论数据口径严谨性和敏感度的重要性

背景：酷狗整个产品矩阵的增长投放也是我管的。

今天整理增长投放的情况，其中看我团队同学提交的 PPT 时候，我发现，里面提到的 ROI，有点异常过高。

于是我问相关运营和 BI 同学，这个 ROI 怎么算出来的（可以看下方的图）

于是我重新检查了口径，找了一些高收入贡献的用户去查他们的收入贡献流水，发现了严重问题，他们在算入拉活口径的那一天的前一天，其实有回来过，也有贡献收入。

所以这些用户的收入不应该算在投放拉活的贡献里面去。

于是我让 BI 只取 3 天不活跃的拉活用户贡献的收入来看 ROI，结果得出的ROI仅为原来的一半，且低于1；

这就意味着 PPT 提到的 todo，普拉策略要调整，因为普拉是亏钱的啊。

于是我决定改为只拉 3 天不活跃以上的用户，后面再看看成本、量级、ROI 情况，可以的话把普拉逐渐改成这个。

试想一下我要是没有发现，到时 PPT 交上去，产品会上这么汇报，当场被老板质疑会多么尴尬。这事充分反映了数据口径的严谨，和对数据的敏感多么重要，所以平时大家一定要留心数据口径是否足够严谨无可挑剔，以及数据有没有异常表现。

承接上一个分享。

其实深挖下去，还能有更多发现：上面的问题也反映了我司到现在都还没完整的用户模型，没法充分严谨论证拉活用户的 ROI 情况，归因不够严谨。 基础设施太差了，连主端产品的用户模型都没有，连流失用户回来的归因都没法严谨归因，只能靠业务前线做一个没有很好控制变量的实验来论证；

如果从管理学的角度来看，也体现技术、数据的重要性，如何选择这方面的负责人？要么之前有大型项目底层架构的成功经验，要么一直在业务领先的前沿，能带回来最新的做法。字节就是基于这样的逻辑狂挖谷歌、fb 和百度的工程师。

以上也是我如何从一个日常工作的事情中进行总结的示范。大家可以多从日常工作、从其他同事的事情上去学习。