某零售企业有张日均访问3200次的经营看板，含18个指标。2023年9月做数据治理审计，抽样核对6个核心指标，发现5个口径错误。修正总耗时23个工作日，涉及3个系统、2名数据工程师和1名业务分析师。
错误一：GMV含未支付订单。看板显示日GMV均值86万元，核对支付系统实际已支付72万元，虚高19.4%。原因是最初取数用了订单创建表而非支付成功表。修正步骤：①订单表按order_id关联支付表；②过滤支付状态为成功的记录；③退款订单按退款日期冲减。修正后日GMV均值71.8万元。
错误二：活跃用户按登录次数去重前先过滤。某日登录日志180万条，去重后42万人，但看板写51万人。差异来自过滤条件写在去重之后，把同一用户的多次登录算成多人。正确顺序是先按user_id去重再过滤异常账号，异常账号指注册7天内无任何行为的账号，约占3%。
错误三：转化率分母用曝光数而非访问数。商品详情页转化率看板写4.2%，实际用加购数除以曝光数；业务定义的转化率是加购数除以详情页访问数。两者差2.8倍。这类错误最典型，指标字典里必须写明分子分母和过滤条件，字典版本从v1.0升到v2.0，新增12条定义说明。
错误四：同比环比基准日不齐。看板把2023年9月（30天）和2022年9月（30天）直接比，看似没问题，但2022年9月有5天系统维护影响，日均低11%。修正为剔除维护日的可比口径，同比从+8.2%调整为+13.6%。常见错误是不看基准期异常事件就下结论。
错误五：金额单位混用。看板部分指标用元、部分用万元，导出Excel后汇总出错，一次月度汇报里GMV被放大1万倍。修正措施是看板层统一用元，展示层格式化，并在导出文件首行加单位说明。
概率上要关注小样本指标的波动。某新品类日订单30到50单，转化率在6%到14%之间跳动，看板未标注样本量，业务误判为「不稳定」。加样本量列后，规定日订单低于100单的指标标灰并附置信区间，区间用Wilson方法计算，比正态近似在小样本下更稳。
自检清单共9项，按优先级排序：①指标定义文档是否存在且版本化；②分子分母是否同源同过滤；③去重和过滤顺序是否正确；④时间窗口是否对齐自然日和时区；⑤单位是否统一；⑥样本量是否展示；⑦异常日是否剔除或标注；⑧同比环比基准是否可比；⑨是否有第二人复核记录。每项按0到2分打分，总分低于14分的看板不对外发布。
修正后看板访问量没降反升，日均到4100次，因为业务敢用了。审计成本约6.8万元，但避免了一次因GMV虚高导致的备货误判，该误判潜在损失约45万元。数据看板的价值不在指标多，而在每个数字都能追溯到定义、代码和复核人。
