某本地生活平台统计商家月订单量，均值是412单，中位数只有97单。运营按均值定考核线，要求商家月单量达到400，结果82%的商家不达标。分布严重右偏：头部3%的商家贡献了约45%的订单。考核线改成中位数的1.5倍即146单，达标率回到61%，商家流失率当月下降2.7个百分点。
第二个误判在客单价。某餐饮品牌看整体客单价58元，觉得还有提价空间，把套餐从58调到68。一周后GMV跌9%。拉分布一看，客单价中位数只有39元，58元的均值是被少数商务宴请订单拉高的，占比不到8%。主力客群对10元涨价极其敏感。均值告诉你钱在哪，中位数告诉你人在哪，两个都得看。
第三个案例更典型：配送时长。平台公布平均配送32分钟，用户投诉却集中在「等太久」。看P90是51分钟、P99是78分钟。平均值达标掩盖了长尾体验。改考核P90而不是均值后，超时投诉率从3.1%降到1.4%，代价是骑手人均接单量降了约6%，用增加12%的运力补上。
比例数据也有陷阱。某活动页转化率整体4.2%，拆开看新用户2.1%、老用户6.8%。新用户占比从30%涨到55%后，整体转化率跌到3.4%，但分群看两个群体都没变差，纯粹是结构变化。这叫辛普森悖论，做分组对比时一定要同时看分组指标和分组占比。
第四个误判：留存率算法不统一。有的团队算次日留存用「第2天活跃/第1天新增」，有的用「第2天活跃/第1天活跃」，后者分母包含老用户，数值天然高。两个团队各自报表放一起，同样的产品一个7日留存28%、一个41%，开了三次会才发现口径不同。统一口径写成文档，字段名带上分母定义，比如ret_d7_newuser。
第五个：缺失值当零处理。用户年龄字段缺失率约18%，直接填0后算平均年龄变成29岁，实际去掉缺失是34岁。缺失不是随机的话，填0会系统性拉偏。做法是分两列：一列标记是否缺失，一列填中位数，模型自己学缺失模式。
第六个：环比和同比混用。某生鲜平台2月销售额环比跌22%，运营慌了。实际是春节错位，去年春节在2月、今年在1月。看同比只跌1.3%。季节性强的业务，环比只能做短期监控，判断趋势必须用同比，且至少看连续12个月的同月数据。
这些错误有个共同点：数字本身没错，错在用一个数概括了一个分布。实操建议是任何指标上报时强制带三件套：均值或比例、中位数或分位数、样本量。三个数放一起，多数误判在报表阶段就能被发现。
