某电商平台2023年一季度复盘，发现“点击率”在三个报表里分别是3.1%、2.4%、1.8%。同一个频道、同一周，差出1.3个百分点。查下来是三套口径：报表A按点击次数除以曝光次数，报表B按去重用户数算，报表C把预售商品的曝光剔除了。口径不统一，讨论排序效果就是各说各话。
曝光的定义要先定死。常见三种：接口返回成功、客户端渲染完成、用户屏幕可见超过1秒。2022年某资讯类应用的对比测试显示，接口口径曝光120万次，渲染口径98万次，可见口径81万次。三者对应的点击率分别是2.1%、2.6%、3.1%。对外汇报用哪个口径，必须在文档第一行写清楚。
点击的去重粒度影响很大。按“用户+商品+自然日”去重，某服饰频道点击率2.8%；按“用户+商品+小时”去重，变成3.4%；不去重，5.1%。同一批数据，三个数字。某团队在2023年4月做推荐排序对比时，实验组用小时去重、对照组用不去重，点击率差异被放大了近1倍，结论完全失真。
转化率的分子分母要对齐时间窗。用户10点点击、次日9点下单，按点击日归因还是按下单日归因，结果差很多。某家居平台2023年6月的测试中，点击日归因转化率1.6%，下单日归因1.3%。跨天订单占比约18%，这个比例在大促期间会升到30%以上。归因窗口写“点击后7天内下单”，比写“当日转化”更稳。
价格区间要单独切。某3C店铺整体转化率2.2%，拆开看：0到99元区间3.8%、100到499元区间2.4%、500元以上区间0.9%。如果不分层，推荐模型会过度偏向低价商品，因为它们在整体统计里贡献了大部分转化。2023年9月该店铺加入价格带特征后，高价位商品的曝光占比从11%升到19%，整体GMV提升4.7%。
常见错误还有两个。一是“空曝光”：商品下架后接口仍返回，曝光计数增加但不可能有点击，某平台因此点击率被稀释约5%。二是“机器人流量”：监控脚本每分钟请求10次，连续跑7天，某频道统计到约2.3%的曝光来自固定IP段，剔除后点击率从2.5%升到2.56%。比例不大，但在小流量场景里足以让A/B测试结论翻转。
数据统计的检查清单，5条：第1条，每个指标写明事件定义、去重键、时间窗、归因规则，四要素缺一不可；第2条，每天对比埋点日志与接口日志行数，差异超过0.5%就排查；第3条，报表里同时给绝对值和比率，只给比率容易被分母误导；第4条，分层报表至少切新老客和价格带两层；第5条，口径变更要走版本记录，旧报表标注“口径已更新”。
一个对照案例：两个团队看同一份数据，A团队说“点击率提升15%”，B团队说“点击率下降3%”。差别在A用了去重后的用户点击率，B用了未去重的次数点击率，而实验期间同一用户重复点击变多、去重用户没变。数据没错，是统计对象不同。先对齐“统计的是什么”，再谈“效果好不好”。
