虾皮保守估计和实际差多少算正常范围

保守估计和实际差多少算正常范围

正常范围这个词，先要说明它不指某一个固定的百分比。同一门生意，不同的比法会得到不同的正常范围；同一个比法，不同的层级也会得到不同的正常范围。它更像是一个区间套，总量有总量的区间，拆到每一层又各有各的区间，越往下越宽。

总量层面的正常范围通常最窄。因为在总量上，各层的偏差会相互抵消掉一部分：需求估低了，转化估高一点，两边一抵，总数上就看不太出来。只看总量，得到的结论往往是差得不多，而这句话同时掩盖了两件相反方向的事。

分层的正常范围明显更宽。需求这一层，差一成到两成在多数品类上属于常态；转化这一层，因为基数小、波动大，差三成也不算稀奇。把每层的区间分开标，比给一个统一的百分比要有用得多，也更能解释为什么某一层差得那么明显。

时间维度上的正常范围则取决于窗口的长度。按天比，差五成也不奇怪；按周比，差两三成很常见；按一个月比，正常范围会收窄到一成上下；按一个季度比，通常还能再收一点。窗口越长，随机性被平均掉得越多，剩下的才是真正的偏差。

正常范围还有一个和品类相关的部分。快消类的单量基数大，日常波动被摊薄，正常范围偏窄；客单价高、单量少的品类，一次成交就能明显改变比例，正常范围宽得多。同一个偏差百分比，在两类品类上分别意味着完全不同的东西。

把这几层合起来，可以给出一个判断顺序：先看窗口是不是够长，再看拆到的是哪一层，然后看这个品类的单量基数有多大，最后才去看具体差了几个点。顺序颠倒了，就会拿一个偶然的周差去质疑整份估算。

判断正常范围还有一个前提：两组数说的是同一件事。估算里的销量指什么、实际销量又指什么，这两边如果不一致，差多少都没有意义。这类前提没摆平就往下算，是比错最容易出岔子的地方。

多站点数据这一块，知虾把各市场的需求与热销结构分开陈列，同一款货在不同市场的数能够并排放着，拿其中一地做对照时，先确认口径和时段是不是和估算那一版对应得上。对应不上，后面算出来的差只是两个数之间的距离，不是偏差。

还有一个容易被忽略的部分是剔除法。正常的范围应该建立在剔除了明显异常之后的样本上。把一次平台大促、一次物流中断、一次突发的舆情事件都算进来，得到的正常范围会被异常拉宽，宽到失去判断力。

剔除的标准要事先说好，不能事后挑。事先说好的是：哪一类事件算异常、异常那几天是整段剔除还是只剔一天。事后挑的意思是，看到某个数不好看就把它归到异常里。两者在记录上应该能区分开。

正常范围也不是一成不变的。上新节奏变了、投放渠道变了、主力市场变了，过去的正常范围就不再适用。所以标注正常范围的时候要带上一个时间戳，说明它是在什么阶段量出来的，避免拿旧的区间去套新阶段的数。

有一种情况需要特别注意：估算和实际在总量上非常接近，但分层的差很大。这种情况看着像是估准了，实际是两层的偏差刚好互相抵消。一旦经营环境变化，抵消的关系被打破，总量上的差会突然张开，而那时候已经很难定位到是哪一层出了问题。

知道差多少算正常之后，用时也要克制。正常范围是用来判断需不需要进一步查的，不是用来给结论打勾的。差落在正常范围里，只说明这一层的偏差不值得单独追，不说明整份估算没有问题，因为问题也可能出在正常范围本身量得不对。

还有一个判断上的便利：把连续几期的偏差排成一条线，比单看某一期更能说明问题。单期落不落在正常范围里，受那一期的偶然因素影响很大；几期连起来看，是稳定地偏在一个方向上，还是来回摆动，一眼就分得出来。

这一节讲的是正常范围的构成和判断顺序，讲的是比之前要先摆平的那些前提。差具体落在哪一层、哪几种差该被当成一次性异常，是紧接着要展开的部分。这一篇只负责把差量清楚，至于量完之后要不要动手，不在这里作决定。

图一：先确保两组数指的是同一件事、同一段时间，再来谈差在哪里，顺序反了比出来的全是假差。

两组数摆一起之前，先问是不是同一件事

对照之前问一句是不是同一件事，听起来像废话，实际是比错里最常见的根源。估算里的一个数，往往是若干口径混合之后的产物；实际里的一个数，也常常是按另一套规则统计出来的。两边不是同一件事的时候，算出来的差只是两个数之间的距离。

先要对的是统计对象。估算说的是这一款还是这一款加它的变体，实际统计的是不是同一个范围，这两件事如果不一致，后面的差就会带上一部分属于变体的量。范围差一点，差出来的结果可能比真实偏差还大。

其次要对的是时间区间。估算覆盖的是哪一段，实际取的又是哪一段，两段的起止必须重合。最常出问题的是月末和月初：估算按自然月，实际按平台结算期，两边天然错开几天，而这几天的量在旺季往往不小。

第三要对的是计量单位。按件数还是按订单数、按成交额还是按结算额，这几个口径在单量、退款、优惠券使用率不同的情况下会拉开明显的差距。单位不对，即使两边说的都是同一段时间、同一个范围，结果也还是接不上。

第四要对的是含税与不含税、含运费与不含运费。这两组差别在数字上通常不大，但在毛利本就偏薄的品类上，足以把结论从正常改判为异常。对的时候要写下来，写下来的东西才有资格进对照表。

有一个简便的自检方式：拿最近一段估算和实际都比较确定的时期，两边各算一个总量，看差多少。如果差得离谱，多数情况不是估算错了，而是两边根本没有对齐。用一个已知的稳定期来做这道校验，比在出问题的时期反复核对要省事得多。

口径对齐之后还要对齐结构。同样一笔销量，按品类拆还是一整个总数，按市场拆还是合成一片，拆法不同，量出来的正常范围也不同。对照之前先说明这一次按什么拆法，两边保持同一种拆法，中途换过拆法的部分要单独标出来。

跨市场对照的时候，得先把每一地的口径和币种摆齐，不然看的是各地规则的差别，不是这门货本身的差别。这一点在同时看几个市场的时候尤其容易忽略，也是最容易把口径差误当成真实偏差的一处。

还有一个经常被忽视的对齐项：新品与老品。新品没有可比的历史，放在一起统计会把总量的基数改变。把新品单独拎出来，或者把对照窗口切到新品上量之后的时期，两种做法都可以，关键是两边用同一种。

促销期的对齐要单独处理。促销期的销量、转化、客单都和平常不在一个量级上，把促销期和非促销期混在一段区间里对照，正常范围会被拉得没有意义。要么把促销期整段剔除，要么两边都用包含同样促销期的区间。

渠道不同也要分开。站内自然流量、站内投放、站外引流，这三条来源的转化逻辑差异很大。把三条混在一起算一个平均转化，得到的数在每一条上都不成立。分开算、分开比，才是能用的对照。

对齐这一步做完，应该得到一份写下来的对照说明：对象是什么、区间是哪一段、单位是什么、含不含税运、按什么拆。这份说明不需要长，但它决定了后面的差有没有意义。没有这份说明的对照，等于没有对照。

还有一个现实问题：对齐之后，能对上的量会变少。有些估算项压根找不到对应的实际项，有些实际项也没有进过估算。这些对不上的部分不该硬凑，应该单独列出来，作为对照的一个附带发现保留着。

附带发现里有价值的信息不少。比如某一项实际发生了但估算里没有，说明估算的结构里缺了一块；某一项估算里有但实际从来没发生，说明那一项的设置可能本来就不必要。这两类发现都值得记下来。

对齐这一步看着琐碎，实际是整段比够里最省时间的一步。花在这上面的时间，会在后面判断差在哪一层的时候成倍地省回来。跳过它，后面每一层都要重新怀疑一次口径，判断就会一直悬着，谁也不敢下结论。

这一节讲的是对照之前必须完成的准备：对齐对象、区间、单位、含税运、拆法，并把对不上的部分单独留档。差具体落在哪一层，是下一节要展开的内容。至于差到什么程度需要动手，不属于这一段。

图二：差异大部分集中在前面几层，末尾两层通常是统计口径造成，占比小却最容易引发误判。

哪几种差算是落在正常波动里

差分几类，各自的性质完全不同。有的差是生意本身自带的波动，有的差是统计口径留下的痕迹，有的差则指向估算结构的问题。弄混了类别，就会出现该放过的死盯着查、该查的反而被当成正常波动放过去的情况。

第一类，也是占比最大的一类，是样本量带来的随机波动。单量越小，同样的概率下波动幅度越大。一个月出几十单的店，差两三成完全在随机范围之内；一个月出几千单的店，同样的百分比就需要另找原因。判断这一类差，先看样本量。

第二类是季节性差。同一款货在不同月份的实际表现本来就有高低，拿淡季的实际去比按全年平均做的估算，差是注定会出现的。这一类差不是错，是估算时没有把季节因素单独处理。它的特点是方向可以预期，今年的同一个月份大概率还会出现。

第三类是口径差。前面已经对齐过一轮，但总有一些边角对齐不到，比如退款的处理方式、优惠券的计入方式、赠品的计量方式。这类差的量通常不大、方向也稳定，在正常范围里可以放心放过，只需要在备注里记一笔。

第四类是一次性事件造成的差。一次平台规则调整、一次突发的物流中断、一次集中的差评事件，都会在某一期留下一个明显的坑。这类差的特点是只影响那一期，前后两期都正常。判断的要点是看它有没有延续性。

第五类是结构性的差，也是最需要认真对待的一类。它的表现是总量上可能还正常，但拆到某一层，偏差是持续且同一个方向的。这种差不会自己消失，因为它的根源在估算结构里，而不是在某一期的偶然因素上。

第六类是节奏差。生意本身的上量节奏和估算假设的节奏不一致，比如估算按匀速推进，实际是前松后紧。这类差的量会随着时间推移呈现规律性的变化，在一个完整周期内可能相互抵消，但在周期中的任何时点看都很明显。

把六类排开，能看出它们的共同点：真正需要追问的只有结构性和节奏性两类，其余四类在正常范围里都属于可以接受的部分。把精力集中在需要追问的两类上，比在每一类差上都花同样的时间去查要有效。

看需求走向的时间序列，知虾公开页面的站点分析按市场分开陈列，同一款货的季节性高低在几个月的数据上能看出形状。把估算和实际摆在这条形状旁边，是季节性差还是真的偏了，就看得出分别。

区分这几类差，有一个很好用的方法：看它的重复性。同样方向的差连续出现两期以上，多半属于结构性或节奏性；只出现一期且幅度异常，多半属于一次性事件；方向来回变、幅度随机，多半属于样本量带来的随机波动。

还有一个观察角度是差在整体中的分布。如果差集中在少数几款货上，更可能是那几款货自己的问题，比如某款的图片被平台改动、某一款的竞品集中降价；如果差均匀地摊在所有货上，更可能是估算本身的口径或者结构问题。

差的方向也能提供线索。往低的方向差，通常来自需求估低了或者转化估低了；往高的方向差，则常见于广告带量超预期或者平台给了额外的流量位置。两个方向的成因往往不同，处理方式也不同，所以分方向记录是必要的。

有些差在当期看不出来，要等到下一个周期才显形。比如库存周转的差，当期看着正常，到了补货的时候才发现节奏是错位的。这类滞后的差，需要在对照表上专门留一栏标注它的观察窗口，不然很容易被当成已经消化掉的差。

还有一个需要注意的现象：正常范围本身可能会被之前的偏差带歪。如果前几期一直在偏，人会把那个偏了的状态当成新的正常，后面的差都会拿这个偏了的状态去比。所以标注正常范围的时候，应该回到一段没有被异常干扰的基期上去量。

把差归到哪一类，实际就是在决定下一步该看哪里。归类归对了，后面的排查范围会小很多；归类归错了，就会一直在不相关的地方打转。这也是为什么这一段强调先把类别分清，再谈差了多少。

这一节讲的是差的分类，以及各类差分别意味着什么。差传到经营上的其他环节会变成什么，是下一节要接的部分。至于看到这些差之后要不要调整估算、按什么幅度调，不属于这一段的范围，这里只把差摆到对应的格子里。

最容易认偏的，是把一次性异常当常态

在所有这些判断里，最容易出错的一种，是把一次性异常当成了新的常态。一次大促后的销量跳升、一次平台活动的额外曝光、一次突发的行业热度，都会在某一期造出一组好看的数字，如果拿它去做后续的对照基准，后面的差会一直被算错。

这类误判之所以常见，是因为异常的表现和真实的改善在短期内几乎一样。两者都会带来销量的上升、转化的改善、数据的变好。要区分它们，只能靠时间，或者靠对事件本身的识别，而不是靠那几个数字本身。

识别一次性异常的第一个线索是它的时间边界。真正的一次性事件，影响有明显的起点和终点，前后两期的数据能看清这个边界；真实的经营改善，起止是渐进的，找不到一个清楚的断点，拉长一点看反而更连贯。

第二个线索是它的作用面。一次性事件通常只影响一条线，比如只影响某一款、某一个市场、某一个渠道；真实的经营改善一般会同时体现在多条线上，因为改善的根源在店铺的整体能力上，不会只落在某一个角落。

第三个线索是它的可复述性。一次性事件总能对应到一个具体的外部原因，比如平台在做大促、某个类目突然上了热搜；真实的经营改善往往对应不到某一个外部原因，而是一段时间里各个动作积累的结果。

第四个线索是它的可比性。把这一期和去年同一时期放在一起比，如果去年同一个时点也出现过类似的跳升，那么这次的跳升更可能是同一类季节因素；如果去年完全没有，就要多问一层，别急着把它算进基准里。

误把一次性异常当常态，后果不只是那一期的对照算错。更麻烦的是，如果把异常期当作新的基准，后面的正常期就会被判成偏低，于是会引发一轮不必要的调整，而调整所依据的那个基准本身就已经是错的。

一个词近期的搜索变化拉成一条线来看，知虾的关键词分析一栏里就能看到形状，某一期是这条线上的一个尖峰，还是一段持续的抬升，看形状就能分。尖峰属于要剔掉的那一类，持续抬升才该被当成基准的一部分。

还有一种情况是反向的：把真实的持续性变化当成一次性异常而剔掉。这种情况更容易发生在市场层面，比如某个市场的需求结构发生了缓慢但持续的上移。如果每一期都把它当成异常剔掉，结论会一直偏低，而且一直找不到原因。

区分这两种情况的办法，是看剔掉之后剩下的那组数还能不能自洽。如果剔掉某几期之后，剩下的数依然有一条平稳的走向，说明剔得有道理；如果剔掉之后剩下的数变得东一块西一块，说明剔错了，被剔掉的那几期可能才是真实走向的一部分。

记录方式上，应该把每一次剔除的理由和剔除后的结果都留档。下次遇到类似情形，可以回头看上一次是怎么处理的，避免同一种异常被两次判成不同的类别。剔除这件事最怕的就是标准漂移。

一次性异常还有一个不太被注意的特征：它通常伴随着其他指标的同步异常。比如一次大促，除了销量上升，客单价、退款率、运费占比也往往一起变化。如果只有销量变了、别的都没动，那这个变化更可能不是来自一次性事件。

与此相关的是突发事件。突发的规则调整、突发的物流中断、突发的舆情事件，都会在短期内改变数据，同时改变数据之间的关系。这类事件的共同点是，它会同时影响多个指标，而且影响的方向可以预期。

还有一个层面上的一致性检查：把同期的几个市场摆在一起看。如果是一次性的事件，通常只影响其中的一个或两个市场；如果是店铺本身的改善，几个市场往往同步或者依次显现。这一层检查不需要额外的数据，只需要把已有的数排开看。

归类归准了，后面的事才好办。但归类本身只是判断差的性质，不涉及要不要调整估算、要不要改变备货或者投放。这一段只负责把差归到对的类别里去，剩下的留给别的段落处理，两件事分开做，才不会互相干扰。

这一节讲的是把一次性异常和常态区分开的方法，讲的是误判的两个方向。差传到备货、投放这些环节上会变成什么，紧接着要谈。至于要不要为了这截差重做估算、重做时从哪一处下手，那是后面几层要处理的问题，这里不越过去。

这截差传到备货上，会变成什么

差本身只是一个数字，它真正的影响发生在传导之后。同一截差，传到备货上会变成一个具体的货量，传到投放上会变成一笔具体的预算，传到现金上会变成一个具体的时间差。看这一截差会变成什么，比看差本身更接近经营的实际。

传到备货上，第一层变化是批次的调整。实际的销量与估算有稳定的间距时，下一批的备货量通常不会等量调整，而是会打折调整，因为人对偏差的反应总是慢半拍。这个慢半拍本身会形成一个新的、滞后于实际的差。

第二层变化是库存结构。总量上调整一致，各规格之间的比例未必跟着调。差如果主要来自某几个规格的慢动，备货总量调下来了，慢动的规格可能还是照原来的量备着，结构性的滞留反而更明显。

第三层变化是周转天数。备货量往下调，周转天数通常会缩短，但如果调的方式是减少批次而不是减少单批，周转天数可能反而拉长。同样是减量，两种调法的结果差得很远，这也是为什么只看总量数字说明不了问题。

第四层变化在价格上。备货量偏多的时候，往往会用价格手段去动销，这个动作一旦形成惯性，下一轮的定价就会带着上次的痕迹。差的影响就此从库存传到了定价，而定价的调整比库存难回头得多。

第五层变化在现金上。备货是资金占用最刚性的一环，差在这里被放大之后，账上的余地在几个批次之内就会被吃掉。而现金的变化又反过来约束后续的备货，形成一个彼此牵引的循环，越到后面越难靠单点动作解开。

把这五层排开，可以看出一个共同特征：偏差在传导中会被放大，而不是被吸收。一截看起来不大的差，经过批次、结构、周转、价格、现金这几层之后，可能变成一次相当明显的经营波动。这也是为什么正常范围不能划得太松。

货价、运费与平台扣费这三项，知虾的定价计算一栏把它们摆在同一张表里，备货量变化之后，这几项的占比会怎么变，对着表就能推出来。推出来的结果，比单看一个库存数字更接近实际会发生的压力。

差传到备货上还有一个时间上的错位。估算和实际的差在当期就能看到，而它对备货的影响要等一个采购周期之后才显现。这个错位会让人产生一种错判，以为差已经消化掉了，而实际的影响还在路上。

错位还体现在季末。如果差是在季末才被发现的，那一季的备货调整空间已经很小，多数情况只能带着这个差进入下一季。所以观察差的时间点，宜放在每季的中段，而不是季末回看的时候，留出的时间越长，能做的调整也越多。

差传到备货上，还会改变对供应端的要求。备货量往下调，对供应商的批量条件、账期安排都会有影响，而这些条件通常是一谈就定一段时间的。也就是说，一次偏差的影响，有一部分会通过供应端的条件被固定下来。

有一类差在备货上几乎没有传导。口径差、单位差这一类，在对照表上看着是一个数，实际业务上并不存在对应的动作，因为它们本来就只是统计方式的不同。把这类差当成要处理的偏差，等于在空气里动手。

要判断某一截差会不会传到备货上，可以问一句：如果不去管它，下一批的货量会不会因此改变。会改变，说明它属于有传导的差；不会改变，说明它只是统计层面上的差，在正常范围里放着就可以了。

还有一个容易被忽略的传导方向：差传到备货上之后，又会通过库存影响下一期的实际销量表现。货备少了会出现断货，断货会让下一期的实际销量偏低，从而让下一期的差看起来更大。这种自我强化的循环，通常在几个周期之后才会被意识到。

这一节讲的是差传到备货环节之后会变成什么，讲的是传导的层次和放大效应。至于看到这些传导之后该怎么调整，属于另外一段的话题；而估算本身该退哪几处、退到什么深度，也不是这一段要回答的问题。

图三：不同类别的差落点不同，落点决定了它是该被接受、该被剔除，还是该重新比一次。

估值什么时候该刷一遍，取决于行情怎么走

估算做完不会一直有效，什么时候该刷一遍，取决于两件事：一是这门生意自身的节奏变了没有，二是外部行情走了多远。两者只要有一件动了，原来的估算就进入了待刷新的状态，而判断动没动，看的是对照的结果，不是时间表。

行情走动的第一个信号是市场层面的需求结构变化。某个市场的类目需求持续上移或者持续下滑，都不是一期的波动能解释的。这类变化一旦确认，估算里跟市场相关的那几处就需要重看。注意这里说的是重看，不是按变化的幅度等量修改。

第二个信号是自己这边的转化水平出现了台阶式的移动。转化不是每天变化一点，而是在某些时点会出现台阶，比如评价累积到一定数量、主图整体更新、搜索位置明显上移。台阶一出现，原来的转化假设就不适用了。

第三个信号是成本侧的变化。运费、平台费用规则、汇率，这三项中的任何一项变了，估算里对应的部分就需要重填。成本侧的变化往往是跳跃式的，而且不会自己回到原来的水平，所以不适合用偏差慢慢吸收。

第四个信号是竞争格局的变化。同类目里新进了大卖家、某款主力竞品明显降价、平台调整了展示规则，这些都会改变自己店铺的转化和单量水平。这类变化不能靠自己的历史对照看出来，需要看同类的动作。

行情走动的速度也影响刷新的频率。需求变化快的类目，估算的有效期短，可能要按季度刷；需求常年平稳的类目，半年刷一次也够用。把刷新频率定死在一个固定周期上，快类目会跟不上，慢类目会白做功。

要判断行情是走了还是没走，把相邻两个时段的具体市场数摆在一起看，比只看自己后台的波动要清楚，因为自己后台的数里混着很多店内因素。市场层面的变化往往比店内因素更早反映出来，也更稳定。

除了行情本身，还有一个应该触发刷新的因素：估算用得久了自己也开始失准。这种失准的表现是对照的差在连续几期里慢慢扩大，每一期都不算大，连起来看却有明显的趋势。这类情况不需要等外部信号，看到趋势本身就该刷新。

刷新不等于全部重做。多数情况下，需要刷的只是其中一两处，其余部分照旧。全部重做的成本很高，而且会把已经沉淀下来的判断一起丢掉。分开处理，是让这套估算能够长期用下去的关键，也能让每一次改动都对得上一个具体的理由。

刷新的时候，应该保留旧版本的记录。新版本和旧版本之间的差是多少、为什么改这几处，写清楚之后，下一次刷新才有参照。没有版本记录的估算，每次刷新都像从零开始，也就无法判断自己的判断是不是在收敛。

还有一个判断上容易出错的地方：把上一期的偏差直接当成新一期的修正量。上一期实际比估算低了五个点，就在新一期里把估算调低五个点。这种做法看起来合理，实际是把一次包含随机成分的差当成了系统性偏差，如果这个差本身来自随机波动，这样的调整只会造成来回摆动。

正确的做法是把修正分成两部分：一部分来自已经确认的结构性变化，这部分可以按方向调整；另一部分来自随机波动，这部分不该动。区分这两部分的依据，就是前面说的重复性判断，连着几期同向才算结构，只出现一期的不算。

刷新的时机还有一个实用原则：不要把刷新放在季末或者结算期。这两个时点上数据本身在结算过程中，读出来的差包含结算因素，用它去刷新会把结算的口径带进估算里。放在结算完成、数据稳定之后的那一段，结果会干净很多。

刷新完成后，应该把新版本和最近的对照结果放在一起看一遍，确认新版本对最近的差有解释力。如果换了新版本，最近的差还是解释不了，说明刷新没有触及真正的成因，需要再往一层去找。

这一节讲的是什么时候该把估算刷一遍，讲的是触发条件和刷新的分寸。至于刷新之后估算该退到哪一档、退到什么程度算是站得住，以及看到差之后要不要立刻动手，属于其他几段的范围，这一篇不接下去。

图四：两条线之间那段稳定的间距，属于可以接受的常态差；间距忽然张开，才需要追问原因。

范围这一层说到这，估法在前面

比够这一段到这里收在正常范围上。这一篇回答的是：估算和实际差多少算落在正常里，比法该怎么选、差落在哪一层、哪些差属于一次性异常。落点是给出一个分层的、带时间窗口的、可以去逐类归因的区间，而不是一个统一的百分比。

这一篇没有重新讲往低算的口径。该退哪几处、每一处退多少、哪些项必须退哪些项照实填，这些属于留量那一段的内容，在这里被当作已经确定的输入。回头去重讲，会让差失去对照的靶子。

这一篇也没有重新定界线。偏到什么深度算站得住、哪一条不能破、越过之后付什么代价，属于划界那一段的事。比够只关心差落在不落在正常范围里，不关心界限该划在哪个位置，两者的对象不一样。

更没有给出动作方案。差落在正常范围里要不要管、落在范围外该先动哪一块、动完之后怎么补回来，这些属于动用那一段的问题。比够这一段只把差量清楚、归好类，不负责决定接下来要做什么。

之所以要把这几件事的界线摆明，是因为它们在日常讨论中最容易被当成一回事。最常见的混法，是拿差的大小直接去推估算该不该改。差得大只说明这一层需要追，不代表估算的结构有问题，有时候差的成因出在口径上，有时候出在一次性事件上。

本篇能站住的部分，是正常范围身上的四个属性：分层、窗口、品类、基期。分层指它是按哪一层量的；窗口指它覆盖多长的时间；品类指它适用于哪一类货；基期指它是在哪一段相对干净的时期上量出来的。四个属性写齐，这个范围才算能交给别人接着用。

这一组属性当中最常被跳过的一项是基期。如果基期本身就在一段偏了的时期上，量出来的正常范围会把偏差当成正常。所以标注基期的时候，要稍微说明一下为什么选那一段，以及那一段里有没有特殊的经营动作。

另一个容易漏的是适用对象。同一个店铺里，主力款和长尾款的正常范围不在一个量级上，新市场和成熟市场也不一样。一个不写适用对象的正常范围，用的时候一定会被张冠李戴，看起来都在范围里，实际没有一处对得上。

把正常范围写清楚，日常要做的就只是对照和记录，而不是重新论证它。每次对照都重新讨论范围该是多少，范围就失去了作为稳定参照的意义。需要改范围的时候，改的理由应该来自结构的变动，而不是来自某一期的数据好看不好看。

记录的方式可以简单：每一次对照都记下差、落在哪一层、归到哪一类，以及这次有没有触发重新对照的需求。积累几个周期之后，回头看这份记录，能看出自己的差是不是在收敛，也能看出哪一层的差反复出现。

这份记录还有一个附带用处：它能帮你确认自己的正常范围是不是量得太宽。如果连续若干个周期，差都落在范围里，而实际经营里却反复出现要临时调整的情况，说明范围量宽了。范围的作用是提示需不需要查，不是给一切偏差背书。

和另外三段的关系可以这样概括：留量决定该退哪几处，划界决定退到什么深度算站得住，比够决定差多少算正常，动用决定什么时候可以松。四段各占一块，谁都不替谁作答。一段做虚了，别段就被迫补位，最后四段都说不清。

最后要提醒的是，比够这一段的目的不是把差消灭掉，而是把差说清楚。估算和实际永远会有差，差的存在本身就说明前面留出的那段余量是有必要的。把差量准、分好类、记录好，这一段的目标就算达到了。

范围这一层说到这里，比够这一段就交代完了。该对齐哪几样、该分成哪几类、该按什么属性去标注、什么时候该重新刷一遍，都已经写清。至于沿着这些差往下该做什么动作，那是另外一段的事。

回头再看这一篇的起点，那份让人反复纠结的估算其实并没有那么神秘：差本身并不可怕，可怕的是不知道这截差算不算正常。把范围量出来，纠结就有了落脚的地方，后面的判断也才有依据，下一步的取舍才不至于全凭感觉。

常见问题（FAQ）