2023年3月，某三线城市一家连锁便利店统计客单价，全公司平均38元，看起来不错。但拆开看：市中心5家店平均62元，郊区12家店平均21元。整体平均被5家店拉高，郊区店长拿着38元的目标做排班，结果人力成本多花了约11%。
平均数失效的第一个原因是长尾。常见错误：直接对订单金额求算术平均。修正步骤：1) 先画金额分布直方图，看是否右偏；2) 右偏明显时改用中位数或截尾平均，比如去掉最高5%和最低5%；3) 同时报告分位数P25、P50、P75。某生鲜平台按此改口径后，发现P50只有29元，而算术平均是47元，运营策略随之调整。
第二个原因是辛普森悖论。案例：某教育应用统计"新版页面转化率更高"，总体看新版12.1%、旧版11.4%。但按用户来源拆：自然流量新版13%、旧版13.2%；投放流量新版9%、旧版9.5%。两群都是旧版更好，总体却反过来，原因是新版实验里高转化的自然流量占比从40%升到了58%。
核对方法很具体。步骤：1) 确定分组维度，至少按渠道、新老用户两个维度交叉；2) 每组单独算指标并给出样本量；3) 用加权方式还原总体，权重取各组的真实流量占比；4) 对比加权结果和直接汇总结果的差异，差异超过0.5个百分点就要写进报告备注。
第三个原因是分母被悄悄换掉。某工具类产品说"月活留存提升6%"，核查发现上月分母是打开过App的用户，这月分母改成了注册用户，基数从80万变成210万。修正：指标定义写进文档，分母口径变更必须版本化，历史数据按新口径回溯重算至少6个月。
第四个原因是时间窗口太短。价格区间在促销期会剧烈波动，某美妆店用7天数据判断某单品"日均销量稳定在120件"，实际大促3天卖了900件、其余4天共卖60件。做法：至少用28天窗口，并单独标注促销日；对波动大的品类用中位数而非均值。
给一份日常核对清单：分布是否右偏、是否做了分组交叉、分母是否变更、窗口是否覆盖完整周期。四项各花10分钟，能挡掉大部分统计误读。
