档案卡（体型/寿命/性格/掉毛程度/运动量/新手友好度 表格）
这里把宠物数据当成一个数据资产来看：
| 项目 | 这里怎么看 | |---|---| | 体型 | 数据体量：几千条样本到千万级日志都算 | | 寿命 | 可用周期：活动数据看30天，趋势数据建议1年以上 | | 性格 | 稳定性：平台规则一变，指标口径就可能跟着变 | | 掉毛程度 | 脏数据比例：缺失、重复、异常值占多少 | | 运动量 | 维护成本：清洗、对齐、更新要投入多少人力 | | 新手友好度 | 上手难度：字段是否清楚，有没有口径说明 |
性格特点（3~5个，每个配场景）
- 口径爱变：同一“月活”在不同平台定义不同，做竞品对比时容易算错。
- 样本偏科：线上渠道多、线下门店少，判断区域消费时容易失真。
- 更新有延迟：大促后数据回流慢，急着看 ROI 可能误判。
- 字段不透明：只有结果没有定义，做归因时容易背锅。
- 接口脾气大：批量拉取有限流，做日报自动化时容易断。
优点和缺点（双列）
| 优点 | 缺点 | |---|---| | 能帮市场判断规模、趋势、用户偏好 | 口径不统一，跨源对比容易打架 | | 可支撑投放、选品、门店选址 | 脏数据多，清洗成本高 | | 能沉淀长期数据资产 | 隐私合规要求高，采集边界要清楚 | | 支持自动化监控 | 数据延迟会影响决策速度 |
饲养要点（饮食/运动/护理）
- 饮食（数据源）：优先选字段清晰、有口径说明、可追溯来源的数据。
- 运动（清洗更新）：固定频率跑质量检查，处理缺失、重复、异常值。
- 护理（监控校验）：建看板盯关键指标波动，异常时先查口径再下结论。
- 喂养节奏：先小范围试点，再扩到全量，避免一上来就大规模自动化。
常见健康问题
宠物数据常见问题里，下面这些最容易出现：
- 缺失值：关键字段为空，影响建模和报表。
- 重复值：同一用户/订单被多次计入，虚增规模。
- 口径不一致：不同系统对“活跃”“成交”定义不同。
- 样本偏差：渠道、地域、人群覆盖不均，结论外推风险高。
- 延迟与断流：接口限流或数据回流慢，日报中断。
适合谁养
- 适合：有明确业务问题、能投入清洗和口径对齐的市场/运营/数据团队。
- 不适合：只想拿一份“现成结论”就决策，且不愿做校验的团队。
- 建议：先选1个核心场景，比如门店选址或投放复盘，跑通再扩展。