Shopee数据粒度：切到多细才合适

粒度指的是什么

粒度就是合起来的范围。你在页面上看到的每一个销量数、转化数、评价数，背后都先有一个范围：这个数是算给谁的。范围是整店，它是把店里所有商品的表现合在一起；范围是类目，它是把这个类目下的商品合在一起；范围是单条商品，它就只算这一条。

范围可以一层一层往下展开。整店算第一层，类目算第二层，商品算第三层，商品里的规格编号算第四层。往上加一级是把下面几项合起来，往下拆一级是把上面那个数分成几块。同一个生意在这四层上各有各的数，这四个数不是同一件事的四种说法。

粒度同时决定了分母。看转化的时候，分母是进来的人数；看评价率的时候，分母是下单的人数；看单条商品的评价率，分母就只剩这一条的下单人数。分母跟着范围一起缩小，所以数字看上去还是那个数字，它代表的东西已经换了一层。

粒度里还藏着一个容易被忽略的东西：汇总方式。同一个范围里的几条商品，合起来可以是加总，可以是求平均，也可以是取中间那个数。加总适合看总量，平均适合看水平，取中间那个数适合排除极端值的影响。同一层换一种汇总方式，得到的数就换了含义。

拿一个具体的场景来说。你在后台看到一个数，这个类目上月卖了三千件。这句话里其实至少有三个不同的对象可以被指：整店卖了三千件，这个类目卖了三千件，这个类目里某一条卖了三千件。写这句话的时候如果不把对象写出来，看的人会各自默认一种。

顺一下这几层是怎么接起来的。整店是第一层，它下面按类目分成几块，每一块再按商品分成几条，每条商品再按规格编号分成几个选项。往上加一级是把下面那几项合起来，往下拆一级是把上面那个数切成几块，同一批生意在这几层上各有一份自己的数。

层还会顺带决定分母是谁。看转化率，分母是进来的人；看评价率，分母是下单的人；看单条商品的评价率，分母就只剩这一条的下单人数。分子看上去还是那个样子，分母已经换了一批人，所以同一个百分比在不同层上说的不是同一件事。

还有一件容易漏的事是合起来的方式。同一层里的几条，可以加总，可以求平均，也可以取中间那个数。加总看的是总量，平均看的是水平，取中间那个数是为了避开极端条目的影响。同一层换一种合的方式，得到的数就换了一个意思。

层还有一个不写在表面上的属性，就是它的稳定程度。整店的数每天都有，不会缺；规格层某些选项一个月才动一次，中间大段时间是空的。这个差别不是数据质量的问题，而是这一层本来就这样。选层的时候要先接受它，别指望某个层天天都有动静可看。

把这几件事放在一起，能看出粒度不是精度问题，而是对象问题。它回答的是这个数算给谁，而不是这个数算得多准。一个数算得再准，如果算的对象不是你要问的那一个，它对你就没有用；反过来，一个数看着粗，只要对象对，它就能直接支撑一个动作。

有一个具体的对照可以帮人记住这一层。看这个月要不要加投入，你手上是整店的量、类目的量、还是某几条的量，这三个数给出的答案不一样，而且没有一个能被另一个替代。混着用的时候，最容易发生的事是拿一个层的数去支撑另一个层的动作。

把粒度这个词落到一个句子上的时候，会发现它其实是在补一句省略掉的话。你说这个类目卖了三千件，完整的说法是整店里的这个类目、在上月这个时间段、合计三千件。三个短句平时被省掉了，省掉之后同一句话就留出了好几种解释的空位。

这四个缺项里，粒度是最容易漏的一个，因为它不像站点和时间那样有一个明确的名字。站点是哪一个、时间是哪一段，都有现成的词可以填；层是哪一层，平时没有一句话专门用来交代它，所以它最常被跳过，也最难在事后被追溯。

于是一个很实际的建议是，把层写进日常的说法里。说数的时候带上整店或者这个类目或者某一条，句子只长了几个字，但看的人不用猜，过一个月回来看的自己也还记得当初说的是哪一层。

还有一层含义是粒度决定了什么算一个对象。三条规格合成一条商品算一个对象，分开算就是三个对象。同一批货到底是一个还是三个，取决于你怎么切，而这个决定会一直影响后面所有的计算和比较，包括你自己记录时数的条数。

层不是先定下来再去找问题，它跟着要回答的那件事一起定

粒度越细是不是越好

直觉上细一点更好，因为细不会漏掉东西。整店一个数看不出是哪几条在动，切到商品一层就看得出来。这个直觉在找问题时确实有用，但它只在一种前提下成立：那些更细的格子里得有足够的量，否则你看到的差别可能只是几个数的抖动。

切细的第一个代价是每格变小。一个类目上月的量分到二十条商品上，平均一条的量本来就不大；再分到规格上，很多格子里只剩个位数。个位数的格子今天多一个明天少一个，波动幅度看着比整店大得多，但那个波动本身没有信息量，它就是小数字的表现形式。

第二个代价是格子的数量暴涨，需要看的对象一下变多。整店一个数一眼看完，商品一层可能几十条，规格一层可能几百条。人一次能认真看的对象数量有限，格子多到超过这个限度时，你只会挑几个看，剩下的等于没看，而挑的那几个很容易是最显眼的，不是最该看的。

第三个代价是维护成本。越细的层越要求上游一直保持同一套口径：命名统一、类目归属不乱改、规格编号的编法不变。任何一处上游变动，都会让细层的历史数断成两截。粗层对这种变动的容忍度高，因为它把很多东西合在一起，个别变动被平均掉了。

细的好处是可以把问题定位到具体对象上。整店一个数看不出是哪几条在动，切到商品一层就看得见。这个好处是实打实的，找问题的时候必须往下走，停在一个合起来的数上只能知道有变化，说不出变化在哪里。

但细有一个前提条件：那些更细的格子里得有足够的量。一个类目上月的量分到二十条商品上，平均一条本来就不多；再分到规格上，很多格子只剩个位数。个位数的格子今天多一个明天少一个，看起来波动很大，其实是小数在大数面前本来的样子。

格子变多的代价也很直接。整店一个数一眼看完，商品一层可能几十条，规格一层可能几百条。人一次能认真看的对象通常是个位数到十几个，格子多过这个数，你就只能挑几个看，而挑的标准往往是哪个最显眼，不是哪个最该看。

细层还要上游一直维持同一套口径。命名要统一，类目归属不能乱改，规格编号的编法要保持不变。任何一处上游一动，细层的历史就断成两截。粗层对这种变动的容忍度高，因为它把很多东西合在一起算，个别变动被摊平了。

还有一个不常被提起的代价，是细层把比较的对象换掉了。切到商品一层之后，你要比的不再是这个类目和别的类目，而是这条和那条。同一个类目里的两条商品，上新时间、价格带、主图风格都不一样，把它们并排放在一起比，比出来的差别未必说明哪一条更好。

所以细层的正确用法是查，不是比。它适合用来回答这一条为什么和上个月不一样、这一条的量集中在哪几天。它不适合用来排优先顺序，因为排顺序需要有可比性，而细层里的对象天然不同质，硬排出来的名次经不起推敲，换个星期可能就换了个顺序。

有一个折中的做法是先粗后细。先用粗层看方向，看到某一块在动，再往下切到那一块里去看是哪几条。这种做法让细层只在你已经知道要问什么的时候才被打开，避免了一上来就面对几百个格子、最后只能挑几个看的那种状态。

还有一点值得提，就是细层的结论不容易被复核。你在商品一层看到一条商品最近在往上走，想复核这件事，得把它的价格、评价、第一次看到它的时间都对一遍，看这一条和同类的差别在哪。粗层的一个结论，往往用同一层的另一个数就能对上，复核的成本低得多。

这个差别会影响结论的使用方式。不容易复核的结论只适合自己用，很难交给别人执行，因为对方没法自己确认一遍。要往下传的判断尽量落在能被复核的层上，把细节留在自己手上，这样传出去的指令才不会因为理解不同而变样。

所以判断一个层选得对不对，可以再加一个小问题：这个层上的结论，我能不能用同一层的另一个数去验一遍。能验，说明层选得合适；验不了，要么是层太细，要么是这个结论本身缺少可比的对象。

层越往下走，格子里剩的东西越少，能读出来的差别反而越少

切太细会遇到什么问题

最直接的问题是噪声盖住信号。拿单日的数看，一家店今天卖了十几件和昨天卖了八件，这个差别可能只来自一个买家一次多买了两件。这类差别每天都有，方向还随机。当你把观察的单位缩小到一天一条，你看到的绝大部分变化都属于这一类。

第二个问题是大面积的空格。切到很细的层之后，多数格子里没有数或者只有个位数，你要花时间区分哪一格的空白是真的没有发生，哪一格是量太小显示不出来。这一层里的「零」和粗层里的「零」不是一个意思，后者往往真的意味着没有动静。

第三个问题是明细层没有平均这个保护。粗层里的一个数把很多条合在一起，单条的异常被摊薄了；明细层直接面对每一条，一条跑偏就足以把这一格的表现带跑。所以在明细层看到一个反常的数，先要问的往往是这一条本身是不是特殊，而不是这一层出了什么新规律。

第四个问题是越细越容易产生发现了规律的错觉。格子多了之后，总有一些格子会显示出很整齐的增长或者很陡的下滑，这种整齐在小样本里出现的概率不低。看的人容易挑出这几个格子上报，那些平滑的格子反而没人提，时间久了会以为细层更灵敏，其实是更爱出幻觉。

第一个问题是噪声盖住信号。拿单日的数看，一家店今天卖十几件、昨天卖八件，这个差别可能只来自一个买家一次多拿了两件。这类差别每天都有，方向还是随机的。当你把观察单位缩到一天一条，你看到的大部分变化都属于这一类。

第二个问题是大面积的空格。切到很细的层之后，多数格子里没有数或者只有个位数，你得花时间去区分哪一格的空白是真的没发生，哪一格是量太小显不出来。细层里的零和粗层里的零不是一回事，后者的零往往真的意味着这一段没有动静。

第三个问题是明细层少了平均这道缓冲。粗层的数把很多条合在一起，单条的异常被摊薄了；明细层直接面对每一条，一条跑偏就足以把这一格的表现带跑。所以在明细层看到一个反常的数，先要问的是这一条本身是不是特殊。

第四个问题是越细越容易产生发现了规律的错觉。格子一多，总有几个会显示出很整齐的上涨或者很陡的下滑，这种整齐在小样本里出现的概率不算低。看的人容易把这几个格子挑出来讲，那些平滑的格子没人提，久了会以为细层更灵敏。

第五个问题是细层的数据会让人产生紧迫感。单条商品的量每天在动，评价每天在涨，这些变化看得见、更新得频繁，很容易让人觉得每天都有事要做。而真正重要的事往往在更粗的层上，变化慢、看不出起伏，也不会有提醒。

第六个问题是细层的异常最难解释。粗层出现一个反常的数，你能往下切去找原因；细层出现一个反常的数，你已经到底了，再往下就是这一条当天的具体情况。这时候你只能靠回想那天发生了什么，而回想出来的原因通常无法验证，也就无法用来改下一次。

有一类细层的错误特别隐蔽，就是把空格当成结论。某个规格这一周没有任何成交，你可能会得出这个规格不受欢迎这个判断。但空格也可能只是量太小还没轮到它，或者这一条最近没被推到曝光位上。从空格里读结论，读到的往往是自己的猜测。

还有一个问题是细层的数不适合用来做时间上的比较。同一条商品在这个月和上个月的表现，会因为它在页面上的位置、同类竞争的多少、评价积累的阶段而完全不同。这些因素在细层里都没被写出来，两个月的数放在一起，差别里混着这些看不见的原因。

应对的办法是把细层当描述用，不当结论用。描述一条商品这一段发生了什么，细层很合适；从它推出这一条以后会怎样，就不合适了。细层给的是这一条过去的样子，不是它接下来的走势，这两件事之间隔着很多不在数里的因素。

有一句话可以常提醒自己：格子越细，格子里的事情越需要解释。粗层的一个变化可能有十种解释，细层的一个变化可能有三十种。解释变多了，不代表判断变容易了，往往只是把选择权交回给了看数的人自己。

最后一个问题是细层会让人把注意力花在解释上而不是判断上。格子多了之后，每一格的起伏都需要一句解释，解释这件事很占时间，而解释完往往得不出可执行的结论。粗层给你的是一句可以直接对照现状的话，细层给你的是一串需要再想的东西。

切太粗会漏掉什么

粗层漏掉的第一样东西是内部的抵消。两个方向相反的变动合在一起，可能刚好互相抵掉，粗层的数看上去纹丝不动。比如这个类目里有一块在涨、另一块在跌，整店的数持平，只从那个持平看，你会得出这个类目很稳这个结论。

第二样被漏掉的是平均背后的分布。同一个平均值可能对应两种完全不同的样子：一种是每一条都差不多，另一种是一两条特别高、其余都很低。这两种情况的应对办法完全不同，而平均值把它们显示成同一个数，你从这一个数里分不出自己是哪一种。

第三样是结构变化。新上的款和老的款在同一个类目里合着算，看上去占比没有大变化，但实际上新款的比重可能已经换了一半。整店的数看不出这一层，因为这个数只记量不记这批量是从哪些款来的。结构变了而数字没变，是最容易被放过的一种变化。

第四样是责任的归属。粗层的数不好看，你没法从它知道是哪一条拖累了整体，也无法判断该动哪一条。要下动作的时候必须下沉，因为动作只有一个落点：改价改的是某一条，换图换的是某一条，粗层里没有动作可以落的地方。

粗层漏掉的第一样是互相抵消。两个方向相反的变动合在一起，可能刚好抵掉，粗层的数看上去纹丝不动。这个类目里有一块在涨、另一块在跌，整店的数持平，只从这个持平看，得到的是这个类目很稳这个结论，而底下其实正在换结构。

第二样被漏掉的是平均背后的分布。同一个平均值可能对应两种完全不同的样子：每一条都差不多，或者一两条特别高、其余都很低。这两种情况该用的办法完全不一样，而平均值把它们显示成同一个数，从这一个数里分不出自己是哪一种。

第三样是结构变化。新款和老款在同一个类目里合着算，占比看上去没什么变化，但实际上新款的比重可能已经换了一半。粗层的数只记量不记这批量是由哪些款凑起来的，结构换了而数字没换，是最容易被放过的一种变化。

第四样是责任的归属。粗层的数不好看，你没法从它知道是哪一条拖累了整体，也判断不出该动哪一条。要下动作的时候必须往下沉，因为动作只有一个落点：改价改的是某一条，换图换的是某一条，粗层里没有动作可以落的地方。

还有一样是时序上的东西。粗层的数通常按较长的时间段出来，月度的汇总看不出月中哪几天出了状况。等到月度结束发现不对，那些当时可以处理的异常已经过去了两三周，能做的只剩下事后归因，能改的空间已经被时间吃掉了。

另一样是不同对象的节奏差。同一个类目里，有的款是慢热型，摆上货架一个月才开始走量；有的是快起快落型，头两周是它全部的寿命。合在一起算的时候，这两种节奏互相冲抵，粗层的曲线看上去很平滑，你看不出这个类目其实同时在跑两种模式。

有一个判断能让这件事变得具体：看粗层那个数不动的时候，你心里是安心还是没底。如果是不安，说明你其实不知道底下在发生什么，只是被那个不动安慰了。这种情况下最该做的不是继续看那个数，而是往下切一层，看看不动是稳定的不动，还是两边在互相抵。

还有一样漏掉的是量集中在哪里。整店三千件这个数里，可能一半集中在一条上，也可能平摊在三十条上。这两种情况下这个类目的性质完全不同，前者是单品生意，后者是组合生意，能用的动作也不一样，而粗层这个数把它们显示成一模一样的两个三千件。

这一条和前面说的那个平均值的差别在于，平均值说的是水平，集中度说的是分布的形状。水平可以一样而形状差很远，形状决定了这个类目能不能只靠一条撑着，也决定了某一条掉了之后整个类目会掉多少。

所以往下切之前先问一句：这个数是不是集中在少数几条上。如果是，往下切是很划算的，因为看清那几条就看清了大半；如果不是，往下切的收益就小，可能只需要看类别或者规格这类可以归并的层。

还有一样漏掉的是那一部分量最小的对象。合起来的数从来不会告诉你角落里那几条是什么状态，而问题往往就藏在这些容易被忽略的条目里。它们量小，不影响整体的走向，却常常是某个款式或者某个规格的真实反馈。

按什么标准决定粒度

标准只有一条：你要回答哪个问题。问的是这个类目值不值得继续投入，你要的是类目层和它的结构；问的是这一条该不该改价，你要的是商品层和它的价格位置。问题决定层，不是反过来先用最细的层去看，再决定问什么。

第二问是你要做什么动作。动作落在哪一层，数就切到哪一层。改一条商品的价格是商品级的动作，切到规格层只会让判断更慢；决定这个月资源往哪个方向放是类目级的动作，切到商品层只会让你看到一堆彼此无关的条目。动作的层和数的层对齐，判断才收得住。

第三问是这一层能不能看出差别。选层不是越细越有信息，而是要看在这个层上，好的和差的能不能被分开。如果切到规格层之后每个格子都只有个位数，好坏之间差几个数，这一层就分不出高下，它只是一张铺得更开的表，读数的时间反而更长。

定下来之后还要考虑时间这一段。同一层要连续看一段时间，短到一两周往往不够，因为小格子的波动需要时间被抹平。换了层就换了分母，前后两段的数不再可比，所以层一旦定下，至少要让它跑够一个完整周期再判断值不值得换。

还有一个实际的约束是人的注意力。一天能认真看的对象通常是个位数到十几个，一个层如果一次给你几百个对象，它其实在逼你抽样，而抽样是随机的还是按显眼程度来的，差别很大。层选到让你能一条条看完的规模，比选到最细的规模更有用。

标准只有一条：你要回答哪个问题。问的是这个类目值不值得继续投入，你要的是类目这一层和它的结构；问的是这一条该不该改价，你要的是商品这一层和它的价格位置。问题决定层，不是先切到最细再看能问出什么。

第二问是你要做什么动作。动作落在哪一层，数就切到哪一层。改一条商品的价格是商品级的动作，切到规格层只会让判断更慢；决定这个月资源往哪个方向放是类目级的动作，切到商品层只会让你看到一堆彼此无关的条目。

第三问是这一层能不能看出差别。选层不是越细越有信息，而是要看在这个层上好的和差的能不能被分开。如果切到规格层之后每个格子都只有个位数，好坏之间差几个数，这一层就分不出高下，它只是一张铺得更开的表。

定下来之后还要考虑时间这一段。同一层要连着看一段时间，短到一两周往往不够，因为小格子的波动需要时间才能被抹平。换了层就换了分母，前后两段不再可比，所以层一旦定下，至少要让它跑够一个完整周期再判断值不值得换。

还有一条不成文的标准是记录的成本。层越细，要维护的字段就越多，编码规则要一层层对上，命名要一直保持统一。这项工作按天做很轻松，中断两周之后再想接上就很难。选层的时候把自己实际能维持的记录频率想清楚，选一个能坚持住的。

另外还要看这个层能不能容纳一段时间的对比。有些层因为上游结构变动，历史只到某个月；有些层一直很稳，能往上翻一年。能翻多久，决定了这一层能不能支撑趋势类的判断。只能用两个月的层，适合用来看当下的结构，不适合用来看走向。

最后一条是自己给自己留出换层的余地。不要把全部记录都堆在最细的层上，因为最细的层最容易被上游改动打断。粗层稳、细层灵，两三层同时留着，将来要换的时候手上有东西可以接，不至于因为某一次归属调整而丢掉一整段历史。

还有一条要一起考虑的，是层和你实际能动的范围对不对得上。有些层上的事你动不了，比如整个站点的价格带是别人一起形成的；有些层上的事你随时能改，比如自己某一款的价格。数切在你动不了的层上，看完了也只能看着，判断落不了地。

这条标准会把层的选择收窄很多。把能动的对象列出来，再把这些对象对应的层找出来，通常只剩两三层。在这两三层里选一个能坚持记录、又能看出差别的，判断就定下来了，不需要再纠结是不是漏掉了更细的信息。

最后还要留一个回头看的习惯。层定下来之后，每隔一段时间问一次：当初定这一层时想回答的那个问题，现在还是最要紧的那个吗。问题变了层就该跟着换，不改的是换的时候要把时间点记下来，免得两段数被直接接起来。

有一条经验性的判断可以用：如果某个层给你的对象数量，是你一天之内能一条条看完的，就偏保守一点往下走一层；如果一层给的对象数是你一个月都看不完的，就往上收一层。层的选择按照能看完的规模来定，比按理论上的完整度来定可靠。

每一类用途都有一个对得上的层，站错层就只剩猜测

不同用途需要不同粒度

找候选款这一件事需要在商品层做。判断一条商品值不值得跟进，要看它自己的价格、评价积累的节奏、上新的时间点，这些都在单条上。放在类目层看，你只会看到这个类目在涨，涨的是哪几条、是新品带来的还是老品顶上来的，全都看不见。

看结构这类用途反而要往上走。某个站点的价格带怎么分布、这一类里高价和低价各占多少，这些问题在单条商品上是问不出来的，因为单条只有一个价格。要把价格带看成一个分布，必须把一批商品合起来，层不够粗就看不到分布的形状。

盯变化又需要另一层。你要看的不是这一刻的数，而是同几个对象在一段时间里的走向，所以层要固定在能被持续观察的那些对象上。知虾看到的正是可以持续盯住的那一层，它把站点、类目、商品这几级摆出来，让同一批对象可以隔一段时间再看一眼。

有一类用途需要两层一起用。判断这个类目还有没有空间，先用类目层看整体供需和价格分布，再用商品层挑几条具体的看它们的表现。只停在粗层会得到一句听起来都对但没有落点的话，只沉在细层会看到一堆条目却拼不出这一类的样子。

找候选款这件事要在商品这一层做。判断一条值不值得跟进，要看它自己的价格、评价积累的节奏、上新的时间点，这些都在单条上。放在类目这一层看，你只会看到这个类目在涨，涨的是哪几条、是新品带来的还是老品顶上来的，全都看不见。

看结构这类用途反而要往上走。某个站点的价格带怎么分布、这一类里高价和低价各占多少，这些问题在单条商品上问不出来，因为单条只有一个价格。要把价格带看成一个分布，必须把一批商品合起来，层不够粗就看不到分布的形状。

盯变化又需要另一层。你要看的不是这一刻的数，而是同几个对象在一段时间里的走向，所以层要固定在能被持续观察的那些对象上。把站点、类目、商品这几级摆出来，同一批对象才谈得上隔一段时间再看一眼。

有一类用途需要两层一起用。判断这个类目还有没有空间，先用类目层看整体供需和价格分布，再用商品层挑几条具体的看它们各自的表现。只停在粗层会得到一句听起来都对但没有落点的话，只沉在细层会看到一堆条目却拼不出这一类的样子。

还有一类用途是复盘，它需要的层和时间有关。复盘问的是这一个月做的事情有没有落在对的地方，所以要看的是同一批对象在这一个月前后的变化。这批对象必须在上个月和这个月都存在，否则没法比，而那些中途改过名、换过归属的对象就不在可比的范围内。

有一类用途容易被忽略，就是把判断的层和记录的层分开。判断可以在很粗的层上做，记录却要记到细层，因为粗层的数将来拆不开。今天只记了一个类目的总量，下个月想看看是哪几条在动，只能重新开始记。记录层往下留一级，以后能问的问题就多一层。

把这些用途排在一起，会发现多数人的日常其实是来回换层的。看方向在粗层，找问题在细层，下动作回到商品层。换层本身不麻烦，麻烦的是换的时候忘了标自己现在在哪一层，于是拿一个商品层的数去解释一个类目层的现象，两边对不上还以为是数据错了。

有一类用途是判断某一次动作有没有起作用，它需要的层要和动作的范围一样宽。改了一次价格只影响那一条，如果把观察放在整店，那一点变化会被其余商品盖过去；反过来，如果一次改动涉及整个类目的定价，只看一条也说明不了什么。

还有一类用途是给自己设一条线，比如某个类目降到什么程度就不再投入。这类线要设在能长期观察的层上，因为线是要拿来对照的，层如果中途断了，线就没有参照。设线的时候顺手把层写下来，以后回看才不至于拿一个新层的数去对一条旧线。

把用途排一遍之后会发现，日常真正需要天天看的层通常只有一个，其余几层是按需打开。天天换层去看，等于天天换分母，昨天的印象没法用在今天。定一个常看的层当底子，是这个习惯里最省事的做法。

还有一类用途是和自己比，它需要的层要能跨过较长的时期。和自己比问的是同一个对象这半年在往哪走，所以这个对象必须在半年里都在。中途换过名、改过类目、下过架又上回来的条目，在这类比较里要先剔掉，留着它们会把走向搅乱。

层选对之后，白看的次数往下走，看得进去的问题往上走

粒度一变结论会怎么变

举一个显眼的人造示例。三家店凑成一个类目，甲店量大但单价低，乙店量小但单价高，丙店新开只占一点点。把三家合起来算，这个类目的平均单价落在中间一带，看上去很平稳。这是第一层看到的结论。

把层往下拆到店铺，同一个类目变成了三张脸：甲店一片薄利靠着量撑住，乙店靠单笔高价值维持，丙店的量还不足以说明任何事。这时候再问这个类目好不好做，答案取决于你要做的是哪一种，而合起来那个平稳的平均值把这个问题盖住了。

再往下拆到商品，同一家店里又有反转。乙店整体单价高，但它店里最走量的那一条其实价格很低，是拿它把人引进来，再靠别的款赚钱。只看店铺层，你会以为乙店走的是高价位路线，据此去模仿它的定价，方向从一开始就偏了。

这三层给出三句不同的话，而且都不算错。区别在于它们回答的是不同的问题：混合层回答这个类目整体什么水平，店铺层回答这几种做法各自长什么样，商品层回答某一家具体靠哪一条在支撑。把三句话当成同一句话的三种说法，才会觉得矛盾。

粒度变了结论跟着变，还有一个原因在权重。合起来算的时候，量大的那一家自然占的分量大，它的特点就会变成这个类目的特点。拆开之后每个对象自己算自己，权重被人为拉平了。同一批生意，换一次权重分配，排名就可能调个位置。

所以记录的时候要顺手把层写上。这个数算的是整店还是这个类目，是全部商品还是走了量的那几条，写清楚之后，过一个月回来看才不至于拿一个类目层的数去对另一个商品层的数。对不上的时候先看层，很多所谓的矛盾到这一步就解释完了。

举一个显眼的人造示例。三家店凑成一个类目，甲店量大但单价低，乙店量小但单价高，丙店新开只占一点点。三家合起来算，这个类目的平均单价落在中间一带，看上去很平稳。这是混合层看到的第一句结论。

把层拆到店铺，同一个类目变成三张脸：甲店一片薄利靠着量撑住，乙店靠单笔高价值维持，丙店的量还不足以说明任何事。这时候再问这个类目好不好做，答案取决于你想做的是哪一种，而合起来那个平稳的平均值把这个选择盖住了。

再往下拆到商品，同一家店里还有反转。乙店整体单价高，但它店里最走量的那一条其实价格很低，是拿它把人引进来，再靠别的款赚钱。只看店铺这一层，你会以为乙店走的是高价位路线，照着去模仿它的定价，方向从一开始就偏了。

这三层给出三句不同的话，而且都不算错。区别在于它们回答的是不同的问题：混合层回答这个类目整体什么水平，店铺层回答这几种做法各自长什么样，商品层回答某一家靠哪一条在支撑。把三句当成同一句的三种说法，才会觉得矛盾。

还有一个原因是时间段的层也跟着变了。拆到细层之后，很多对象在短时段里没有足够的量，你不得不把观察的时段拉长；时段一拉长，跨了一次大促或者一次换季，结论里就混进了别的变量。换层往往会顺手把时段也换掉，两处一起变，就分不清是哪一个造成的。

所以换层之前先把时段固定住。同一批对象、同一个时段，只在层上做一次变化，这样出来的差别才是层带来的。如果层和时段同时动，结果当然会不一样，但这个不一样没法用来支持任何判断，它只是两次不同的观察。

有一个很实际的办法能让这件事变清楚，就是每次记录都写上四个短词：哪个站点、哪一天、哪一层、多少样本。四样写全，过一个季度回来看，你会发现自己看过的其实一直是同一批数的不同切法，而当初以为的矛盾，多数在那四个短词里就已经解释完了。

还有一个原因是记录的人变了。同一个人连续记录时会对齐自己的习惯，换一个人接手，命名、归属、什么算有效都会有一点不同。这些不同在粗层上被平均掉，在细层上会一格一格地显出来，看上去像是这一层的数据出了问题，其实只是两个人在按各自的习惯记。

所以细层更适合一个人从头记到底，或者几个人先把规则写下来再一起记。粗层对这种差别容忍度高，交接时不用交代太多。如果这件事要换人做，尽量把要接的那一层放粗一点，把细层留作个人排查用，交接的代价会小很多。

把今天说的这些收成一句话：粒度这件事没有标准答案，只有对不对得上。对得上你的问题、你的动作、你能坚持的频率，它就是合适的层；对不上，再细也只是多出来的格子。看清这一条，同一个数在不同层上给出的不同答案就不再让人困惑了。

最后给一个可以试一下的做法。拿手上印象最深的一个数，往下切一层看看，再往上合一层看看，把三句话各写一句放在一起。三句放在一起看的时候，你会发现它们说的其实是三件不同的事，而当初那个纠结的地方，多半就来自把它们当成了一件事。

常见问题（FAQ）