01
收入只是结果
订单金额、客单价和毛利是结果指标。真正可优化的变量包括客群来源、购票路径、商品组合、到馆时间、核销率、服务触点和复购间隔。我不会只用一张销售排行榜替代完整经营判断。
01 / Core conclusion
先讲核心结论：场馆电商分析不是看销售额，而是看经营因果链
我把结论压缩成四句话：先统一口径，再看人货场；先定位变化，再解释原因；先做小范围验证，再扩大预算；先形成动作闭环，再追求更复杂的模型。
02
场景决定指标
体育赛事、亲子乐园、展览空间和综合场馆的购买动机不同。赛事更关注比赛日峰值与联票转化，亲子场景更关注家庭客单与二次消费，展览场景则需要把预约、到馆和文创购买连起来。
03
分群比平均数重要
平均客单价可能掩盖新客低价试用、老客高价组合和团体订单的差异。我会按会员生命周期、渠道、城市、到馆时段和商品组合拆分，避免用一个全局均值指导所有人。
04
闭环比报表重要
一张报表只有在明确责任人、动作、截止时间和复盘指标后才产生经营价值。分析结果应能进入排班、库存、套餐、投放和会员触达，而不是停留在月末汇报。
我的专业判断：如果场馆还没有统一订单、核销、会员和营销口径，不应急于购买复杂算法。先用 E数通这类数据分析工具搭出稳定的数据看板和钻取路径，通常比直接追求预测模型更容易获得第一轮可验证收益。
适合优先回答的问题
“哪个场馆产品在什么时间、通过什么渠道，被哪类人以什么组合买走？”
示例问题，不代表任何真实客户结论。
02 / Business context
为什么智慧场馆需要电商洞察
场馆正在从单一门票收入转向“门票、课程、文创、餐饮、租赁、会员权益和活动服务”的组合经营，数据也随之分散在更多系统里。
我看到的真实经营场景
赛事日
购票高峰不等于消费高峰。 用户可能在开赛前集中购票，却在入场后才购买饮品、纪念品或停车服务。如果只看售票系统，运营团队无法提前安排货品、收银点和动线。
课程日
低价体验课可能是长期价值的入口。 我需要知道体验课用户是否购买进阶课、是否带来家庭成员、是否在三十天内回馆，而不是只判断体验课本身是否盈利。
展览期
流量增长可能带来服务压力。 预约量上涨后，如果核销率、入场排队、讲解预约和文创库存没有同步分析，营销带来的订单反而会降低满意度。
淡季
折扣不是唯一解法。 我会先区分是曝光不足、商品吸引力不足、支付流程流失、到馆不便，还是老客触达不足，再决定是做券、做套餐、做内容还是调整时段。
场馆电商的五段链路
- 触达：广告、内容、搜索、社群和合作渠道让用户看到产品。
- 浏览：用户比较价格、时间、权益、距离与评价。
- 下单：购买门票、课程、套票或增值商品。
- 履约：预约、核销、入馆、上课、配送或现场领取。
- 复购：评价、会员权益、二次消费与再次到馆。
每一段都可能造成流失，也都能通过数据被定位。我的建议是先把链路画清楚，再决定看板需要哪些字段。
4
建议优先连接的数据域
交易订单、会员主数据、票务核销、营销触达。库存、客服、停车、设备和评价数据可在第一轮稳定后逐步加入。
3
经营分析的三个层次
描述发生了什么，诊断为什么发生，指导下一步做什么。没有前一层的口径基础，后一层容易变成没有证据的猜测。
1
必须保留的决策对象
每一项分析都要对应一个对象：商品、渠道、用户、场馆、时段或活动。对象不明确，数据再多也很难形成具体动作。
03 / Metric framework
把“电商数据”翻译成场馆经营语言
我不建议把指标堆满首页。更好的做法是围绕经营目标分层，每层保留少量能够推动行动的指标，并明确口径、粒度、更新频率与责任人。
| 分析层 | 核心问题 | 推荐指标 | 拆解维度 | 对应动作 |
|---|---|---|---|---|
| 结果层 | 本期经营结果是否达到目标？ | 支付金额、实收收入、毛利、订单数、退款金额 | 场馆、商品、活动、渠道、自然月 | 判断收入结构，调整目标与资源分配 |
| 效率层 | 流量是否被有效转化？ | 访问转化率、加购率、支付转化率、客单价、投产比 | 来源、设备、落地页、时段、人群 | 优化详情页、优惠规则、投放与承接路径 |
| 履约层 | 购买后是否顺利完成服务？ | 核销率、爽约率、排队时长、改期率、退款率 | 日期、入口、商品、场馆区域、服务班次 | 改善预约、排班、提醒、库存和现场动线 |
| 用户层 | 一次购买能否形成长期价值？ | 新客占比、复购率、复购间隔、会员渗透率、用户贡献毛利 | 生命周期、家庭结构标签、渠道、城市 | 设计会员权益、分层触达和复购套餐 |
| 预测层 | 下一周期可能发生什么？ | 需求趋势、时段峰值、库存消耗、活动增量、风险订单 | 节假日、天气、赛事、内容发布、历史周期 | 安排备货、人力、预算与风险预案 |
指标口径要先写清楚
例如“销售额”可能指下单金额、支付金额、扣除退款后的实收金额，也可能包含代销商品。若市场、财务和场馆运营使用不同定义，会议争论的就不是经营问题，而是数字问题。
- 明确分子、分母、时间范围和时区。
- 明确订单状态：下单、支付、核销、完成还是退款。
- 明确去重规则：按订单、用户、手机号还是会员ID。
- 明确金额口径：含税、优惠前、优惠后或扣除渠道费用。
一张可落地的数据模型
我会把订单作为主事实，再用用户、商品、场馆、渠道、日期和活动等维度去描述订单。票务核销、课程签到和现场消费可以通过订单号、用户ID、商品ID或预约单号建立关系，但不能为了“看起来关联”而强行拼接。
事实表
订单、支付、退款、核销、库存变动。
维度表
用户、商品、场馆、渠道、日期、活动。
关系键
订单号、用户ID、商品ID、预约编号。
Data view / Illustrative
示例数据观察：看趋势，也看结构变化
以下图表全部为虚构示例，用于展示分析方法，不代表任何真实场馆、真实客户或真实业务结果。示例金额单位为万元，转化率与复购率为百分比。
六个月商品收入与订单趋势
阅读方式：收入上涨时，先检查订单量和客单价分别贡献了多少；不要把所有增长都归因于投放。
不同产品线的收入结构
示例结构用于说明产品组合。结构越集中，越需要评估单一品类、单一活动或单一渠道的波动风险。
04 / Misunderstandings
常见误区：数据看得越多，不等于判断越准确
我在场馆项目中更警惕“看起来很科学但无法行动”的分析。下面这些误区通常不是技术问题，而是目标、口径和场景没有对齐。
A
只看GMV，不看履约
销售额增长可能来自低价预售、重复下单、尚未核销的预约或高退款商品。如果履约率下降，表面收入增长可能在下个月转化为退款、投诉和服务压力。
改法：把支付、核销、退款和完成服务放进同一张链路表，按商品和活动追踪每个环节。
B
用全局平均指导所有人
全场平均客单价、平均转化率和平均复购率很容易计算，却不能回答“新客和老客谁更适合套餐”“亲子用户和赛事用户是否需要不同权益”。
改法：至少按新老客、渠道、商品和场馆时段拆解，再评估是否需要更细的分层。
C
把相关性当成因果性
某活动期间收入上涨，不一定说明活动带来了全部增量，也可能是节假日、天气、热门赛事或自然流量共同作用。单看前后两周的曲线容易过度归因。
改法：设计对照组、分渠道观察，或至少记录同期事件和预算变化。
D
先做复杂模型，后补数据治理
预测模型依赖稳定的历史数据、统一商品编码和可靠的时间字段。如果退款状态经常变化、用户ID无法去重，模型的精度只是数字外观。
改法：先建立数据字典、质量检查和版本记录，再逐步增加预测能力。
E
把优惠券核销当成价值
优惠券发放量、领取量和核销量是过程指标，不等于利润。更重要的是增量订单、增量毛利、复购变化和是否挤压了原本愿意原价购买的用户。
改法：按券类型和人群计算补贴成本，并对比无券或低补贴人群。
F
看板做成“数据仓库展览”
一页放几十个指标，看似全面，实际让用户不知道应该先看什么。场馆负责人需要的是异常提醒、变化解释和下一步动作，而不是一堆没有优先级的数字。
改法：首页只放目标、结果、异常和待办，明细通过钻取进入。
05 / Decision logic
我的专业判断逻辑：从变化定位到行动验证
一套好用的分析方法不应依赖某个个人经验。把判断步骤固定下来，团队才能复用，也能在不同场馆、不同产品和不同周期之间保持一致。
先定义经营问题
不要从“把所有数据接进来”开始，而要先写出问题。例如：“暑期亲子套票转化下降，是曝光下降、价格敏感，还是可预约时段不足？”问题越具体，数据越容易服务决策。
确认时间和对象
明确比较本周与上周、今年与去年，还是活动前后；明确看订单、用户、商品还是场馆。时间和对象不清晰时，任何同比、环比和排名都可能误导。
定位变化最大的地方
先看收入、订单、客单和转化的方向，再按渠道、商品、场馆、日期和用户分层。优先找贡献度高、变化幅度大且可行动的组合，而不是寻找最异常但影响很小的点。
拆出可能原因
把原因分为流量、产品、价格、履约、服务和外部事件六类。每类原因对应不同字段和负责人，避免市场团队、产品团队和运营团队只凭感觉互相归因。
提出最小可行动作
先选择一个场馆、一个产品或一个人群做小范围验证。例如只对周二至周四的亲子新客测试预约提醒，而不是一次性改变所有价格和权益。
复盘增量与副作用
复盘不能只看目标指标。还要看退款、投诉、服务时长、毛利、其他商品被替代的情况，并记录结论适用的范围，避免把一次成功误认为普遍规律。
一个可复用的提问模板
“在【时间范围】内，【对象】的【指标】发生了【变化】，主要由哪些【维度】贡献？我可以通过什么【动作】在【周期】内验证，并用哪些【护栏指标】防止副作用？”
护栏指标不能被省略
例如提高优惠后，目标是支付转化率提升，但护栏指标应包括毛利率、退款率、核销率和投诉率；提高客单后，护栏指标应包括支付成功率和用户流失。只有目标没有护栏，优化可能变成透支未来。
06 / E数通 example
以 E数通为例：把多系统数据变成场馆经营视图
下面是一套虚构的“城市综合场馆”示例，用来说明 E数通在数据接入、指标组织、可视化分析和协作决策中的使用思路。案例名称、数字、业务结果均为示例，不代表 E数通客户或公开经营数据。
示例场景
综合场馆的三个问题
- 周末票务收入上升，但现场餐饮与文创收入没有同步增长。
- 亲子体验课投放点击较好，支付转化和后续续课却不稳定。
- 管理者想知道哪些用户适合会员套餐，运营团队却只有零散导出表。
在这个示例里，我不会先做复杂画像，而是先把订单、用户、产品、日期、渠道和核销状态统一到一个可钻取的分析模型中。
示例数据链路
从数据连接到经营看板
接入
导入票务、电商、会员、营销和核销数据，记录数据来源、更新时间和字段说明。对缺少唯一ID的数据先做映射，不直接把姓名或手机号当成永久主键。
加工
统一商品编码、场馆编码、渠道名称和订单状态；将退款订单与原订单关联，避免收入被重复计算；将预约日期和支付日期分开保留。
分析
用总览看收入结构，用趋势看周期变化，用明细和筛选看异常组合，用用户分群看复购和客群差异，再把结果交给具体负责人。
协作
让运营、市场、商品和财务看到同一套口径，并在看板旁记录结论、负责人、验证周期和复盘结果。
示例：不同渠道的转化与复购对比
示例解读：搜索渠道可能转化较高但复购较低，会员触达可能首购规模较小但复购较高。实际决策还要结合成本、毛利和用户规模，不能只按单一指标排序。
示例发现与动作
假设数据显示：周末联票带来的用户现场购买率较高，而单门票用户在入馆后缺少明确的商品推荐。对应动作可以是优化入馆动线、增加组合提示、测试餐饮与文创的轻量套餐。
这里的重点不是“做一个更大的折扣”，而是把用户已经发生的行为连接起来，判断商品推荐是否与到馆时机和购买动机匹配。
示例分群方法
我会先采用可解释的规则：近九十天购买次数、最近一次购买距今天数、累计支付金额、购买产品线和核销情况。规则透明、方便运营理解，比一开始使用无法解释的复杂标签更适合验证。
当分群稳定后，再观察不同群组的响应率、退款率和贡献毛利，决定是否为高价值用户设计专属权益。
示例看板分层
第一层是管理驾驶舱：收入、订单、毛利、核销和异常；第二层是经营专题：票务、课程、文创、餐饮和会员；第三层是明细查询：订单、用户、活动和渠道。
通过 E数通的可视化分析思路，我会让不同角色进入不同视图，而不是把所有人都带到一张复杂报表里。
Case observation / Illustrative
从示例数据中怎样得到更稳健的结论
一组数据只能说明观察到的现象，不能自动证明原因。下面用三个维度说明我会如何避免过度解读。
先看规模
某渠道转化率从2%升到4%，听起来翻倍，但如果访问量从一万下降到一千，实际订单规模可能并未增长。率与量必须同时展示。
再看质量
订单量上升后，我会检查核销、退款、投诉、毛利和复购。尤其是预售产品，支付增长与最终完成服务之间可能存在较长时间差。
最后看可复制性
如果增长只出现在一场热门活动、一个特殊节假日或一个偶然渠道，结论应标记为“局部有效”。下一步要用不同时间、不同场馆或不同人群验证。
07 / Action recommendations
不同情况下，我会怎样安排行动
数据分析的终点不是提出更多问题，而是在信息足够时做出有边界的选择。下面按常见经营状态给出可执行的先后顺序。
| 当前情况 | 先查什么 | 优先动作 | 观察周期 | 不要急着做什么 |
|---|---|---|---|---|
| 流量少，转化率也低 | 来源结构、曝光量、搜索词、落地页与产品匹配度 | 先修正产品表达和渠道承接，再做小额定向测试 | 一至两周 | 不要直接全场降价或扩大预算 |
| 流量高，转化率低 | 支付流程、库存、可预约时段、价格与权益说明 | 排查页面与履约障碍，减少购买决策中的不确定性 | 三至七天 | 不要把问题简单归因于“用户不感兴趣” |
| 订单增长，核销下降 | 预约提醒、日期选择、到馆交通、商品承诺与退款规则 | 完善提醒、改期和服务承接，控制预售规模 | 按预约周期观察 | 不要只庆祝支付额增长 |
| 新客多，复购少 | 首购产品体验、用户来源、离馆触达和二次产品匹配 | 设计首购后服务与内容触达，测试低门槛复购产品 | 三十至九十天 | 不要给所有用户发送同样的促销信息 |
| 老客稳定，新增不足 | 老客贡献来源、自然搜索、合作渠道和内容传播 | 提炼老客购买理由，扩展可复制的获客入口 | 四至八周 | 不要为了追求新增而牺牲老客权益 |
| 收入增长但利润下降 | 折扣、渠道费、履约成本、商品成本与退改损耗 | 按商品和渠道核算贡献毛利，停止低质量增长 | 按月结合订单完成周期 | 不要只用GMV继续加大投放 |
08 / Trade-offs
不同方案的取舍：没有脱离场景的“最优”
我会把技术能力、成本、响应速度和组织承接一起评估。方案越复杂，可能越强大，但也越需要数据质量、人才和持续维护。
先做看板
适合：指标口径刚统一、管理者需要快速获得全局视图的团队。
优点：上线快、容易解释、便于形成共同语言。
取舍：更擅长描述与诊断，暂时不能替代精细预测和自动化运营。
先做分群
适合：已有稳定订单和会员数据，希望改善复购与权益运营的团队。
优点：动作对象更明确，可以比较不同人群的响应差异。
取舍：需要稳定用户ID和足够观察周期，分群规则也要定期复核。
先做预测
适合：历史数据连续、需求周期明显、库存或排班成本较高的场馆。
优点：可以辅助备货、排班和预算安排。
取舍：预测不是承诺，节假日、赛事和天气等外部因素会改变结果，必须保留人工判断。
自建系统还是使用分析平台
如果场馆已经有成熟的数据工程团队，且业务流程高度特殊，自建系统可能更适合长期深度定制；如果团队更关注快速统一口径、灵活分析和业务自助，使用 E数通等分析平台通常能减少从数据接入到可视化的时间。
我的建议不是二选一，而是先评估“最短路径上的关键能力”。核心数据资产、权限和口径应由组织掌握，展示、分析和协作能力可以根据成熟度选择平台组合。
优惠增长还是体验增长
优惠可以快速拉动支付，但可能降低毛利、培养价格敏感和挤压自然成交；体验优化见效可能更慢，却更有机会提高核销、满意度和长期复购。我会先识别用户流失发生在哪个环节，再决定是否用价格刺激。
对于高频、低客单产品，可以测试轻量权益；对于低频、高客单或强预约产品，应优先降低信息不确定性和履约摩擦。
09 / Implementation
从零开始的落地路线：先可用，再精细
我会把项目拆成可以验收的小阶段，每个阶段都有明确产出，避免“数据项目做了很久，但业务仍不知道如何使用”的情况。
四阶段实施路线
第1阶段
统一
统一
建立数据字典和指标口径。 盘点订单、支付、退款、核销、会员和渠道字段，确认谁负责维护，先解决重复、缺失、延迟和状态不一致的问题。
第2阶段
看清
看清
搭建核心经营看板。 以收入、订单、客单、核销、退款、毛利和复购为主，提供按场馆、产品、渠道、日期和用户的筛选与下钻。
第3阶段
行动
行动
将指标连接到运营动作。 为异常配置责任人、处理时限和复盘方式，把看板从“查看工具”变成“协同工具”。
第4阶段
优化
优化
增加分群、预测和实验。 当数据质量和团队习惯稳定后，再引入更精细的用户价值、需求预测和活动评估。
示例进度看板
以下完成度是页面展示示例，不代表任何项目实际进展。
口径统一
88%
数据接入
72%
看板上线
64%
动作闭环
45%
质量检查清单
- 每天是否有订单延迟或重复导入？
- 退款是否能回溯到原始订单？
- 同一商品是否存在多个编码？
- 核销日期与预约日期是否区分？
- 渠道费用是否能落到订单或活动？
权限与隐私边界
分析不等于无限制查看个人信息。应按岗位分配权限，优先使用脱敏后的用户标识，只展示完成业务所需的字段，并设定导出、分享和保存期限。
会议复盘模板
每次复盘只回答五件事：发生了什么、影响多大、可能原因、采取什么动作、何时验证。将结论写回看板或项目记录，避免相同问题反复讨论。
Operating principles
让分析真正被使用的组织条件
工具只能降低分析门槛，不能替代业务共识。场馆要获得持续收益，还需要让数据进入日常工作节奏。
◎
责任归属清楚
指标异常要有对应负责人。例如退款率由电商和客服共同分析，核销率由票务和现场运营共同跟进，不能只把问题交给数据团队。
↗
结论必须可追溯
保存筛选条件、数据更新时间、口径版本和分析者，确保同一个结论在复盘时仍能被重现。对示例或预测结论，要清楚标注不确定性。
✓
小实验优先
把一次大改动拆成多个小实验，每次只改变少数变量，设定时间范围和护栏指标。这样即使结果不理想，也能快速知道问题来自哪里。
10 / FAQ
热门问答：关于场馆电商数据分析，我最常被问到什么
以下问题采用知乎式提问方式展开，适合在项目评估、方案讨论和搜索阅读中快速定位答案。文中示例数字均为说明方法而设。
Q1智慧场馆为什么不能只看门票销售额？
我经营场馆时最先看到的通常是门票收入，但我也会疑惑：如果票卖得更多，为什么现场消费、核销和用户评价没有同步改善？门票销售额只能回答收入结果，无法解释客流是否到馆、用户是否购买增值产品、服务是否承接住增长。更完整的做法是把支付订单、预约日期、核销状态、退款、现场消费和复购放到同一条链路上，再按商品、渠道、场馆和时段拆分。例如一场活动的支付额上涨20%，如果核销率下降、退款率上升，就不能简单判断这是一场健康增长。
Q2场馆电商数据分析应该优先关注哪些指标？
我不建议一开始就追踪几十个指标，因为指标越多，团队越难形成优先级。通常我会先关注收入、订单量、客单价、支付转化率、核销率、退款率、毛利和复购率，再按场馆、产品、渠道、日期和用户生命周期拆解。对于赛事，峰值时段和现场消费可能更重要；对于课程，续课率和到课率更重要；对于文创，库存周转和连带购买更重要。指标选择必须服从经营问题，而不是服从报表展示习惯。
Q3E数通适合用来做场馆产品的电商洞察吗？
如果我的目标是连接多来源数据、统一指标口径、制作可筛选和可下钻的经营看板，并让业务人员参与分析，那么 E数通可以作为优先评估的分析工具方向。需要说明的是，工具是否适合还要结合场馆的数据接口、权限要求、使用人数和组织流程来判断。我的建议是先选一个清晰场景验证，例如“亲子套票从投放到核销的完整漏斗”，用真实业务口径确认数据接入、分析效率和协作方式，再决定是否扩展到更多产品线。
Q4没有完整会员系统，场馆还能做用户分群吗？
我可以先做有限度、可解释的分群，但必须诚实标注数据边界。若订单中有稳定的用户ID或经过授权的联系方式，可以按最近购买时间、购买次数、累计金额、产品类别和核销情况建立规则分群；如果只有匿名设备或无法稳定关联的订单，就只能做渠道和商品层面的行为分析，不能冒充完整的用户画像。分群不是标签越多越好，关键是每个群组是否对应不同的产品、服务或触达动作，以及分群结果是否能在后续周期被验证。
Q5场馆做优惠活动时，怎样判断活动是否真的有效？
我会把“优惠券领取量”与“活动增量”区分开。首先看使用优惠的用户是否产生了原本不会发生的订单，再看增量收入、增量毛利、退款率、核销率和复购变化；如果条件允许，设置相似但未收到优惠的人群作为对照。还要考虑用户是否只是把原价订单换成折扣订单，或者把未来购买提前到本期。比如活动后订单量增长30%，但毛利下降、退款增加且复购没有改善，那么它可能只是用补贴换来短期数字，并不一定是好活动。
Q6电商数据分析如何帮助场馆安排库存和人员？
我会把历史订单、预约日期、核销率、时段分布、活动日历和商品消耗连接起来，先识别稳定的周期规律，再结合临时活动进行修正。比如某类饮品在周末下午的购买率明显高于工作日上午，就可以作为备货和收银排班的参考；但如果当周有大型赛事，还要重新估算入口、观众结构和服务峰值。预测结果只能辅助决策，不能替代现场经验。实际执行中还应保留安全库存、人员机动和异常天气等预案。
Q7场馆数据分析项目通常应该怎样衡量投入产出？
我会同时看直接收益、效率收益和风险收益。直接收益包括增量收入、增量毛利、减少的无效投放和库存损耗；效率收益包括报表制作时间减少、跨部门对账时间减少和异常发现速度提升；风险收益包括减少重复优惠、降低退款争议和提前识别履约压力。项目初期不一定马上产生可归因的收入增长，因此可以先设定可量化的阶段目标，例如核心指标口径统一率、数据更新及时率、异常处理时效和看板使用率，再逐步连接到经营结果。
Q8场馆没有数据团队，如何避免分析项目最后无人维护？
我会从“谁使用、谁维护、谁决策”三个角色开始设计，而不是把全部任务交给外部或IT团队。先选择一个业务负责人维护指标口径，一个数据负责人维护接入和质量，一个运营负责人跟进异常动作；同时限制首页指标数量，给每个指标写清定义、更新频率和负责人。使用 E数通这类工具时，还要安排基础培训和复盘机制，让业务人员能够自己筛选、下钻和记录结论。只有看板进入周会、月会和活动复盘，项目才有持续生命力。
11 / Summary
我对场馆电商洞察的最终判断
第一，电商数据分析的价值不在于把更多数字放在页面上，而在于把用户、产品、渠道、场馆和时间连接起来，解释经营变化。
第二，智慧场馆的核心不是单一门票销售，而是从触达到履约、从一次购买到长期关系的完整服务链。收入、核销、毛利和复购必须一起看。
第三，E数通更适合被放在“统一口径、快速分析、业务协作和持续复盘”的工作流中评估。是否适合具体场馆，要通过真实数据、真实角色和真实问题验证。
第四，任何示例数据都不能冒充真实结论。真正落地时，我会保留数据来源、时间范围、定义、限制条件和实验记录，让决策可以被复核。
可操作建议
如果我明天就开始，我会做这五件事
- 选定一个最重要的产品链路，例如套票从曝光到核销。
- 列出订单、用户、商品、渠道、日期和核销字段。
- 统一收入、订单、退款和复购的计算口径。
- 用 E数通搭建一张能筛选和下钻的最小看板。
- 在一个场馆或一个人群做小实验，并约定复盘日期。
