夜雨聆风一份做得挺规整的销售分析报告，交给 skill 审查，查出八个问题，其中三个会直接误导管理层。最要命的一条：报告写着「3 月环比下滑 33%，建议销售部门排查原因」，而实际上销售是在增长的。
做分析最难的不是算，是判断自己算得对不对。
错误的分析不会报错。表格照样整齐，图照样好看，占比照样加得起来 100%。你把它发出去，可能三个月后才有人偶然发现，某个数字从第一天起就是错的。
这一遍我们不自己检查，交给一个专门做分析审查的 skill。
它的定位是「发给老板之前，先自查一遍」，固定下来的是一套别人替你想好的核对清单：
四类核对项，共二十三条。 数据质量（数据源、时效、完整性、空值、去重、筛选）、计算（聚合粒度、分母、日期对齐、连接方式、指标定义、小计加总）、合理性（量级、趋势连续性、交叉验证、边界情况）、呈现（图表基线、数字格式、标题、口径说明、可复现性）。
七个常见陷阱，每个都带检测方法。 连接爆炸、幸存者偏差、不完整周期对比、分母漂移、平均数的平均数、时区错配、分段选择偏差。
几个红旗信号。 环比变动超过 50%、数字恰好是整数、比率正好卡在 0% 或 100% 附近、结果完美印证了你的假设。这几种情况都要求回头复核。
最后给一个三级评级。 可以发布、带说明发布、需要修改。
下面这一遍，被审的是一份 2024 年 1 月到 2025 年 3 月的销售分析报告，包含整体经营、增长、区域、品类、客户集中度五个部分，最后附六条结论建议。数据导出日是 2025 年 3 月 18 日。
报告里写得很明确：
3 月净销售额 189,981.25 元，2 月为 283,870.20 元，环比下滑 33.1%，需要重点关注，建议销售部门排查原因。
问题出在数据导出日是 3 月 18 日，3 月只过了 18 天，而 2 月是完整的 28 天。拿一个没过完的月份去比一个完整的月份，少了十天的销量。
换成可比口径：
| +4.1% | |||
| +20.9% |
销售不但没下滑，反而在增长。
这条结论的代价不只是数字错了。它写的是「建议销售部门排查原因」，接到这份报告的人，会去排查一件并未发生的事。
报告要算净销售额，把订单明细和退货表按订单号关联起来。这是最自然的写法，也是最容易出事的地方。
这两张表是多对多的关系：一笔订单可能有好几行商品，也可能分批退好几次货。数据里有 43 笔订单存在多条退货记录，最多的一笔退了 3 次。
一关联，行数从 4,138 涨到 4,252。
| +57.2% | |||
销售额只多算了两个百分点，退货额却多算了五成七。原因是同一条退货记录，被这笔订单里的每一行商品各匹配了一遍。订单行数越多，重复得越厉害。
报告最后写「退货率 3.40%，处于合理区间」。实际是 2.21%，比看上去健康得多，但这个结论同样是蒙对的。
同比也不可比，而且没说清增长从哪来。 2025 年取了 77 天，跟 2024 年完整的 91 天比。更要紧的是，2024 年一季度下单客户 51 个，2025 年同期 173 个，客户数扩大了 3.4 倍。增长主要来自客户扩张，不是单客户贡献提升。报告只写「增长强劲，全年目标可期」。
毛利率的分子分母口径不一致。 分子的净销售额扣掉了退货，分母的成本却没有冲回退货对应的部分。报告 29.9%，正确口径是 32.2%。
退货扣在了错误的月份。 抽样显示退货平均滞后 25.6 天，最长 45 天。报告把退货扣在订单所属月份，于是 3 月的订单只扣掉了 1,275.60 元退货，而当月实际发生的退货是 12,346.60 元。越接近数据截止日，这个偏差越大。
复购率 96.6% 触发了红旗。 比率逼近 100% 属于必须复核的信号。查下来分母用的是「有订单的客户」203 个，而客户主数据有 220 个，17 个从未下单的客户被悄悄排除了。按全部客户算是 89.1%。
通篇没有提客户流失。 22 个客户近 120 天已经没有任何订单，他们的历史订单仍然计入复购率。报告在这个基础上写「复购率 96.6%，建议加强老客户运营」，而真正需要关注的那批人不在视野里。
客单价用了平均数的平均数。 六个区域的客单价直接算术平均，正确做法是总额除以总订单数。这一条方法确实错了，但本例中六个区域客单价差距不大，实际偏差只有 −0.2%，所以列为低严重度。
不是靠读报告猜，是重算一遍。
审查过程绕开报告的计算逻辑，直接从订单表、退货表、客户表重新汇总，再和报告里的数字逐项对照。十项里八项对不上。
唯独区域占比和品类占比两项通过了。原因也说清楚了：这两项的分子分母同源，误差在相除时相互抵消，所以哪怕底层数字是错的，占比看起来依然完美加到 100%。
这恰恰是错误分析最难被发现的地方。 你去核对占比，它是对的；你去核对小计，它也是对的。只有跳出这套算法重算一遍，差异才会暴露。
三级评级里给的是最低一档。理由是三条高严重度问题都会直接影响决策：一条让人去排查不存在的下滑，一条虚报退货率，一条把客户扩张说成经营改善。
同时列出了发出去之前必须补充的三条前提：
数据截至 2025 年 3 月 18 日，3 月为部分月份，不可与完整月份直接比较 退货存在最长 45 天的滞后，近月净销售额尚未反映全部退货 全部指标基于有订单的 203 个客户，未含 17 个无订单客户
以及按优先级排好的七条修改建议，从「关联退货前先按订单号汇总」到「报告开头补上数据源、口径定义和截止日期」。
这八个问题有一个共同点：它们都不会让程序报错。
连接爆炸不会报错，行数变多了而已。拿 18 天比 28 天不会报错，两个数字都是真的。分母少算 17 个客户不会报错，比率照样算得出来。正因为不报错，这类问题在人工复核时极难发现，你盯着一张排版整齐的表，很难想到要去数一下关联后的行数。
审查这件事的麻烦还在于它需要逆着自己的思路走。分析是你做的，每一步你都觉得理所当然，让你回头挑自己的错，最容易的做法是把每个数字再看一遍，确认没抄错，然后收工。而真正的问题不在抄写，在口径。
一份清单的价值就在这里。它不依赖你当时想不想得到，二十三条一条条过，七个陷阱一个个比对，红旗信号自动触发复核。
把分析和数据交出去，一句话就能开始：
「这份报告我准备发给管理层，帮我审一遍」 「重点看口径有没有问题，关键数字独立复算一次」 「最后给个评级，能不能发」
它会按清单走完，输出问题列表、复算对照、修改建议和评级。发现口径错误，它会直接告诉你正确的数字是多少，而不是留一句「建议核实」。
结论你来下，脏活累活，交给它。
扫码下方二维码添加老师微信免费下载领取 AI 智能体
业务人要具备的强大能力，已经为你准备就绪：「BI佐罗AI智能体」课程，让 AI 真正帮你干活。
🔗 如何获取更多信息？扫描下方二维码具体咨询。
