去年双十一结束后第二周，我帮一个做家居收纳的电商团队复盘。他们的运营负责人打开后台，销量总数环比涨了18%，看上去一切正常。但我让他把数据按品类拆开之后，问题立刻暴露：收纳箱这个核心品类实际跌了12%，整体销量的上涨完全靠一个临时的爆款单品撑起来的。更麻烦的是，那个爆款单品在活动结束后三天就断货了，而收纳箱的库存周转天数已经从45天涨到了78天。他盯着那个总数看了两周，没有发现任何一个真正需要解决的问题。
这件事让我意识到一个很普遍的现象：大部分做商品分析的人，手里有数据，但没有指标体系。他们看的是"一个数"，而不是"一组能互相解释的数"。这篇文章想解决的，就是如何围绕销量趋势，搭建一套真正能用来做判断的指标体系，并且把它落到一个可复用的管理模板里。
核心结论：指标体系的价值不在于"看"，而在于"拆"和"归因"
先把结论放在前面，后面再展开讲为什么。
围绕销量趋势搭建指标体系，核心目标只有三个：可拆解、可归因、可预警。
可拆解，是指一个销量总数必须能在三个维度内被拆开，时间、品类/商品、渠道。拆不开的总数，等于没有信息量。
可归因，是指当销量发生涨跌时，你能通过指标之间的交叉验证，定位到是哪个因子在起作用：是流量变了、转化变了、价格变了，还是供给端出了问题。
可预警，是指你不只是在事后解释销量为什么变了，而是在销量还没变之前，就能从库存周转、售罄率、加购转化这些前置指标里看到信号。
大部分所谓的"商品分析模板"，问题出在它们只是在罗列指标，而不是在建立指标之间的关系。一个指标如果没有和其他指标形成因果链或对比关系，它就只是一个孤立的数字，不具备分析价值。
真实场景：销量趋势分析中最常见的四个困境
只看总数，看不到结构
这是最基础也最普遍的问题。后台首页给的就是一个销量总数和一条趋势线，很多人就只看这个。但销量总数是一个"结果指标"，它本身不携带任何解释力。
我见过一个做食品的团队，连续三个月销量总数都在涨，团队一直觉得很健康。直到季度盘点才发现，销量涨是因为他们把原来29.9元的组合装拆成了19.9元的单品，客单价掉了33%，毛利额实际上是负增长。如果他们当时有客单价和毛利额的分层指标，这个问题在第一个月就能被发现。
指标太多，不知道看哪个
另一个极端是指标过载。我见过一个运营主管自己拉了一张Excel，上面有40多个字段，从UV到加购率到退款率到DSR评分全都有。他每天的日常是在群里发一张巨大的表格截图，但没有人真的会去看完。
指标过载和指标缺失一样有害。因为当所有指标都被平等呈现时，等于没有重点。人的注意力有限，一张表上超过7个指标，决策效率就会急剧下降。
有数据但没有判断逻辑
这一层比前两个更深。有些团队已经把数据拆得很细了，品类、渠道、时间维度都有，但拆完之后不知道该怎么下结论。
比如，他们发现某周销量环比跌了15%，然后呢？是继续拆品类看是哪个品类跌的？还是去看是不是上周有促销导致基数高？还是去检查库存？如果没有一套预定义的归因路径，拆解就变成了漫无目的的翻数据。
趋势波动和业务动作之间的链路断裂
最典型的场景是：运营做了一场促销，销量涨了，大家都觉得促销有效。但没有人去验证，这次销量上涨里有多少是真正的增量需求，有多少只是把未来两周的自然销量提前透支了。
这个判断需要把促销期销量、促销后两周的销量、以及同比自然销量放在一起看。只看促销期间的曲线，几乎一定会高估促销效果。
常见误区：为什么大部分商品分析模板用不起来
模板只有字段，没有计算逻辑
很多人在网上找到的商品分析模板，打开一看就是一张空表，列了"商品ID、品类、销量、销额"，然后就没了。这种模板没有用，因为它没有告诉你这些字段之间怎么联动，也没有告诉你哪些是原始字段、哪些是计算字段。
一个能用的模板，必须同时包含三层信息：原始字段（从系统直接导出的）、计算字段（需要公式生成的）、以及维度字段（用于分组和筛选的）。缺少任何一层，模板都只是一个空壳。
同比环比滥用，基数陷阱
同比和环比是最常用的两个指标，也是最容易被误用的两个。
环比的问题在于季节性。如果一个品类有明显的季节性，用环比来判断趋势基本没有意义。比如取暖器在10月的环比一定是暴涨的，这不代表你的运营做得好。
同比的问题在于基数。如果去年同期有一个大促活动，今年的同比数据就会被严重扭曲。做同比分析时，必须先确认去年同期有没有异常事件，否则同比数据不能直接用。
把"销量"当成一个统一定义的指标
不同平台对"销量"的定义可能不同。有的平台按支付订单数算，有的按发货订单数算，有的在退款后会扣减销量，有的不会。如果跨平台做汇总分析，不做口径对齐，数据会直接失真。
我建议在使用任何平台的销量数据之前，先去确认三件事：销量是按什么事件计算的、退款是否扣减、是否有去重逻辑。这三点确认清楚了，再做跨平台对比。
忽视促销期数据的不可比性
促销期的销量数据和平销期的销量数据，本质上不是同一种数据。促销期的销量包含了大量价格敏感型用户和被活动机制吸引的冲动型用户，这部分需求在平销期是不存在的。
如果直接把促销期的销量和平时做对比，得出的结论一定是促销"非常有效"。但真正需要看的是：促销期结束后的回落幅度有多大、回落到什么水平、以及促销期间获取的新客在后续30天内的复购率是多少。
专业判断逻辑：指标体系的三层结构
核心层：3-5个必看指标，解决"发生了什么"
核心层的指标不需要多，但必须是每天都看的。我建议核心层只放以下四类：
销量与销额：最基础的规模指标，用来判断整体盘子的大小变化。
同比与环比：用来判断变化的速度和方向。注意前面提到的基数陷阱和季节性问题。
动销率：有销量的SKU数除以总SKU数。这个指标反映的是商品结构的健康度。动销率持续下降，说明滞销品在积累。
客单价：销额除以订单数。客单价的变化往往能揭示一些销量总数掩盖不了的问题，比如前面提到的拆装降价。
这四个指标的组合已经能覆盖大部分日常判断需求。核心层的原则是：如果一天只能看四个数，这四个数应该足以让你判断今天需不需要进一步深挖。
归因层：定位涨跌来源，解决"为什么发生"
当核心层出现异常波动时，归因层就是你的排查路径。归因层的维度选择取决于你的业务结构，但通常包括以下几个：
品类/商品维度：把销量按品类拆开，看是普跌还是某个品类拖累。如果是普跌，问题可能在流量端；如果是单品类下跌，问题更可能在商品端或竞争端。
渠道维度：按渠道拆解，看是某个渠道的问题还是全渠道的问题。渠道之间的表现差异往往能帮你快速定位外部因素（比如某个平台流量政策调整）。
价格带维度：按价格带拆解，看是哪个价格区间的商品在变化。价格带的变化往往和促销活动、竞品定价策略相关。
地区维度：如果业务覆盖多地区，地区维度的拆解能帮你发现区域性因素（比如物流中断、区域竞品活动）。
归因层的指标不需要每天看，但在核心层出现异常时必须能立刻调出来。归因层的价值在于缩短从"发现异常"到"定位原因"的时间。
预警层：提前发现异常，解决"可能会发生什么"
预警层是最容易被忽视、但长期价值最高的一层。它关注的不是已经发生的销量变化，而是那些可能在未来2-4周内导致销量变化的先行指标。
库存周转天数：库存周转天数持续上升，意味着销售速度跟不上进货速度，未来大概率会出现滞销或被迫降价清仓。
售罄率：对于新品来说，售罄率是判断需求强度的关键指标。售罄率过高（比如上架两周就售罄），可能意味着备货不足，白白损失了销售机会。
加购转化率：加购但未支付的比例如果持续上升，可能意味着价格竞争力下降、或者竞品出现了更有吸引力的替代品。
退货率：退货率的突然上升往往和商品质量、描述不符、物流体验相关，如果不及时处理，会在未来几周内反映到销量和评分上。
预警层的关键是设定合理的阈值。阈值不能拍脑袋定，要基于自己业务的历史数据来算。我的建议是：用过去6个月的数据算出每个预警指标的均值和标准差，把均值加减1.5倍标准差作为预警线。这样既能过滤掉日常波动，又不会漏掉真正的异常。
指标分层表
以下是完整的指标分层表，包含定义、计算逻辑和适用场景。这张表可以直接作为模板的核心结构使用。
层级
指标名称
计算逻辑
适用场景
建议查看频率
核心层
销量
按支付时间统计的有效订单商品件数（需确认平台是否扣减退款）
日常监控、趋势判断
每日
核心层
销额
SUM（商品单价 × 销售数量）- 优惠金额
日常监控、规模判断
每日
核心层
同比
（本期销量 – 去年同期销量）/ 去年同期销量 × 100%
趋势判断（需排除基数异常）
每周
核心层
环比
（本期销量 – 上期销量）/ 上期销量 × 100%
短期波动判断（需排除季节性）
每周
核心层
动销率
有销量SKU数 / 总在架SKU数 × 100%
商品结构健康度
每周
核心层
客单价
销额 / 订单数
价格策略效果、结构变化
每日
归因层
品类销量占比
某品类销量 / 总销量 × 100%
异常归因、结构分析
按需
归因层
渠道销量贡献度
某渠道销量增量 / 总销量增量 × 100%
渠道效率对比、异常归因
按需
归因层
价格带分布
按价格区间统计的销量和销额分布
促销效果、竞品对标
按需
归因层
地区销量分布
按地区统计的销量占比及变化
区域问题定位
按需
预警层
库存周转天数
平均库存 / 日均销量（按近30天计算）
滞销预警、补货决策
每周
预警层
售罄率
已售数量 / 总备货数量 × 100%（新品上架14天内）
新品需求强度判断
每3天
预警层
加购支付转化率
支付人数 / 加购人数 × 100%
价格竞争力、竞品监测
每周
预警层
退货率
退货订单数 / 总订单数 × 100%
商品质量、描述准确性
每周
模板字段设计：从概念到可落地的表结构
基础字段：数据的骨架
基础字段是从系统导出的原始数据，不需要计算，直接可用。设计原则是：每个字段只承载一个信息维度，不要合并。
日期：统一格式为YYYY-MM-DD。如果是周维度分析，额外加一列"周序号"。
商品ID：唯一标识。
商品名称：便于人工识别。
品类：一级品类和二级品类分两列，方便不同粒度切换。
渠道：如果多渠道经营，必须单独一列。不要和品类混在一起。
价格带：比如0-50、50-100、100-200、200+，按自己业务的实际分布分档。
销量：当日/当周的销售数量。
销额：当日/当周的销售金额。
库存数量：当日/当周的期末库存。
这些字段构成了数据的基础骨架。所有计算字段都从这些基础字段派生出来。
计算字段：从数据到信息
计算字段是模板的核心价值所在。没有计算字段的模板，本质上只是一张数据导出表。
`// 同比（需要去年同期数据）
同比 = (本期销量 – 去年同期销量) / 去年同期销量 * 100%
// 环比（需要上期数据）
环比 = (本期销量 – 上期销量) / 上期销量 * 100%
// 品类销量占比
品类销量占比 = 当前品类销量 / SUM(所有品类销量) * 100%
// 渠道销量贡献度（用于归因）
渠道销量贡献度 = 当前渠道销量增量 / SUM(所有渠道销量增量) * 100%
// 库存周转天数（按近30天日均销量）
库存周转天数 = 当前库存数量 / AVERAGE(近30天销量)
// 售罄率（新品上架14天内）
售罄率 = 累计销量 / 初始备货量 * 100%
// 加购支付转化率
加购支付转化率 = 支付人数 / 加购人数 * 100%
计算字段需要特别注意两个问题：一是分母为零的情况（比如新品类没有去年同期数据），二是数据口径的跨期一致性。建议在Excel里用IFERROR函数兜底，在BI工具里设置除零保护。
维度字段：让数据可以被切分
维度字段本身不产生新数据，但它们决定了你能从哪些角度切分数据。
时间维度：日、周、月、季度。建议同时保留三列（日、周序号、月），方便不同分析场景切换。
商品层级维度：SKU、SPU、二级品类、一级品类。不同层级看到的结论可能不同，比如SKU层面销量在跌，但SPU层面（合并了颜色尺码）可能是平的。
促销标记：布尔字段，标记当天/当周是否有促销活动。这个字段在分析促销效果时至关重要。
新品标记：布尔字段，标记是否为上架30天内的新品。新品的销量趋势和老品完全不同，混在一起看会互相干扰。
表结构示例
以下是一个可直接使用的表结构示例。我用文字描述了字段类型和说明，你可以直接复制到Excel或BI工具里作为模板骨架。
`| 字段名 | 字段类型 | 说明 |
| ————— | ——— | ——————————————- |
|---|---|---|
| date | 日期 | 统计日期，格式 YYYY-MM-DD |
| week_num | 文本 | ISO周序号，如 2025-W38 |
| month | 文本 | 月份，如 2025-09 |
| sku_id | 文本 | 商品唯一标识 |
| sku_name | 文本 | 商品名称 |
| category_l1 | 文本 | 一级品类 |
| category_l2 | 文本 | 二级品类 |
| channel | 文本 | 销售渠道 |
| price_band | 文本 | 价格带分档 |
| is_promo | 布尔 | 是否促销期 |
| is_new | 布尔 | 是否新品（上架30天内） |
| sales_qty | 数值 | 销量 |
| sales_amt | 数值 | 销额 |
| stock_qty | 数值 | 期末库存 |
| yoy_growth | 数值(%) | 同比（计算字段） |
| mom_growth | 数值(%) | 环比（计算字段） |
| cat_share | 数值(%) | 品类销量占比（计算字段） |
| stock_days | 数值 | 库存周转天数（计算字段） |
| sell_through | 数值(%) | 售罄率（计算字段） |
| cart_cvr | 数值(%) | 加购支付转化率（计算字段） |
| return_rate | 数值(%) | 退货率（计算字段） |
以数跨境为例：工具如何承载指标体系
为什么选择工具而不是纯Excel
指标体系搭建初期，Excel是够用的。但当SKU数量超过200个、时间跨度超过6个月、或者需要多人协作时，Excel的维护成本会急剧上升。
我自己的经验是：当出现以下任一情况时，就应该考虑迁移到专业工具，需要跨平台汇总数据、SKU数量超过300个、需要每天自动更新数据、有超过2个人需要同时查看分析结果。这时候，一套能自动抓取数据、自动计算字段、支持多维度下钻的工具，能把你的分析效率提升3-5倍。
我最近在帮一个做跨境家居的团队做分析流程梳理，用到了数跨境（官网：https://shukuajing.jiushuyun.com/?utm_source=seo&utm;_plan=est&utm;_unit=gys）。这里说一下我的实际使用观察，供参考。
他们在做的事情，本质上就是把上面说的三层指标体系产品化了。核心层的数据看板是自动生成的，销量、销额、同比环比这些指标不需要自己拉数据，打开就能看到。
归因层的下钻做得比较顺手。比如当某个品类的销量出现异常时，可以直接在同一个界面里按渠道、按价格带、按地区往下拆，不需要切换多个报表或者重新拉数据。这个"不需要切换"的体验，在实际分析中非常关键，因为归因的过程往往需要快速试错，切换成本越高，你尝试的维度就越少。
预警层的库存周转和售罄率有专门的面板。对于跨境电商来说，库存周转的预警尤其重要，因为跨境物流周期长，一旦出现滞销，清仓的难度和成本都远高于国内电商。
当时我们遇到的问题是：某个收纳品类在黑五促销后第三周出现了销量环比下降22%的情况。如果只看总数，可能会认为是正常的促销后回落。
但通过数跨境的归因下钻，我们发现：下降主要集中在两个渠道，一个是亚马逊美国站，另一个是TikTok Shop。把这两个渠道的数据进一步拆开之后，发现亚马逊美国站的下降是价格带问题（竞品在促销后把价格降到了我们的成本线以下），而TikTok Shop的下降是库存问题（爆款SKU断货了，补货要等到下个月。
这两个问题需要完全不同的应对策略：前者需要重新评估定价策略，后者需要优化补货节奏。如果没有归因层的下钻能力，这两个问题会被"促销后正常回落"这个笼统的结论掩盖过去。
需要说清楚的是，再好的工具也不能替代两件事：一是你对业务的理解，二是你对指标的判断力。
工具负责的是数据采集、计算和呈现。但"哪个指标出现什么变化时应该做什么"这个判断，只能由人来做出。工具能告诉你库存周转天数从45天涨到了78天，但"78天是否构成风险"取决于你的品类特性、资金成本和供应链弹性。
所以我一直建议团队在引入工具之前，先用Excel把指标体系跑通至少一个完整的月度周期，确认自己真的用得上这些指标，再考虑工具化。先有体系，再有工具。反过来做，大概率会买一个用不起来的工具。
不要急着上工具。先用Excel搭建最小可用的指标体系，只保留核心层的四到五个指标，每周更新一次数据，坚持跑两个月。
这个阶段的重点不是分析深度，而是养成"按指标看数据"的习惯。当你发现自己每周都会主动去看那几个数、并且能从中发现一些问题时，说明体系开始发挥作用了。
先不要换工具，先优化你的表结构。看看是不是基础字段、计算字段、维度字段混在一起了，是不是每次都要手动重复计算同比环比。把计算字段用公式固化下来、把维度字段规范化，能在很大程度上降低维护成本。
如果优化之后还是觉得费力，比如数据量太大导致Excel卡顿、或者需要跨平台汇总，这时候再考虑迁移到专业工具。
这个阶段建议直接考虑专业工具。核心诉求是三点：数据自动采集（不需要手动导出导入）、计算字段自动更新、支持多维度交互式下钻。
选择工具时，重点看两个能力：一个是归因下钻是否流畅（能不能在一个界面里完成多个维度的切换），另一个是预警指标是否支持自定义阈值。前者决定你的分析效率，后者决定你的预警准确度。
团队协作场景下，最重要的事情不是工具本身，而是统一口径。必须确保所有人看的是同一套指标定义、同一份数据源、同一个时间口径。团队分析最大的成本不是分析本身，而是"我们说的不是同一件事"。
建议在工具之外，额外维护一份"指标字典"文档，把所有指标的定义、计算逻辑、数据来源、更新频率都写清楚。这份文档的价值在团队规模超过3个人之后会急剧上升。
覆盖更多指标，还是把少数指标做深？我的建议是：核心层追求深度，归因层追求广度。
核心层的指标要少而精，每个指标的计算逻辑要吃透，知道它在什么情况下会失真、什么情况下会误导。归因层的指标可以多，因为归因本身就是一个"排除法"的过程，你需要在多个维度上快速尝试，才能定位到真正的原因。
实时数据看起来很酷，但实时数据的准确性往往不如T+1的数据。因为实时数据可能还没有完成退款扣减、没有完成订单状态更新、没有完成数据清洗。
我的建议是：核心层用T+1数据，追求准确性；预警层可以用实时或准实时数据，追求时效性。因为预警的核心是"尽早发现信号"，对精度的要求可以适当放宽。
自动化能解决"数据采集和计算"的问题，但解决不了"判断和决策"的问题。不要试图把所有判断逻辑都写成自动化规则，因为业务环境在变，规则也需要变。
更好的做法是：把自动化用在数据准备阶段，把人工判断留在分析和决策阶段。工具帮你把数据准备好，你专注于从数据里读出信息。
标准化模板的好处是复用成本低，坏处是不一定贴合你的业务。个性化模板的好处是贴合业务，坏处是每次业务调整都要改模板。
我的建议是采用"骨架标准化 + 维度个性化"的策略。表结构、计算逻辑、分层框架这些骨架层的东西标准化，品类划分、价格带分档、渠道分类这些维度层的东西个性化。这样既能复用框架，又能适配业务。
回到文章开头那个场景。那位运营负责人后来做了两件事：第一，把核心层的四个指标固定下来，每天只看这四个数；第二，在库存周转天数超过60天时自动触发预警。三个月后，他们的滞销库存占比从22%降到了9%。
这个改善不是因为他们用了什么高级工具，而是因为他们把"看一个数"变成了"看一组有关系的数"。
我在这篇文章里想传递的核心观点其实就一个：商品分析管理模板的价值，不在于它列了多少指标，而在于它是否建立了一套指标之间的逻辑关系。核心层负责告诉你"发生了什么"，归因层负责告诉你"为什么发生"，预警层负责告诉你"可能会发生什么"。这三层合在一起，才构成一个完整的指标体系。
如果你现在正在搭建或优化自己的商品分析模板，我建议你从以下三步开始：
不要试图一次性把所有东西都建好。指标体系是一个迭代的过程，先跑通核心层，再逐步往上加归因和预警。每加一层，都要确认它真的在帮你做判断，而不是只是在增加你看数据的负担。
我们团队最近在整理商品周报模板，老板说要围绕销量趋势搭一套指标体系，但我打开Excel就懵了，指标列了几十个，真正每天看的没几个。到底哪些是必须有的核心指标，哪些可以按需下钻，我一直没想清楚。
建议按三层来搭：核心层只放3到5个，包括销量、销额、同比、环比、动销率，这几个是每周复盘必看的；归因层用来定位涨跌来源，放品类、渠道、价格带、地区这几个拆分维度，不下钻时先折叠；预警层放库存周转天数、售罄率、加购转化率，用来提前发现异常。
判断依据很简单：如果某个指标连续两周没人主动看，就说明它不该待在核心层。先跑通核心层，用两个月数据验证能定位问题后，再逐步往模板里加归因和预警字段，不要一开始就铺满。商品ID、时间、渠道这三个基础字段必须先对齐口径，否则后面的同比环比全是错的。
上周复盘时我发现销量同比涨了18%、环比涨了6%，数据挺好看的，但运营总监追问'是哪些品类在拉、哪些渠道在拖'，我当场答不上来。后来想想，光看总趋势好像确实没法归因，但不看总数又怕漏掉大盘信号，很矛盾。
同比和环比是'体温计'，只能告诉你有没有发烧，不能告诉你哪发炎。正确做法是：先看总量确认异常，再用贡献度拆解。具体操作是把销量变化拆成'品类贡献度'和'渠道贡献度'两张表，公式是该维度本期销量变化除以总销量变化，正贡献占比超过50%的维度就是主因。
判断依据是：如果某个品类贡献度绝对值超过30%，就锁定它做二次下钻，看是价格带位移还是促销节奏问题。注意同比受基数影响大，去年同期有大促的话，同比增长会被严重低估，这时候环比和近4周移动平均更可靠。数据口径上，贡献度之和理论上等于100%，如果偏差超过5%说明有维度缺失，需要补字段。
我们同时在天猫、抖音和私域小程序卖货，做模板时发现同样是'销量'，天猫算的是支付件数、抖音算的是成交订单数、小程序那边还掺了退款没剔除。直接把三个数加在一起汇报，被老板质疑过一次数据对不上，之后一直不知道怎么统一。
第一步先不要在模板里做加法，而是加一列'平台'维度，各平台销量分行展示，避免口径混淆导致总量虚高。第二步在每个平台内部统一口径，建议统一采用'净销量'，也就是支付件数减去确认退款件数，抖音和天猫后台都能导出退款明细，小程序需要手动对一次账。
第三步在模板字段说明里标注每个平台的取数时间点和口径定义，比如'天猫取支付成功时间、抖音取订单完成时间'，避免跨平台时间错位。判断依据是：如果两个平台同一商品的销量差异超过15%且无法用退款解释，就要回去核对是不是取数时点不同。
行业和平台规则差异较大，涉及具体阈值时建议先用自己店铺3个月历史数据验证一遍，不要直接套用外部基准值。
我们模板字段挺全的，可真到销量掉的时候，我还是习惯性地先翻总量、再看品类、再猜是不是竞品降价，很乱。想问问有没有一条固定的排查顺序，能像SOP一样照着走，而不是每次凭感觉。
可以按'四步归因法'走：第一步确认异常，用近4周移动平均判断是真下滑还是正常波动，单周跌幅超过15%且连续两周才算是真异常；第二步做品类和渠道拆解，看贡献度找出主要拖累项；第三步对锁定商品看价格带和促销标记，判断是价格位移还是活动结束导致；
第四步结合库存周转和加购转化率，如果库存周转天数在涨、转化率在跌，多半是需求端问题，反之如果库存低、售罄率高，则是供给端断货。判断依据是：需求问题通常伴随转化率下滑但库存充足，供给问题通常转化率稳定但可售库存不足。
把这四步固化进模板的第二张sheet，每次异常直接按顺序填，两周后你会发现自己排查速度明显变快，也不再需要凭感觉猜。
读者评论
文章对'拆不开的总数等于没有信息量'的论述很到位。我们团队之前也只看总销量，结果促销期靠爆款冲量，促销后库存积压严重。后来开始按品类和渠道拆分，才发现某些品类早已滞销。分层指标确实比单纯罗列管用。
作者提到的预警层阈值设定方法很实用，用过去6个月均值加减1.5倍标准差，比拍脑袋定阈值科学得多。我们之前库存周转天数涨了也没在意，等发现时已经压了一堆货。这个预警思路值得落地。
促销期销量不可比这点深有同感。去年我们做了一场大促，销量涨了80%，团队都很开心，但没算促销后回落和毛利变化。后来一算，真实增量可能不到15%，毛利率还掉了10个点。只看促销期曲线确实会高估效果。
文章中'指标过载'的案例很真实。我们运营每天发一张几十个字段的表格，根本没人细看。后来精简到核心四五个指标，周会决策效率明显提升。指标不在多，而在于能形成因果链和归因路径。
同比环比滥用的问题太普遍了。我们做取暖器品类，每年10月环比都暴涨，但这是季节性，不代表运营做得好。还有去年有大促，今年同比数据就失真。文章提醒先确认基数异常，这点很关键，否则结论容易误导。