Shopee销量与评价的转化比：异常比值的含义

这个比值正常在哪

拿一个常见的类目来看会更清楚。把里面二十来条长期在卖的链接各算一遍评价数与销量的比值，你会发现这些数并不是散落一地的，而是明显聚在某个范围里。这就是所谓正常区间的由来，它是观察出来的，不是谁规定的。

这个聚集背后有一个朴素的机制。买家买完之后要不要留评，是一个习惯动作，同一个市场里的买家习惯比较接近。卖服饰的多数人签收完就忘了，卖小家电的人愿意写两句使用感受，差别来自品类，而不是来自某一家店铺的运营水平。

价格会明显地影响这个比值。单价很低的东西，买家买完就当没买过，留评意愿不高；单价较高、需要比较和犹豫的东西，买家反而愿意留下评价帮后面的人做决定。所以低单价类目的比值普遍偏低，高单价类目普遍偏高。

新链接在比值上有一个阶段性的表现。刚上架那阵子销量先起来，评价要等买家收到货、用上一阵子才陆续出现，中间天然差着一大截。这个偏低是结构性的，不说明任何异常，等评价沉淀一两个月再看，它会自己往区间里靠。

还有一层来自展示口径。评价数在前台的显示方式有时候是分段的，过了一个整数关口才跳一下，所以在外人看来它像是长时间不动，然后突然多一截。这时候算出来的比值会在两个数之间来回，看到的跳动多半是显示造成的。

实操里的第一步是先定口径，再动手。把要观察的链接列出来，逐条确认这一次销量取的是哪个口径、评价数取的是哪个口径，写在表格的固定列里。这一步花不了多少时间，却能省掉后面反复解释为什么数字对不上的麻烦。

第二步是统一时点。所有链接的销量和评价数在同一时间段内取完，不要今天取五条、下周再取另外五条。时点一散，比值里的时间差就说不清，后面做趋势对比时会出现莫名其妙的起伏，非常难排查。

第三步是给每条链接标上生命周期。是新上架、稳定在卖，还是已经在走下坡，这个标签比比值本身还重要。同一个比值放在新链接和老链接上，解读方向相反，没有这个标签，后面的判断就缺了地基。

第四步是分档记录而不是逐点盯着。把比值分成低、正常、高三档，每期只记它落在哪一档。这样做损失了一点精度，换来的是判断的稳定性。盯着小数点后两位的波动，只会把人耗进去，还看不出真实的变化。

第五步是攒样本。前一两期先不下结论，把观察到的比值都记下来，攒到二十几条之后再排序看分位。基准是从自己的观察数据里长出来的，别人给的区间只能当参考，自己攒出来的那套才贴合实际情况。

举一个具体的例子。有一家做厨房小件的店铺，平时比值一直落在自己所在区间内。有一周突然掉到区间下沿外面，第一反应是遇到了异常。查下来那一周上了三条新品，新品销量先进来了评价还没跟上，把整体水位拉低了，剔除新品之后就回到了原来的位置。

还有一个反过来的例子。某一期比值忽然蹿高，看着像捡到了好事。追下去发现是那一期改用了不同的取数口径，销量取了近三十天而评价数取了累计总数，两个数跨着好几年在相除。改回统一口径之后，比值就落回去了。

边界条件是样本很少的类目。有些细分类目整个在卖的链接也就十来条，样本少到区间算不稳，同样二十条链接在不同月份能算出差别不小的区间。这时候更适合只用中位数做参考点，不去划太细的边界。

另有一个边界是季节性很强的类目。旺季和淡季在卖的链接结构不一样，用全年的数据建一个基准，结果旺季的时候大部分链接都触发偏离，看着一片报警。按旺淡季分别建两套基准，这个问题就化解了。

还有一个容易忽略的细节是评价数的显示方式。有些入口显示的是取整后的数，过了一个整数关口才跳。这意味着你两次取数之间评价数可能一点没变，然后下一次跳一大格。算比值的时候要意识到这个台阶，别把台阶当成异常。

比值本身不难算，难的是算之前先把两个数的时点对齐

比值偏低的几种解释

最常见的一种是评价沉淀滞后。销量是下单那一刻产生的，评价要等到收货、体验、愿意动手写，中间隔着少则一周多则一个月的距离。一段销量快速增长的时间里，分子追不上分母，比值一定偏低，这是节奏问题不是异常。

另一种是冲量。销量曲线在很短的时间里陡然上去，而评价数几乎没有相应增长，两者的形态完全对不上。真实的爆量多少会带来一批评价，哪怕是延迟的；如果连延迟的评价都没有，那批销量的来源就值得打个问号。

链接里挂了多个规格的情况也会拉低比值。同一个链接下面的红色、蓝色、大码、小码，销量是加在一起算的，但买家的评价是写在这条链接上的。规格越多，单个评价被分摊到的销量就越多，比值自然比单规格链接低一截。

退货集中出现时也会拉低。买家退了货，通常不会再回来写评价，而退货的那部分销量如果还留在累计销量里，分子不动分母照涨。一段退货高发期过去之后，比值会留下一个明显的坑，过一段才慢慢填平。

还有一种是评价入口或展示被调整。比如某个时期新评价的展示变少，或者入口位置变了导致留评的人变少。这类原因在数据上表现为评价增长突然停住，而销量照常走，比值一路向下，跟前面几种的形态很不一样。

排查偏低有一个固定的顺序，从最省事的查起。第一项先看口径，确认销量和评价数是不是同一时间跨度取的。这一项用一两分钟就能确认，而且相当一部分莫名其妙的偏低都出在这里，查完再往下走。

第二项看这条链接的年龄。如果上架还不满三个月，偏低基本可以解释掉，直接记下阶段标签，拉长窗口再看，不必往下查。这是最常见的一种，也是最快能被排除的一种，放在顺序第二位很划算。

第三项看规格数量。打开链接数一数下面挂了几个颜色几个尺码，规格越多，评价被分摊得越薄，比值就越低。这条查完如果成立，可以在记录里把规格数一并记下，后面做同类对比时好控制变量。

第四项看最近的评价增长形态。把最近几期的评价数拉出来看，如果是一路平着不动，那不像是沉淀滞后，更像是展示或入口出了问题。平着不动和缓慢增长，指向的原因完全不同，这一步靠形态就能分开。

第五项才是核对销量本身。前面四项都排除之后，再回头看销量曲线是不是自然，增长有没有配套的流量来源和评价延迟。走到这一步说明前四项都不成立，剩下的可能性已经不多，重点看那批销量的来源。

有一个真实的场景，某条链接的比值连续几期贴着区间下沿走。按顺序查了口径、年龄、规格数都不成立，最后发现是那段时间平台在调整评价展示，新评价的可见数量变少，买家看到别人已经写了很多就懒得动笔，留评意愿真的被压低了。

另一个场景里，一条链接的销量在一个促销周里翻了几倍，评价数几乎没动。这个偏低是典型的销量先行、评价滞后，属于正常节奏。当时如果急着下判断说这批销量有问题，就会冤枉这条链接，等两周后评价补上来，比值自己就回去了。

还有一个边界是规格特别多的链接。一条挂了二十个颜色尺码的链接，销量加总看起来很大，评价挂在这条链接上的就那么些。这种链接的比值天然低于同类目单规格链接，直接放进同一个基准里比，会长期显示为偏低。

边界条件还包括赠品和搭售。有的链接销量里混着一批几乎零价的赠品单，这些买家基本不会写评价，等于凭空往分母里加了一堆数。算比值之前先把这类单子剔掉，剩下的数才有可比性。

最后一个细节是时点差。早上取数和晚上取数，销量可能又涨了一批，评价还没跟上。如果两条链接的取数一个在早上一个在晚上，比值差出来的那一点，可能全部来自这几个小时的时点差，跟链接本身没有关系。

多数偏离先查口径和时点，真正异常的原因排在后面

比值偏高的几种解释

老链接最容易出现比值偏高。它卖了很长时间，历史评价一层层垒上去，分子里堆的是好几年的积累，而分母如果用的是近期销量，两者本来就不是同一个时间跨度。把老链接和刚上架的链接放在一起比，怎么比都不合理。

有评价引导的类目也会天然偏高。有些类目里买家本来就爱晒图，店铺顺手做一点留评动作，比值会明显高过同类目里不做引导的店铺。这属于运营手段带来的差异，不是异常，只是比较的时候要意识到双方起跑线不同。

复购集中会从另一头推高比值。同一批老客反复回购，分母涨了，但他们不会每买一次就写一条评价，很少有人这么有耐心。结果是销量在滚，评价没跟上，比值反而被压缩，看起来比实际留评率要低。

口径不一致是很容易被忽略的一种。有人算比值的时候销量取的是近三十天，评价数取的是累计总数，两个数的时间跨度根本不是一回事，算出来的比值自然虚高。这种偏高是取数造成的，和链接本身没关系。

还有品类特性的作用。定制类、耐用品的买家在下单前后投入的注意力多，收到货之后更愿意回来说两句；一次性的快消品买完就翻篇了。同一个比值数字，放在这两类目里含义完全不同，跨类目直接比没有意义。

排查偏高同样有顺序，而且第一项比偏低那边更要紧。先确认分母的口径，很多人算偏高是拿累计评价数去比近期销量，一个是几年一个是三十天，这本身就不是同一个除法，改过来往往就落回区间了。

第二项看这条链接卖了多久。老链接的评价是层层垒上来的，它天然就比新链接高，这不是异常而是资历。查这一项只需要看首次上架时间，几秒钟的事，却能解释掉相当一部分看起来很高的比值。

第三项看是不是有留评引导。翻一翻同类目其他店铺的评价密度，如果整个类目都偏高，那就是类目特征；如果只有这一家明显高，才值得看是不是做了留评动作。分辨个体和类目，这一步不能省。

第四项看销量结构。销量里如果有很大一块来自复购或者批量采购，这些买家留评的比例本来就低，分母被撑大了而分子没跟上，比值反而被压下来，看起来比真实的留评率低。看结构能把这一层剥开。

第五项是把两个数的时间跨度重新对齐后再算一次。前面几项查完，如果比值还是偏高，就把销量和评价数改成都取累计口径，或者都取近三十天口径，重算一遍。换一个口径再看，很多偏高会自己消失。

有一个典型的例子是做了多年的老链接。它累计卖了几万件，评价也攒了几千条，比值看着很健康。但如果把销量换成近三十天的口径再算一次，比值就掉了一大截。同一个链接两个口径给出两种结论，问题不在链接，在取数的人没对齐口径。

另一个例子是一座专门做留评引导的店铺。它在新品期会认真做一波展示引导，评价密度明显高过同类目。这个偏高是运营动作带来的，也是它真实的竞争壁垒之一，识别出来之后应该作为一条经验记下，而不是当成数据异常去查。

还有一个边界是复购型类目。宠物用品、日化耗材这些类目，老客反复回购，销量一直在滚，但不会每买一次写一条评价。结果就是销量大而评价增长慢，比值被压到看起来偏低。这里的偏低反映的是复购结构，不是问题。

边界条件还包括批量采购。有的链接有一批买家一次下十几件，销量跳一大截，但这批人基本不会留评。这类订单会显著拉低比值，看到销量大涨而比值下滑的时候，先看看是不是有批量订单，能省掉不少排查。

还有一个细节是评价删除。少数评价会被买家自己删掉或者被平台处理掉，数量通常不多，但会让评价数偶尔往下走。如果某期看到评价数减少，先想想这个可能，别一口咬定是取数取错了。

类目基准怎么建

建基准的第一步是选样本。原则是挑那些长期稳定在卖的链接，避开刚上架不满三个月的，也避开正在做大促、销量曲线处于陡坡上的。样本里混进这些，算出来的区间会被带偏，后面拿来判断别人就会频繁误报。

样本数量不用很多，二十到三十条就足够看出大概的分布。太少的时候一两条极端值就能改变结论，太多则要花大量时间去核对每条链接的口径是不是一致。这个量级在人工可核的范围内，结论也足够稳。

取数时点必须统一。要么全部在同一个时间点各取一次，要么全部取某一天的同一口径。这一点看起来是常识，实际做的时候最容易松，今天取三条明天取两条，最后算出来的区间里混着时点差，很难解释。

区间的画法建议用中位数和分位，不要直接用平均数。比值这种数据里只要出现一两条极端链接，平均数就会被拽着走。取中位数作为中心，再取上下两个分位作为区间边界，得到的范围更贴近大多数链接的实际情况。

基准不是建一次就一劳永逸。类目的竞争结构会变，买家习惯也会变，半年之后原来的区间可能整体漂了一截。按季度复核一次是合适的节奏，复核的时候把新样本补进去，把已经停售的链接剔出来，区间才跟得上。

建基准的第一个动作是拉清单。把类目里在卖的链接按销量从高到低排，从前几页里挑出候选，再按稳定在卖这一条筛掉波动大的。清单控制在二三十条，宁可少而准，不要多而杂，样本质量比样本数量重要。

第二个动作是逐条取数。销量和评价数在同一个时段内取完，同时记下每条的上架时间和规格数。这两列看着无关，实际是后面解释区间宽窄的依据，缺了它们，区间的边界就只能照搬，说不出为什么。

第三个动作是算比值并排序。把所有比值从小到大排一遍，取中间那个作为中心，再往上往下各取一段作为边界的参考。排序这个动作很简单，但它能让极端值自动浮到两端，不会混进中心区域干扰判断。

第四个动作是写区间说明。把中位数、上下边界、样本量、取数日期一起写在一张卡片上，放在表格最前面。下一次有人问这个区间是怎么来的，看一眼卡片就知道，不用去翻当时的取数记录，这个说明本身就是资产。

第五个动作是设复核周期。一般按季度走，到点就把新样本补进去、把停售的剔出去、把区间重算一遍。重算之后如果区间整体平移了，要在卡片上留一条记录，写上日期和原区间，便于对比看趋势。

有一个实际操作里的做法值得借鉴：把每次取数的原始记录都留着，不删。基准每季度重算的时候，直接用历史原始记录重跑一遍，不用重新去前台取数。这样既省事，又能看出区间是往哪个方向漂的。

另一家店的做法是按价格段分建基准。他们发现同一个类目里，低价位的链接比值明显低于高价位，用一个区间去套两边，两边都不准。按价格段拆成两套区间之后，触发偏离的条数立刻少了一大半，剩下的才值得看。

还有一个边界是跨市场经营的店铺。不同市场的买家留评习惯差异很大，把几个市场的链接混在一起建一套基准，算出来的区间宽得几乎没用。按市场各建一套，工作量增加不多，判断的准确度提升却很明显。

边界条件还包括新类目。刚进入一个不熟悉的类目，手里没有历史样本，这时候可以先借用相近类目的区间当临时参考，同时启动自己的样本积累。借用期要明确标出来，不能拿临时区间当正式依据用太久。

最后一个细节是区间的表达方式。写区间的时候建议写成中心值加范围，比如中心落在某个数附近、多数链接集中在中心上下的一段范围内。这种表达比给一个固定的窄区间更有弹性，也更能反映数据本身的分布特点。

单点异常与持续异常

单点异常的样子很好认。某一天或者某一期算出来的比值跳出了区间，往后再看一期，它自己就回来了。这种多半是取数波动、数据更新没跟上、或者当天恰好有一批评价集中入账造成的，属于噪声，不值得投入时间去追。

持续异常的样子是连着好几期都在区间外面，而且方向一致。要么一直偏低，要么一直偏高，没有回来的意思。这种持续性本身就是信息，说明背后有一个稳定的因素在起作用，不是偶发的取数问题，值得查一查。

两者的判断分界在观察窗口。一般取三到四期作为一个判断跨度，少于这个数量的偏离都先当作单点看待。窗口太短会把噪声当信号，天天查、天天白查；窗口太长又会让真正的问题拖到很久之后才被发现。

单点异常里也有一类值得留意的，就是同一个现象在不同链接上同时出现。比如好几条链接在同一天比值都跳了一下，那大概率不是链接的问题，而是那天取数或者更新的环境有问题，这时候先怀疑自己的取数动作。

持续异常往下拆，多半能归到前面讲过的某一种原因上。偏低连着偏低，看是不是处在评价沉淀期或者是多规格链接；偏高连着偏高，看是不是老链接或者是口径取错了。拆分的过程就是把异常翻译成具体机制的过程。

分界的第一个动作是数期数。把这条链接最近几期的比值排成一行，数一数连续落在区间外的是几期。一到两期的先归到单点，三期以上的归到持续。这个数字是分界线，不靠感觉，靠数出来的期数。

第二个动作是看方向。持续偏离如果每一期都是往同一个方向偏，说明背后有一个稳定的因素；如果方向来回换，一会儿低一会儿高，那更像是在区间边缘反复横跳，本身的基准区间可能设得偏窄了。

第三个动作是横向看。同一天里是不是有好几条链接同时触发偏离，如果有，先怀疑取数环境而不是链接。这一步是排除自查，做完之后剩下的偏离才有资格被当成观察对象的真实变化来看。

第四个动作是定跟进等级。判定为持续异常的挂进重点观察名单，每期都要取数；判定为单点异常的只记录不跟进，攒到再出现同类时才升级。把资源集中到持续异常上，是这套方法能不能长期跑下去的关键。

第五个动作是回填判定结果。在记录里加一列写清这一次的判定和依据，比如连续四期偏低、已排除口径与年龄因素。回填之后，这一条记录就变成了一个可追溯的样本，日后复盘时能直接拿来用。

有一个案例能说明分界的价值。某条链接连续两期比值都低于区间，第三期回来了。当时如果按持续异常处理，就会白费一轮排查。改成三期起步之后再判断，这条就被自动归到了噪声里，省下来的时间用在了别的链接上。

反过来的案例是一条链接连续七期偏低，每一期的幅度都不大，单看任何一期都像是边缘波动，连起来看就是一个清晰的趋势。这种温水式的问题最容易被放过，只有把期数排成一行的时候才看得出来。

还有一个边界是数据源变更。如果中途换了取数的来源或者口径，那么变更前后的比值本来就不该直接连成一条线。这时候要把变更点标出来，分段判断，而不是把跨着变更点的几期当成一条连续的观察。

边界条件还包括大促期。大促那几期的比值普遍会偏离常态，这几乎是可以预期的。判断的时候要么把大促期单独拿出来看，要么在基准里就把这段时期剔除，总之不能让大促的节奏混进日常判断里。

最后一个细节是持续异常的收敛。有些持续异常在查清楚原因、采取动作之后，会在一两周内回到区间里，这说明判断和动作都对了。有些则要等上一个完整的评价周期才回来，这时候要有耐心，别提前认为措施无效。

同一个现象在偏低与偏高两个方向上，解释力完全不同

当成预警指标来用

预警指标的本质是筛，不是判。它的作用是把几十上百条观察对象里明显不对劲的那几条挑出来，交给人去看，而不是自动给结论。想清楚这一点，就会知道预警线没必要设得太细，筛得准比筛得多重要。

预警线的定法是把前面的基准区间往外扩一档。以中位数为中心，取比正常区间再宽一些的范围，只有越过这条更宽的线才算触发。这样做的好处是把边缘情况先放过，剩下的偏离都比较明显，查看的效率会高很多。

预警要双向设。比值偏低要报，偏高同样要报，两个方向的含义不一样，漏掉任何一边都会缺一半信息。偏低往往指向销量的真实性或者评价沉淀的问题，偏高往往指向口径或者链接阶段的问题，两种都要盯。

预警一上线，最先遇到的问题通常是误报多。这是正常的，说明线设得太紧或者基准没建准。处理办法不是马上去调参数，而是先把误报的这几条记下来，看它们有没有共同的解释，从解释里找线该往哪挪。

预警和人工判断有明确的分工。预警负责在数量上做初筛，把重要偏离挑出来不让它溜过去；人负责在含义上做判断，确认这次偏离到底是机制性的还是真的值得跟进。把这两件事混在一起，预警就会变成一个包袱。

落地的第一个动作是先手工跑一轮。不要一上来就想着自动化，先用表格手工算一遍，看误报有多少、卡在什么位置、哪几条总被误报。这一轮跑完，你对这条线该设在哪会有一个比拍脑袋靠谱得多的判断。

第二个动作是按方向分两条线。偏低的线和偏高的线可以设在不同的宽度上，因为两个方向的噪声水平不一样。分开设不是增加复杂度，恰恰是把复杂度放在该放的地方，让两条线各自都能用。

第三个动作是给预警配上查证清单。触发器响之后，按前面那五项排查顺序走一遍，把结论写在触发器旁边。有清单和没有清单的效率差得很远，尤其在人多的时候，清单能让不同的人查的是同一件事。

第四个动作是每月结一次账。看这个月触发了几条、其中能解释的占多少、解释不了的又占多少。能解释的比例逐步上升，说明这套方法在变好；解释不了的一直占一大半，就该回头检查基准区间。

第五个动作是把解释不了的单独挂着。不要因为暂时查不出原因就删掉或者忽略，挂在那里，下一期再看它是不是又出现了。挂账的成本很低，代价是偶尔扫一眼，收益是不容易丢线索。

有一个使用上的细节值得说：预警触发之后先别急着通知所有人。先由一个人过一遍，把能当场解释的划掉，只把真的解释不了的提出来。这样一轮过滤之后，团队收到的信息质量会高很多，也不会因为频繁误报而把这个机制边缘化。

另一个细节是预警的呈现方式。把触发偏离的链接按偏离幅度排个序，排在最前面的先看。多数时候，最靠前的那几条就把问题讲清楚了，后面的可以不看。排序这个简单的动作，能把有限的注意力引导到最有价值的地方。

还有一个边界是店铺规模很小的时候。手上只有几条链接的时候，预警其实没什么必要，人眼扫一遍就够了。预警的价值是在观察对象多到看不过来的时候才体现出来的，规模没到就不要硬上这套流程。

边界条件还包括链接的更替。老链接下架、新链接上架，观察名单要跟着更新，否则预警会一直报一条已经停售的链接，既浪费注意力又让人对整套机制失去信任。维护观察名单本身是这套流程的一部分。

最后一个细节是把预警结果反过来喂给基准。如果一段时间里触发偏离的链接集中在某个价格段，那说明这个价格段的基准可能设得不准，应该单独拆出来重算。预警不只是用来发现链接的问题，也用来发现基准的问题。

有了基准区间，排查从凭感觉变成照着一条线判断

记录与复盘方式

要记的字段不用多，够还原当时情况就行。日期、链接标识、销量、评价数、算出来的比值、偏离方向，这六项是基础。想再细一点，可以加一列备注，写清这次取数用的是哪个口径，避免后面看的人误会。

记录的颗粒度建议一条链接一行，不要几条链接挤在一行里。挤在一起当时省地方，后面想按链接拉一条时间线的时候就会很麻烦。一行一条，看起来啰嗦，用起来顺手，这是记录表格最基本的取舍。

复盘的周期可以跟着季度走，也可以跟着大促节奏走。复盘时看的不是某一条的绝对值，而是这一季里哪些链接反复触发、哪些原因反复出现。反复出现的原因比起个案的细节更有价值，因为它指向的是可以提前准备的事。

记录里最常见的错误是改了口径却不标注。有人上个月用累计销量算，这个月改成近期销量算，表格里数字变了，没有任何说明，看的人就会以为链接的比值真的变了。改口径必须留痕，这是记录能不能用的前提。

记录真正的价值在于看出漂移。单看一期，任何数字都只是数字；连着看几期，就能看出这条链接的比值是在往哪个方向走。一个缓慢的、不引人注意的漂移，往往比一次剧烈的跳动更有判断价值，因为它更可能是结构的真实变化。

记录的第一个动作是把表头一次性定死。日期、链接标识、销量、评价数、比值、档位、偏离方向、备注，这八列定下来之后就不要随意增删列。表头稳定，历史数据才能连起来用，改来改去等于每次都重新开始。

第二个动作是每期只填新的一行，不改旧行。如果发现之前的口径记错了，不要回去改那个数字，而是新起一行写上更正说明。保留错误比掩盖错误有用，至少后来的人知道那一期发生了什么。

第三个动作是给备注限定写法。写清楚这一次偏在哪、查了哪几项、排除了什么，三句话以内说完。限定格式之后，记录会变得非常统一，翻的时候一眼就能扫到底，不会被自由发挥的长句子拖慢节奏。

第四个动作是每月做一次简单的汇总。算一下这个月各档位各有多少条、触发偏离的有几条、集中在哪些链接上。汇总不用复杂，一张小表就够，它的作用是让零散的记录浮现出规律。

第五个动作是每季度翻一次旧记录。从最近三个月里找反复出现的问题，看能不能从流程上一次性解决，而不是每期靠人手工排一遍。这一个动作是把日常记录转化成改进的那一步，少了它，记录就只是记录。

有一个很实用的记录技巧是给每条链接编一个固定编号，编号一旦确定就不再改变。链接标题会改、主图会换，用标题当标识很容易在半年后找不到对应关系，用一个不变的编号就能一直追下去，这是长期记录能成立的前提。

另一个技巧是把截图一起存下来。数字本身会变，尤其在前台显示口径调整之后。存一张当时的截图，配上日期，日后看到数字和记忆不符时可以直接对照，不用去争论当时到底是不是看错了。

还有一个边界是链接被平台下架或者合并的情况。这时候记录要写清这条链接的结局，是停售、是被合并进另一条链接，还是被处理了。不写清结局，这条记录就会一直挂在那里，让人误以为它还在卖。

边界条件还包括多人协作。多个人一起记录的时候，表头的定义要写清楚，最好在表格顶上放一行说明，写清每一列填的是什么、什么口径。这一行说明能让不同的人填出来的数据保持可比，比事后对齐省事得多。

最后一个细节是复盘的时候要区分两类结论。一类是关于链接本身的，比如这条链接的评价沉淀慢了；另一类是关于方法本身的，比如这次基准设窄了。两类结论要分开写，混在一起会让人分不清是数据的问题还是方法的问题。

常见问题（FAQ）