做了812个图表，79%的指标仍不在页面上 — 仪表板之外的问题
我们拆解了6个品牌的自定义仪表板。各品牌创建的图表从11个到812个不等，相差73倍；但实际用到的度量中位数仅为12.4%，维度中位数仅为3.9%。无论做多少仪表板，预先做好的页面只能回答预先想到的问题。
我们拆解了6个品牌的自定义仪表板。各品牌创建的图表从11个到812个不等，相差73倍；但实际用到的度量中位数仅为12.4%，维度中位数仅为3.9%。无论做多少仪表板，预先做好的页面只能回答预先想到的问题。
6家电商品牌 · 全量盘点自定义仪表板 · 涵盖多个品类。每个章节都同时注明了在Laplace中查看该数据的页面和设置。
本报告中的数据并非真实交易数据，而是根据Laplace基准指标的分布生成的示例值。它们并非任何特定客户的真实数据，请将其用于把握趋势，而非作为绝对值参考。
PART 01 · 先做自查 — 问题不在于“仪表板够不够”
-
从想到“我想知道这个数字”到真正看到答案，平均需要多长时间？（立刻/几个小时/第二天或更久）
-
上个月的会议中，有多少议题最后以“这个得看了数据才知道”收场？
-
遇到仪表板上没有的问题时，由谁来给出答案？那个人不在的时候怎么办？
-
最近有没有一再推迟分析需求，最终凭感觉做了决定的情况？
关键不在于仪表板的数量。决定团队数据应用水平的，是遇到仪表板上没有的问题时的处理速度。而正如下一章所示，“仪表板上没有的问题”不是例外，而是大多数。
| 研究 | 已证实的数字 |
|---|---|
| Anaconda · Crowdflower | 数据工作时间的45–80%用于数据收集与清洗 |
| IBM | 85%的数据负责人表示，基于过时数据做出的决策造成了成本损失 |
以上都是别人的数字
接下来要看的页面 — 统计仪表板实际覆盖了多少。›
PART 02 · 第一要点 — 图表做得再多，覆盖率也上不去
本报告中的数据并非真实交易数据，而是根据Laplace基准指标的分布生成的示例值。它们并非任何特定客户的真实数据，请将其用于把握趋势，而非作为绝对值参考。
在Laplace中查看 — 自定义仪表板 › 文档列表
| 创建的图表数（中位数） | 用到的度量占比（中位数） | 用到的维度占比（中位数） | 图表最多的品牌的度量覆盖率 |
|---|---|---|---|
| 146个 | 12.4% | 3.9% | 21.5% |
| 品牌 | 品类 | 图表数 | 用到的度量 | 覆盖率% | 用到的维度 | 覆盖率% | 前2类图表占比% |
|---|---|---|---|---|---|---|---|
| 品牌A | 护肤 | 178 | 84 | 12.1 | 94 | 6.1 | 52.4 |
| 品牌B | 美容仪器 | 812 | 149 | 21.5 | 108 | 7.0 | 69.3 |
| 品牌C | 护肤 | 131 | 88 | 12.7 | 51 | 3.3 | 58.1 |
| 品牌D | 保健食品 | 81 | 101 | 14.6 | 71 | 4.6 | 61.7 |
| 品牌E | 时尚 | 162 | 49 | 7.1 | 38 | 2.5 | 46.2 |
| 品牌F | 宠物用品 | 11 | 17 | 2.4 | 12 | 0.8 | 72.7 |
覆盖率 = 仪表板中实际用到的度量（维度）÷ 全部可用的度量（维度）。全部以694种度量、1540种维度为基准。
如何解读这些数字
接下来要看的页面 — 用图直观看看未被覆盖的区域有多大。›
PART 03 · 大部分指标都没人在看
如何解读这些数字
连问题的形态都被限制了
接下来要看的页面 — 那么，该问些什么。›
PART 04 · 拿来就能用的12个问题
本博客介绍过的分析 — 净利润率 · 贡献利润 · 确认销售额差距 · 滞销库存 · 边际ROAS — 都可以变成一句话的问题。它们正是上一章灰色格子里的内容。
| 领域 | 可直接复制使用的问题 |
|---|---|
| 销售 · 渠道 | 用表格对比上个月各渠道的净销售额和利润率。展示本周销售额与上周同一天相比有何不同。并列展示最近90天销售额前10名商品的贡献利润排名。 |
| 客户 · 复购 | 按月展示首购客户转化为二次购买的比率趋势。对比评价多的商品和没有评价的商品最近90天的客单价。高等级客户的销售贡献占比在如何变化？ |
| 广告 · 促销 | 按活动并列展示ROAS和POAS，并指出排名发生变化的活动。计算上次促销期间当日销售额与确认销售额之间的差距。如果有商品的销售额相对广告费开始增长放缓，请告诉我。 |
| 库存 · 运营 | 列出最近90天出库为0但库存金额较大的SKU。告诉我按当前销售速度30天内会断货的商品。检查各渠道是否有退货率比平时异常升高的商品。 |
好问题的三个条件
接下来要看的页面 — 拿到答案之后的事更重要。›
PART 05 · 陷阱 — 处理AI回答的原则
陷阱① 先确认口径是否一致
这是本博客反复出现的问题 — “销售额”是按下单时点还是按确认口径、是否含增值税、是否已扣除退款。AI给出答案后，请先确认它是按什么口径计算的，再看数字。口径不同，答案并不是错了，而是另一个问题的答案。
陷阱② 第一次看到的结论，再拆分一次
汇总数字会掩盖个别信号，这一点也已被反复证实。AI回答“整体来看是这样”时，请再追问一次“按渠道拆开再看”、“按商品拆开再看”。一次追问就推翻结论的情况并不少见。
陷阱③ 区分因缺少数据而得不出的答案，和有数据却没得出的答案
未对接的渠道、未登记的成本、未匹配的广告费 — 没有原料，AI也做不出答案。如果答案看起来不对，在换个问法之前，先检查该指标的原料是否齐备。这也是本博客的每篇报告都会先写明“前提条件”的原因。
| 检查项 | 确认方法 | 如果不做 |
|---|---|---|
| 销售额口径 | 追问回答中使用的指标定义 | 得到的是另一个问题的答案 |
| 汇总维度 | “按渠道/按商品拆开再看” | 个别信号被汇总数字淹没 |
| 原料状态 | 成本、广告匹配率，渠道对接状态 | 基于空数据算出的答案 |
| 时间段 | 问题中是否写明了时间段 | AI随意选择时间段 |
| 是否常态化 | 反复提出的问题升级为仪表板 | 每次都要重新问同样的问题 |
总结 · 四句话
-
图表数量与覆盖率并不成正比。即便是创建了812个图表的品牌，也只用到了21.5%的度量和7.0%的维度。
-
大部分指标都没人在看。度量覆盖率中位数12.4%，维度覆盖率中位数3.9% — “仪表板上没有的问题”不是例外，而是常态。
-
连问题的形态都被限制了。表格和柱形图占57.6% — 做起来麻烦的分析形式，从一开始就不会成为页面。
-
解决之道不是做更多页面，而是不需要页面就能得出答案。然后只把反复被问到的问题升级为仪表板即可。
复现设置 · 如何测算自家品牌的覆盖率
| 项目 | 取值 | 原因 |
|---|---|---|
| 分子 | 仪表板中实际用到的不重复度量、维度数 | 同一指标用在多个图表中也只计为1 |
| 分母 | 分析页面中可选的全部度量、维度数 | 随品牌的数据对接状态而变化 |
| 图表类型 | 各类型的数量占比 | 确认问题的形态是否受到限制 |
| 同时关注 | 最近30天实际打开过的仪表板数 | 做出来的和真正在看的是两回事 |
| 解读 | 覆盖率低本身不是问题 | 它衡量的是预先制作这一方式的结构性局限 |
FAQ · 常见问题
Q. 覆盖率低的话，是不是应该多做些仪表板？
不是。在本次样本中，即便是创建了812个图表的品牌，覆盖率也只有21.5%。这不是靠多做就能解决的问题。需要的是一条不依赖页面就能获得答案的路径，以及只把反复出现的问题升级为页面的顺序。
Q. 为什么维度覆盖率特别低？
因为度量很容易更换，但拆分维度会固化成习惯。维度往往固定在渠道、商品、时间段，支付方式、流量来源、客户等级等维度连尝试都没有。这也是为什么只要在提问时写明“按哪个维度拆分”，就能带来新发现。
Q. AI的回答可以信到什么程度？
比起数字，先确认口径：用的是哪个指标定义、哪个时间段、哪个维度。对于第一次看到的结论，请再拆分一次加以确认 — 汇总掩盖个别信号的问题，已在本博客中被反复证实。
Q. 答案看起来奇怪时，应该换个问法吗？
先看原料，再看问题。如果成本未登记、广告未匹配、渠道未对接，无论怎么问都得不出答案。每篇报告中的“前提条件”就是这份清单。
参考资料：Anaconda · Crowdflower 数据工作时间调查 · IBM 数据负责人调查
本报告中的数据并非真实交易数据，而是根据Laplace基准指标的分布生成的示例值。它们并非任何特定客户的真实数据，请将其用于把握趋势，而非作为绝对值参考。公开研究数据已在各项中注明出处。页面名称和设置项名称可能因版本不同而略有差异。