数据统计最容易出的错不是算错，是用错。某运营看板显示某类目点击率从5%涨到8%，团队准备加预算，复核后发现是分母变了：原来按曝光算，改版后按请求算，请求数比曝光数少约35%，点击率自然虚高。
误判一：辛普森悖论。整体点击率上升，分组看却都在下降。例子：A渠道曝光10万点击5000（5%），B渠道曝光1万点击800（8%）；次日A降到4.5%、B降到7%，但B的流量占比从9%涨到30%，整体反而从5.3%升到5.4%。按渠道分组看，才能发现两个渠道都在变差。
误判二：均值掩盖分布。人均停留时长从45秒涨到52秒，看着不错。看分位数：P50从30秒降到28秒，P90从120秒涨到150秒。少数长停留用户拉高了均值，多数人体验变差。报告里均值、P50、P90三个数一起给，缺一个都可能误导。
误判三：相关当因果。数据显示用了收藏功能的用户，7日留存高18个百分点。但很可能是活跃用户才去收藏，而不是收藏导致留存。验证方法：看收藏前一周的留存差异，如果两组本来就差15个百分点，功能带来的增量只有3个百分点。或者做实验，随机给一半用户展示收藏入口。
对比一下两种口径：UV口径和PV口径。同一功能，PV口径点击率6.2%，UV口径只有3.1%，差一倍。原因是一个用户多次曝光多次点击，PV把重度用户放大了。对外汇报统一用UV口径更稳，内部迭代可以两个都看。
操作建议：1）指标定义写清分子分母与统计周期；2）重要结论必须分组复核；3）均值配分位数；4）相关性结论标注“非因果”；5）口径变更留版本记录，改版前后至少并行跑7天双口径。
一个真实案例：某活动页转化率报出12%，远高于日常3%。查下来是把“点击领券”和“下单”混在一个分子里，实际下单转化只有2.8%。分开统计后，领券到下单的转化率是23%，才是真正该优化的环节。
数字底线：任何超过基线2倍的指标突变，先怀疑口径，再怀疑业务。这个习惯能挡掉八成假信号。
