2023年11月，上海一家在线教育公司发现课程页转化率从3.2%突然涨到3.9%，运营准备加大投放。我接手排查，用了3天定位到问题：统计SQL里分子用了“支付时间”，分母用了“页面曝光时间”，跨天订单被重复计算。修正后转化率回落到3.1%，避免了一次约40万元的错误投放预算。
第一个坑是时间口径。曝光日志按天分区，订单表按支付时间分区。一条23:58的曝光、次日00:05的支付，在按天join时会被算到第二天，导致分母少、分子多。修正方法是统一用“曝光ID”做关联，并在订单表里回填曝光时间。常见错误是直接用日期字段join，跨零点订单必然出错。
第二个坑是去重。课程页有“立即报名”和“咨询老师”两个按钮，都跳同一支付页。统计时两个按钮的点击各算一次，导致点击率虚高约35%。正确做法是用session_id+用户ID去重，同一会话内多次点击只算一次。我们统计了7天数据，去重前点击率18.7%，去重后13.8%，差距明显。
第三个坑是分母定义。产品经理要的“转化率”是“访问到支付”，运营要的是“点击到支付”，两者差了一个点击率。最初报表只写“转化率3.9%”，两个团队各自理解，开会吵了半小时。后来在报表里强制拆成三级：访问→点击（12.4%）、点击→支付（25.1%）、访问→支付（3.1%），并标注每个指标的口径说明。
第四个坑是异常值。有一次统计“人均学习时长”，平均值被几个挂机用户拉到每天9.6小时。检查发现有个用户连续7天、每天24小时在线，是测试账号。处理方式是先剔除单日时长超过16小时的记录，再算中位数。剔除前均值9.6小时、中位数2.1小时；剔除后均值2.4小时、中位数2.0小时，结论完全不同。
第五个坑是样本量。A/B测试新页面，前3天转化率从3.1%涨到4.2%，团队准备全量。我查了样本量：每天访问约800人，3天共2400人，按基线3.1%、最小可检测提升0.5%计算，至少需要每组1.2万人。继续跑到第14天，两组转化率分别是3.15%和3.22%，差异不显著。常见错误是看到前几天数字好就下结论。
排查流程可以固定为5步：1）确认指标定义和分子分母；2）检查join键和时间窗口；3）做去重和异常值剔除；4）对比前后两期同口径数据；5）用最小样本量公式验证。这次排查中，第2步就发现了问题，但第3步又发现测试账号，前后花了3天。
给团队的统计规范写了3条：所有报表必须标注“分子/分母/时间窗口”；跨天指标统一用曝光ID关联；A/B测试上线前先算最小样本量。执行两个月后，口径类争议从每周约4次降到1次以下。数据统计的实用原则是：宁可指标少，也要口径清。
