先写下你要做的决定

很多数据查询一开始就错了，因为问题被写成“帮我查一下这个商品的数据”。这句话没有说明查完之后要做什么，自然也无法判断应该看销量、销售额、价格，还是市场份额。

更有效的起点是一个待决策的问题。例如：这个商品最近三个月是在持续增长，还是只在促销月出现短期放量？某品牌的增长来自更多商品卖出，还是来自平均成交价上升？一个类目值得进入，是因为市场整体增长，还是因为头部品牌正在失去份额？

决策不同，查询的对象、指标和比较方式也会不同。数据工具只能缩短取数时间，不能替你补上模糊的问题。

用四个坐标固定查询范围

在真正查询之前，先写清四件事：对象、指标、时间和比较方式。这相当于一份最小的分析需求文档。

这四个坐标越明确，查询越便宜，结果也越容易复查。反过来，“看看某品牌表现怎么样”通常会让 Agent 猜测范围，并产生大量与决策无关的数据。

  • 对象：商品、品牌、店铺还是类目？有没有精确 ID 或标准京东链接？
  • 指标：需要销量 units、销售额 GMV、平均成交价 ASP，还是三者一起？
  • 时间：单月、最近三个完整月，还是去年同期与今年同期？
  • 比较：和自身上月比、和竞争品牌比，还是和整个类目比？

先对齐对象，再计算指标

商品级问题优先使用商品 ID 或标准商品链接。标题会变化，同名商品也可能属于不同规格；精确标识能避免把相似商品混在一起。

品牌、店铺和类目名称则要先与数据字典对齐。同一个品牌可能存在中英文名、空格、大小写或平台原始别名。如果第一次查询使用一个名称，第二次又换成另一个名称，两次结果就可能无法比较。

对齐之后把实际使用的筛选值保留下来。好的分析不仅给出数字，也应该让下一次查询能够复用同一范围。

从最小可用查询开始

不要第一次就请求所有指标和所有拆分维度。先用一个足够回答问题的最小查询验证对象和时间范围，再逐步下钻。

例如，判断一个商品是否增长，第一步只需要最近三个完整月、按月分组的销量。确认趋势存在后，再加入 GMV 和 ASP，判断增长究竟来自销量还是价格。只有需要解释竞争结构时，才增加品牌、店铺或类目维度。

这种顺序可以避免一个常见错误：拿到一张字段很多的表，却不知道哪一列真正回答了原来的问题。

同时看绝对值和变化

单看增长率容易被小基数误导，单看绝对值又容易忽略新出现的变化。一个可用的结果至少要同时回答两个问题：现在有多大，以及相对基准发生了什么变化。

如果当前只有月度数据，就使用完整月份比较。不要把尚未结束的本月与历史完整月份放在同一张趋势图中。

  • 绝对值用于判断商业规模。
  • 环比用于发现最近的方向变化。
  • 同比用于减弱季节性影响。
  • 类目份额用于区分市场增长与品牌自身增长。

得出结论前做三次检查

第一，检查口径。确认销量、GMV 和 ASP 的定义与数据契约一致，不把平台展示值、订单数和商品件数混为一谈。

第二，检查范围。确认月份、类目层级、品牌别名和商品范围在所有比较中保持一致。

第三，检查异常。促销、缺货、新品上架和商品下架都可能形成突变。数据能指出变化发生在哪里，但不能仅凭一条曲线证明变化原因。

还要注意金额单位。当前京东数据契约明确了 GMV 的计算口径，但页面和 Agent 不应在契约没有说明时自行猜测币种。

一个可以复用的提问模板

把问题写成下面的结构，通常比“帮我分析一下”更容易得到可靠结果：

这个模板的价值不在于格式，而在于强迫问题先于数据被定义。查询只是分析的中段；前面是决策，后面是验证。

  • 查询对象：精确商品链接、商品 ID、品牌、店铺或类目。
  • 时间范围：最近 N 个完整月，或明确的起止月份。
  • 核心指标：销量、GMV、ASP。
  • 分组方式：按月、品牌、类目或商品。
  • 比较基准：上月、去年同期、竞争品牌或类目总量。
  • 输出要求：趋势、Top N、变化最大的对象，以及查询范围说明。