连续14天，推荐位转化率在2.1%到3.4%之间波动，运营每天问“为什么”。先做数据统计的基础动作：按天、按小时、按用户新老、按价格区间四个维度拆开。拆完通常会发现，波动集中在某一两个维度，而不是全局。
第1种归因是流量结构变化。某天新用户占比从35%升到48%，新用户转化率天然低1.2个百分点，整体就被拉低。第2种是商品供给变化，200元以上商品占比从12%降到7%，客单价和转化率同时下滑。第3种是推荐位样式改动，图片从横版变竖版，点击率涨但转化率跌。第4种是外部因素，比如周末和降雨。
做3步验证。第1步：把14天数据按上述4个维度做交叉表，找出波动贡献最大的维度，通常贡献超过50%的那一项就是主因。第2步：对主因做对照，比如新老用户分开算转化率，看是否稳定。第3步：用前7天数据拟合一个简单基线，预测后7天，误差超过15%才认定有异常。
案例：某生鲜场景，周三转化率从2.8%跌到2.2%。拆开发现低客单蔬菜占比从40%升到55%，而蔬菜转化率本来就低0.8个百分点。调整推荐位的类目配额后，周四回到2.7%。没有改模型，只改了供给结构。
价格区间要单独看。0到30元、30到80元、80元以上三段，转化率通常差2到3倍。把三段混在一起算全局转化率，波动会被放大。建议每段单独设基线，连续3天偏离基线20%才告警。
时间细节：每天上午9点30分拉前一日数据，10点前完成拆解。周末数据单独存一份，不要和工作日混算。地点维度上，一线城市和低线城市分开看，某次低线城市转化率跌0.5个百分点，原因是配送时效显示异常，和推荐算法无关。
常见错误：用7天移动平均掩盖单日异常；把点击率和转化率混为一个指标；忽略退款和取消订单。某次转化率涨0.4个百分点，退款率同时涨1.1个百分点，实际净转化下降。统计口径要包含售后。
数据统计的价值在于缩小排查范围。14天里真正异常的可能只有2天，把这两天的事件日志、供给清单、样式版本对齐，比每天重训模型有效得多。
