管理问题，其实是数据问题。当复盘材料只有结果数字、没有归因结构时，会议就必然变成对人的评价。反之，如果每个数字后面都跟着「可能的原因」和「验证方式」，讨论自然回到业务上。
我见过一个团队，在两年里先后五次讨论「旺季前要不要提前备货」，每次结论都不一样，因为没人记得上一次的论据和假设。复盘的价值一半在当次决策，另一半在沉淀成可复用的判断规则。没有沉淀，你只是在重复交学费。
这一节是全文的核心方法。我把它拆成三层坐标系、一套异常判定规则、一条归因链。
这是最容易被忽视、也最容易建立的一层。做法很简单：为每个核心指标固定一个「同店同期」基线。所谓同店同期，指的是同一个 Listing、同一个站点、同一个星期序号，取过去 8 到 12 周的分布。
注意不是取平均值，而是取移动中位数 + 波动带。中位数比平均值抗异常值，波动带用 MAD（中位数绝对偏差）计算。这两个统计量对跨境场景特别友好，因为促销峰值、红人爆量这类极端值不会污染基线。
# 用移动中位数 + MAD 做周度 CTR 异常判定（示意代码）
import numpy as np
import pandas as pd
def build_baseline(series, window=8, k=3.0):
"""
series: 按周排序的 CTR 序列（小数形式，如 0.0042）
window: 基线窗口，跨境场景建议 8-12 周
k: 阈值倍数，k=3 对应约 99% 的置信水平
"""
med = series.rolling(window, min_periods=4).median()
mad = (series - med).abs().rolling(window, min_periods=4).median()
scale = 1.4826 * mad # 换算为标准差的无偏估计
return pd.DataFrame({
"实际值": series,
"基线中位数": med,
"上阈值": med + k * scale,
"下阈值": med - k * scale,
})
def is_sustained_anomaly(flags, periods=3):
"""连续 periods 期同向越界，才判定为趋势级异常"""
return flags.rolling(periods).sum().abs() >= periods这段代码我在三个团队里都用过，替换掉原来的「环比 ±5% 报警」之后，误报率下降非常明显，运营不再被无意义的告警牵着走。
自有基线只能告诉你「和自己比变好还是变差」，不能告诉你「是不是整个类目都在变差」。所以第二层要建立相对位置：你的核心关键词自然排名、类目 BSR 区间、同价格带竞品的评论增速。
我的判断规则是：如果自有指标下滑、但相对位置稳定，问题大概率在外部；如果自有指标稳定、但相对位置下滑，问题一定在内部。这一条帮我省掉了很多次无效的外部归因争论。
第三层是一些你无法控制但必须记录的变量：平台流量大盘、类目平均转化率、汇率、头程运价、平台政策变动。它们的价值不在于解释，而在于在归因时排除掉它们。
举个具体例子：某平台在 2024 年推行了入库配置费和低库存水平费，这两项直接改变了「库存深度」这个变量的成本结构。如果你的复盘模型里没有这个约束，你会得出「多备货更划算」的结论，而实际上备货成本已经变了。
把三层坐标系合起来，我用的异常判定规则是三条同时满足：
三条都满足，才升级为「趋势级异常」，进入归因流程。只满足一两条的，进「观察池」，每周看一眼，不动预算。
判定为趋势级异常后，进入归因。我用的是乘法分解 + 优先级排查：先算各因子对总变化的贡献度，再从贡献度最大的因子往下拆。
以 GMV 环比下降为例，我会依次算：曝光变化贡献了多少、CTR 变化贡献了多少、CVR 变化贡献了多少、客单价和退款率各贡献多少。贡献最大的那一个，就是主因，其余是次因。只处理主因，次因记录下来观察，同时处理多个变量，你永远不知道是哪个起了作用。
继续往下拆：如果是 CTR 主导，就拆主图、标题、价格标签、评分、配送时效标签；如果是 CVR 主导，就拆评论质量、Q&A、详情页、竞品价格、库存可售状态；如果是曝光主导，就拆自然排名、广告曝光份额、类目流量大盘。
方法论讲完，讲落地。我去年在一个多平台运营团队里做过一次完整的流程改造，过程中试过纯手工、通用 BI 和垂直工具三条路，最后稳定在「数跨境」这个跨境电商数据分析平台上。下面把真实过程和数据写出来。
参考链接：数跨境官网。
这个团队同时运营亚马逊、独立站和一个新兴平台，SKU 数量在 300 左右。改造前他们的周报流程是这样的：
问题不在勤奋，在结构。五份表的 SKU 编码规则不一致，退款在不同平台的记账时间不一致，广告归因窗口没对齐。结果是每个季度都会出现「同一个 SKU 在周报里有两个利润率」的情况。
我做的第一件事不是买工具，是画了一张口径对照表。三个平台的 GMV 分别是什么口径、退款怎么扣、广告归因窗口各是多少、汇率按哪一天算，全部写死在一个文档里。这张表后来成了团队最重要的资产之一。
第二件事才是接工具。选「数跨境」的原因有三个，都是我在实际使用中验证过的：
（1）多平台多店铺的数据能拉到同一个口径下。它的定位就是跨境电商多平台数据整合，亚马逊、独立站等平台的数据汇总后，SKU 维度可以直接对齐，不需要我再手工 VLOOKUP。这一点省掉的不是时间，是口径漂移带来的错误。
（2）支持按周、按月、按自定义周期做对比。我的复盘节奏是「周看异常、月看趋势、季看结构」，所以对比周期必须灵活。它的时间维度切换能直接支撑这套节奏，不用每次重新导表。
（3）能按 SKU、按站点、按渠道下钻。这是归因链能不能跑通的关键。总量指标谁都能看，能不能一键下钻到具体 SKU 的具体指标，决定了复盘会上是在讨论业务还是在讨论数据来源。
改造前后各跟踪了 8 周。下面这些数字是我从团队周报和工时记录里整理出来的，属于内部运营记录，不是平台官方统计。
| 观测项 | 改造前（8 周均值） | 改造后（8 周均值） | 变化 |
|---|---|---|---|
| 跨平台数据汇总耗时 | 11.5 小时/周 | 2.2 小时/周 | -80.9% |
| 口径核对与返工耗时 | 6.0 小时/周 | 1.1 小时/周 | -81.7% |
| 异常定位平均耗时 | 4.5 小时/次 | 1.3 小时/次 | -71.1% |
| 周复盘会时长 | 120 分钟 | 65 分钟 | -45.8% |
| 复盘结论落地为动作的比例 | 34% | 71% | +37 个百分点 |
| 滞销库存金额占比 | 11.8% | 5.3% | -6.5 个百分点 |
最让我意外的是最后一项。滞销库存的改善，不是因为工具直接给了什么建议，而是因为异常被提前发现了三周左右。三周时间在跨境场景里足够做一次清货促销或者调整下一批备货量，这是真金白银的差别。
改造后第 5 周，系统里一个主力 SKU 的 CVR 从 12.4% 掉到 9.1%，连续三周越界。按老流程，这个结论大概会是「详情页需要优化」。我们用归因链往下拆：
（1）第一步排除外部：类目平均 CVR 同期只降了 0.6 个百分点，平台大盘正常，竞品价格没变。排除外部。
（2）第二步拆转化路径：加购率维持在 18% 左右没变，但「加购到下单」的转化率从 68% 掉到 51%。问题不在详情页，在结算环节。
（3）第三步查结算相关变量：库存可售状态正常，价格没变，最后定位到配送时效标签从「3-5 天送达」变成了「7-10 天送达」。原因是海外仓的一批货调拨，导致该 SKU 从本地仓发货切成了跨仓发货。
整个定位过程用了 40 分钟。如果按老流程，这个结论大概要在第三周才能拼出来，而那时货已经调完、促销已经做过一轮了。
这个案例说明一件事：转化率是个结果指标，它需要一个更细的中间指标才能归因。加购率、加购到下单转化率、结算放弃率，这三个中间指标的复盘价值，远高于一个笼统的 CVR。
跑了几个月之后，我在这套数据上做了一次额外的分析：把每个 SKU 的 30 天趋势斜率（上升还是下降）和波动率（稳定还是剧烈）画成散点，气泡大小代表库存占用金额。结果自然分成四类，处理策略完全不同。
这里最关键的一条判断是：高波动下降型是跨境运营里最容易被漏掉的一类。因为它的均值看起来还行，单周数据有涨有跌，人工看表很难发现。但只要把它单独拎出来算趋势斜率，问题就暴露了。
方法论是通用的，动作必须分场景。下面按三个维度给出我的建议：团队阶段、平台结构、数据成熟度。
（1）冷启动期（SKU < 50，月 GMV < 10 万美元）：不要建复杂看板。这个阶段只有一个目标，找到能跑通的单品。复盘只需要看三个先行指标：Listing 点击率、加购率、广告曝光份额。周期用「两周」而不是「一周」，因为样本量太小，周度数据全是噪声。工具用小团队能负担的轻量方案就够了。
（2）增长期（SKU 50-300，月 GMV 10-100 万美元）：这个阶段最容易出现「数据黑洞」。SKU 一多，人工拼表就会崩，口径不一致造成的误判开始产生实际损失。这时候必须上一个能打通多平台、支持 SKU 维度下钻的数据分析平台，把口径统一和中台下钻这两件事一并解决。我上一节讲的案例就在这个阶段。
（3）规模化期（SKU > 300 或多站点并行）：重点从「看数据」转向「定规则」。这时候要建立异常判定的自动化规则（比如前面那段 MAD 代码），让系统自动筛出趋势级异常，人只处理被筛出来的那一小部分。同时开始做季度级的结构复盘，看品类结构、站点结构、利润结构的迁移。
单平台时，最大风险是「把平台大盘波动当成自己的问题」。建议固定每周记录一次类目大盘数据，作为外部参照层，成本很低。
双平台时，最大风险是「用同一套 KPI 衡量两个平台」。不同平台的流量逻辑差异很大，同一个转化率在 A 平台可能是优秀，在 B 平台是灾难。建议为每个平台单独建立基线，不要合并计算。
多平台并行时，最大风险是「口径彻底失控」。这时候跨平台数据整合不是可选项而是必需项。我的判断标准是：当你的 SKU 同时存在于 3 个以上平台，且每周数据整理耗时超过 6 小时，就该上统一数据层了。再往后拖，错误率上升带来的损失会远超工具成本。
方法讲完之后，最难的部分其实是取舍。资源永远是有限的，下面四组取舍是我实际做过选择的，把当时的判断依据写出来供参考。
跨境数据天然存在误差：汇率换算、时区差异、退款延迟入账、平台回款周期。追求绝对精确是资源浪费。
我的取舍原则是：用于发现趋势的场景，容忍 3%-5% 的误差；用于核算利润和结算的场景，必须精确到分。也就是说，周度复盘看板可以粗一点，月度利润表必须细。不要把两套需求塞进一个看板，那会导致看板又慢又重。
很多团队一上来就想全自动。我的建议是：数据搬运必须自动化，归因判断必须保留人工。
原因很现实：搬运是确定性的，机器比人快且不犯错；归因是需要业务上下文和经验的，机器现在（在跨境这种多因素、小样本、强外部的场景里）给不出可靠结论。我见过强行上「智能归因」的团队，最后运营还是要全部手工复核一遍，等于做了两遍活。
我看过最夸张的一个复盘看板，一屏塞了 47 个指标。结果是没有人看。因为人的注意力有限，超过 10 个指标就会开始「扫描」而不是「阅读」。
我的做法是：第一屏不超过 8 个指标，且先行指标占一半以上。其余指标放到下钻页，需要的时候再点进去。这不是信息隐藏，是注意力分配。
这个问题没有标准答案，但有几条判断线可以参考。
| 情境 | 建议方案 | 判断依据 |
|---|---|---|
| 单一平台，SKU < 100 | 平台后台 + 表格 | 数据量小，垂直工具的成本摊不薄，平台原生报表够用 |
| 多平台，SKU 100-500 | 垂直跨境数据分析平台 | 跨平台口径统一是核心痛点，自建成本高且难以持续维护 |
| 多平台 + 自有 ERP 深度定制 | 垂直平台 + 自建数据层 | 垂直工具解决通用归因，自建层处理企业内部专属指标 |
| 有专职数据团队（3 人以上） | 自建 BI 为主 | 人力成本已沉没，自建的灵活度优势开始显现 |
| 季节性波动极大的品类 | 垂直平台 + 强化外部基线 | 外部基线的采集和维护成本高，垂直工具通常已有部分沉淀 |
我个人的倾向是：除非有专职数据团队，否则不要自建完整 BI。跨境的数据源（平台 API、广告 API、ERP、海外仓）变化频繁，自建方案的维护成本会被长期低估。用垂直工具解决 80% 的通用需求，把 20% 的专属需求用轻量脚本补上，是性价比最高的组合。
写到这里，方法、案例、取舍都讲完了。最后我把这件事压缩成一份可以下周就动手的清单。
把「本周 GMV 涨跌多少」从会议第一页挪走，换成「本周有几个指标连续三期越界」。会议的前 30 分钟只讨论越界项，讨论结构固定为三句话：这个异常的主因是什么、我打算动哪个变量、多久后回来验证。
判断一个复盘体系是否真的成立，标准很简单：有没有沉淀出可复用的判断规则。如果每次复盘结论都是「下周再看看」，那说明你的体系还在报表阶段，没到趋势阶段。
（1）异常发现的提前期从原来的 2-4 天拉长到 2-3 周；
（2）跨平台数据整理时间压到每周 3 小时以内；
（3）复盘会时长缩短三分之一，但结论落地率提升到 60% 以上；
（4）形成一份属于自己团队的「异常判断手册」，里面记着哪些信号意味着什么、历史上验证过几次。
最后说一句我自己的判断：跨境运营的竞争，长期看不是选品能力的竞争，也不是投放技巧的竞争，而是「从数据到动作」这条链路的摩擦系数竞争。选品可以被抄，投放技巧会被平台规则抹平，但一条低摩擦的复盘链路，是长在团队里的能力，抄不走。而这条链路的起点，就是不再把报表复述当成趋势观察。
我自己做跨境店铺运营，每天一边盯广告一边盯库存，晚上还要回消息，感觉忙得要死但又说不上抓到了什么重点。也试过做周报，可写完就躺在表格里没人看。所以特别想知道，日复盘、周复盘、月复盘到底该怎么分工，才不至于白忙？
建议分三层节奏，各管一件事。日复盘只看异常信号，不看结论：订单量、广告花费与曝光点击、断货或超卖预警、新增差评，判断标准是是否越出正常区间，比如某SKU日订单偏离近14天均值超过30%就记一笔，整个过程控制在15分钟内，只写一行备注。
周复盘看结构变化：按站点、品类、SKU、流量渠道看占比迁移，同时看转化率、客单价、ACOS、退货率的周环比，产出不超过3条待办。
月复盘看趋势与结论：拉30天和90天滚动曲线，做同站点同品类横向对比，判断各SKU处在导入、放量还是衰退阶段，产出1到2个策略级决策，比如砍掉某条产品线或调整某站点的投放结构。关键原则是日复盘不做判断只做记录，判断留给周和月，否则你会在噪音里反复推翻自己。
我自己的做法是一张主表，行是SKU乘站点，列是本周、上周、近4周均值、近12周均值和环比，所有三层复盘都从这张表出，避免每次重新拉数。
后台报表几十个字段，每个看起来都有用，我一开始恨不得全放进看板，结果每天看一遍却做不出任何决定。更头疼的是，运营说转化率是3%，财务算出来是2.6%，开会先吵口径。想请教一下，指标到底该收敛到什么程度，口径又该怎么钉死？
用北极星加三组驱动指标来收敛。北极星我建议直接选贡献毛利，等于GMV减去货品成本、头程与尾程物流、平台佣金、广告花费、退货损失和支付通道费，原因是跨境里GMV漂亮但被履约和退货吃掉利润的案例太常见，只盯GMV会系统性误判。三组驱动分别是：流量组看曝光、点击率、CPC；
转化组看转化率、加购率、详情页停留；履约与留存组看客单价、退货率、复购率、库存周转天数、签收时效。看板只留8到12个指标，其余全部下钻到二级页面。口径必须逐条写死并写进文档：统计按自然日还是结算日、金额含税还是不含税、退货按发起时间还是完成时间、广告费按花费日还是归因日、跨时区站点以哪个时区切天。
口径不统一的话，趋势曲线就是假的，你会在错误的方向上优化一个月。经验上，一旦看板指标超过15个，团队就会进入看报表但不做判断的状态，这是很典型的信号。
上个月我负责的站点订单涨了40%，我当场加预算、加备货，结果这周直接掉回原点，货压在仓里。后来同事说那只是平台活动带的一波流量。我现在特别怕被单周数据骗，想知道有没有可操作的判断方法，而不是靠感觉。
用三个动作过滤。第一，用滚动窗口替代单点：看7日滚动均值和28日滚动均值，不要看单日或单周数字，并且要求连续3个周期同向变化才升级为趋势候选，单周异动只进观察清单不触发动作。
第二，同时看同比和环比：跨境季节性极强，黑五网一、斋月、返校季、春节前后工厂停工都会造成规律性起伏，如果同比基本没动只有环比在动，优先怀疑季节性或平台活动，而不是需求增长。
第三，做归因拆解：把总量变化拆成流量乘以转化乘以客单价三个因子，再按SKU、站点、渠道拆开，单点爆发通常来自某条内容或某次投放，面状抬升才更可能是需求或竞争力变化，这两者的应对方式完全不同，前者加预算没用，后者才值得加。数据量方面，我一般要求至少8到12个数据点，周维度大概2到3个月，才谈趋势；
样本太小时比例类指标比如转化率和退货率本身波动就很大，不足以下结论。最后给自己设一条阈值线：日波动在正负30%以内、周波动在正负15%以内的一律视为噪音，不写进结论也不触发动作。
我们每周都开复盘会，Excel也做得挺完整，但结论永远停在继续观察一下，下周再看看。跨了好几个店铺和站点，大家各自为战，会上说的事过两天就散了，也没人回头验证当时的判断对不对。想知道有没有办法把复盘真正变成动作。
核心是把每条结论强制写成动作卡，句式固定为：因为某指标在某个窗口变化了多少，判断为某个原因，决定做某个动作，由谁负责，什么日期前看哪个指标是否达到什么阈值。
举个真实场景的例子，因为德国站转化率从3.1%掉到2.4%且退货率同步升到9%，判断为尺码描述与实物不符，决定重写Top5 SKU的尺码表并补实拍对比图，由运营A负责，两周后看这5个SKU的转化率是否回到2.8%以上。
第二件事是建立待验证清单，把每次的判断和预测连同日期一起记下来，包括后来证明判断错了的，下次复盘第一件事就是回看这张清单，团队的判断力才会累积，否则每周都从零开始。
第三，多站点多店铺用统一模板加一页纸看板，涉及研发排期或工具改造时，把动作卡放进某项目管理工具里按任务跟踪、按验证日期设里程碑，避免动作散落在聊天记录和群公告里。第四，给动作排优先级，只做能影响贡献毛利前三大的动作，其余全部进待办池并写明触发条件。
判断标准很简单：如果一次复盘会后没有产生任何带主责人和截止日的动作，那这次复盘的价值基本等于零。
读者评论
我们团队也卡在口径这一层。广告后台按7天归因算出来的销售额，跟业务报告差了将近三成，每周例会上光对齐这两个数就要花掉半小时。文章说的漏斗第二层流失四成，我觉得还保守了。 想问一下，你们最后是把所有报表统一到哪个口径上？还是干脆分开看、不做合并？
用中位数加MAD做波动带这个方法我试过，对单量分散的小站点挺合适。但流量规模大的主力链接，日度CTR波动明显收窄，±12%到±20%这个区间就偏宽了，容易把真异常也过滤掉。 我后来是按流量分档设不同的k值，小流量放松、大流量收紧。不知道文中那套参数在不同类目上是不是也要重新标定。
先行指标和滞后指标2:1到3:1这个比例，方向我认同，但落地时有个麻烦：先行指标变好之后，滞后指标要等四到六周才验证，中间这段时间团队很难判断是动作起效了还是市场自己回暖了。 尤其是海运周期叠加权重更新滞后，归因窗口太长。这块文章说得很清楚，实操上还是难。你们有没有用分批小流量试投来缩短验证周期的做法？