Shopee数据造假怎么识别：别被虚假数据骗

哪些数据容易被做假

判断哪些数据容易被做假，有一个通用的标准：看它是否能在短期内被人为堆出来。可以花钱直接买的数字最脆弱，需要时间自然积累的数字最可靠。按这个标准排一排，评价、销量、收藏加购属于脆弱的一类，复购和退款属于可靠的一类。

评价是最常被动过的数据。原因是门槛低、见效快、成本可控。常见的做法是集中一段时间发布大量内容雷同的好评，把评分和评价数量同时拉起来。买家看到的是几百条好评，很难分辨其中有多少是真实反馈。

短期销量同样脆弱。销售曲线可以通过集中成交在几天内做出一条陡峭的上升线。这种曲线在商品页上看起来很有说服力，因为买家通常只看最近一段时间的走势。但它的持续性和复购支撑都是空的。

收藏和加购处在中间位置。这两个动作比下单更容易执行，所以也能被批量操作，但它们的成本比评价高一些，留下的行为痕迹也更分散。判断这类数据时要结合成交一起看，数量涨了成交没动就是明显的脱节。

曝光和浏览量属于中低风险。流量可以在一定范围内集中采买，但入口结构会暴露问题。真实流量的来源是多元的，人为推起来的流量往往集中在单一入口，拆开来一看结构就很单薄。

真正难被做假的是复购结构和退款记录。复购需要买家在真实体验之后主动再买一次，这个动作没法靠集中操作完成。退款记录则会留下资金和物流的双重痕迹，造假的成本远高于它能带来的收益。

实际排查时可以从一个清单入手。把店铺里能拿到的所有数据列出来，每一项标注两个属性：能不能在一天内人为改变，以及改变它需要多少成本。两个属性都低的项，就是需要重点交叉验证的对象。这个清单做一次可以长期用。

具体到操作，评价可以先看两个数字。一是评价总量与订单总量的比值，这个比例突然上升值得留意。二是新评价的发文时间间隔，真实评价的间隔是不规律的，集中发布的评价间隔会明显偏短且规律。

销量数据的排查方法是看连续多日的曲线。把最近三十天的日销量画出来，正常曲线会有起伏但整体连贯。人为做出来的销量会在某几天出现孤立的尖峰，尖峰前后则显得异常平静。曲线的形状比总量更能说明问题。

收藏和加购的验证要拿成交做参照。正常情况下收藏到成交会有一定的比例关系，这个比例在店铺内部相对稳定。如果某个时间段收藏数快速上升而同期成交没有变化，两者的关系就断裂了，需要往下查原因。

流量的验证重点在来源结构。把流量的入口分布调出来对比历史，结构突然从多元变成单一，通常不是自然变化。同时对照这些流量带来的停留时长和跳出情况，人为流量的行为特征和真实流量差别明显。

最容易验证的是退款和复购这两类。它们的共同特点是有资金记录作为旁证，而且需要买家真实参与。把这两个指标作为判断商品真实表现的主要依据，比看销量数字要可靠得多，代价是需要等一个较长的观察周期。

还有一个判断依据是数据之间的比例关系是否合理。评价数量和订单数量的比例、收藏数和成交数的比例，这些比例在同一类目里通常有相对稳定的范围。某个商品的比例明显偏离类目常规，就是一个需要多看一眼的信号，虽然它本身不能证明什么。

类目基准的建立方式是观察同类目里多个正常商品的比例分布，取它们的中位水平作为参考。参考值不需要精确，只要大致知道正常区间在哪。有了参考之后，判断某个商品的比例是否异常就变得很快，不需要逐个分析。

要注意的是比例关系会随商品阶段变化。新品期的评价比例通常偏低，因为买家还没来得及评价。成熟期的比例会稳定下来。用成熟期的基准去判断新品，会把正常现象误判成异常，判断前先确认商品处于哪个阶段。

这些比例检查的价值在于成本极低。一张表里加几个公式就能完成，不需要额外导数据，也不需要复杂分析。把这类低成本检查固定进日常报表，等于给数据质量加了一道几乎不花时间的防线。

判断哪些数据值得重点核对，可以按它对决策的影响程度排序。影响备货、投放、定价的数据要求最高的可信度，影响内容选题、页面调整的数据可以宽松一些。核对资源有限的时候，优先投入到影响大的数据上。

判断数据真假的第一步，是确认它从哪里来、按什么口径算出来

刷单会留下什么痕迹

从数据层面看，虚假订单留下的第一类痕迹是节奏异常。真实订单在一天内的分布是分散的，早晚各有小高峰，中午相对平稳。虚假订单往往集中在几个固定时段释放，形成几个突兀的尖峰。把全天订单按小时画出来，形状的差别很直观。

第二类痕迹是转化路径太短。真实买家的购买路径通常包含多次浏览、对比、加购，中间会有几十分钟到几天的犹豫。操作出来的订单往往跳过这些环节，从进入商品页到下单的时间间隔短得不自然。

第三类痕迹是买家账号的集中性。参与操作账号的注册时间可能集中在同一时期，收货地址集中在少数几个区域，下单的商品组合高度相似。这些特征单看一个不说明问题，几个同时出现指向性就很强。

第四类痕迹是评价与订单的配合方式。真实评价的发文时间分散在收货后的不同节点，内容长短不一，提到的细节各不相同。配合出来的评价往往集中在收到货后的固定天数内发布，措辞和结构高度贴近。

第五类痕迹出现在后续指标上。人为做出来的订单不会有真实的复购和自然的口碑传播。所以一段时间之后，这部分销量对应的复购率会明显低于店铺平均水平，退货和纠纷的比例也可能偏高。

把这几类痕迹放在一起看会发现，单条痕迹都不足以定性，但多个痕迹同时出现时，判断的可信度会大幅提升。数据真伪识别要养成的习惯是找复数证据，而不是抓住一个异常就下结论。

节奏异常的排查可以做得更具体。把订单按小时分布画出来，正常情况下一天会出现早中晚三个平缓的起伏。人为订单形成的分布通常只有一到两个极窄的高峰，其余时段的量明显偏低。高峰持续的时间往往不到一小时。

买家账号的排查需要看几个字段。注册时间是否集中在一小段时期内，收货地址是否集中在少数区域，下单商品的组合是否高度一致。这三个字段同时异常的情况不多见，一旦出现，指向性就比较明确。

收货信息也是一个观察点。真实订单的收货地址分布分散，且和店铺的历史买家分布基本吻合。人为操作的订单收货信息往往重复度高，或集中在与店铺主要市场不符的区域，与商品的目标人群不匹配。

评价的排查要看得更细。除了内容雷同，还可以看评价里的图片。真实买家拍的图片角度、背景、光线各不相同，操作出来的评价图片常常风格统一，或者干脆没有图片。图文搭配的多样性是重要的判断线索。

后续指标是验证判断的关键。把可疑时间段成交的买家名单拉出来，单独看这一批人后续的复购情况。真实的买家会有一定比例回来复购，操作出来的买家几乎不会再有第二次交易。这个验证需要等两三个月才有效。

把这些排查动作做成一份清单，每次怀疑的时候按顺序跑一遍。清单化的好处是判断不完全依赖个人经验，不同的人执行能得到接近的结论。数据真伪识别最需要的就是这种可重复的判断方法。

一个具体的判断例子可以说明痕迹的叠加效果。某商品在三天内订单量翻了四倍，拆开看发现三天的订单集中在晚上十一点到十二点，这批买家的账号注册时间都在同一周，收货地址只覆盖三个区域，评价在收货后第二天集中发布且措辞接近。四个不同类型的痕迹同时出现，判断的可信度就很高了。

对照之下，正常的促销爆发表现完全不同。同样是三天翻四倍，订单会分布在全天各个时段，买家账号的注册时间跨越很长时间，收货地址分散，评价会在收货后的不同天数陆续出现且内容丰富多样。同样的涨幅，痕迹的形态差别很明显。

需要留意一些容易误判的情况。新品上架初期的订单本来就少，几个订单就会造成很大的百分比波动，这种波动不等于异常。定向推广带来的流量也可能集中在特定时段，因为投放策略本身就有时间设置。判断之前先排除这些正常解释。

还有一个边界条件是小店铺。日均订单只有个位数的时候，任何统计方法的灵敏度都会大幅下降。这种情况下看痕迹的意义有限，重点应该放在买家账号和收货信息这些不依赖样本量的特征上。

把判断沉淀成检查清单是长期有效的做法。清单里列出时段分布、账号特征、评价形态、后续复购四类检查项，每一项写明具体看什么字段、什么情况算异常。有了清单，不同的人检查同一批数据会得到接近的结论。

痕迹的时效性也需要注意。有些痕迹会随着时间被系统清理，比如订单明细的某些字段可能只保留一段时期。想在后续做核查的话，需要提前把关键数据导出留存，否则过了一段时间就查不到了。

越容易在短期做出来的数字，越不能作为判断依据

怎么从数据里看出异常

看异常的第一个动作是建立自己的正常区间。把过去八到十二周的同一指标画成曲线，算出它的波动范围。数据落在范围之内就是正常波动，明显跳出范围才需要往下查。没有正常区间，任何跳动看起来都像异常。

第二个动作是检查时间分布的形态。把订单、评价、加购的时间分布画出来，看形状是否自然。真实数据的分布通常平滑连续，人为数据会出现断层和尖峰。分布的形态比总量数字更能反映真相。

第三个动作是做指标之间的交叉核对。销量涨了，对应的曝光、加购、评价、复购应该同方向变化。如果销量单独跳起来而其他指标不动，这个上涨就缺少支撑。指标之间的联动关系是识别异常的有效工具。

第四个动作是看结构与整体是否一致。整体销量上涨，但拆开看只有某个渠道在涨，其他渠道在跌，这种结构性的偏差值得深究。真实的增长通常伴随着多个部分的同步改善，单点暴增是值得怀疑的信号。

第五个动作是比对不同来源的数据。店铺后台、第三方工具、支付记录三方的数据在同一时间段的差异如果超过百分之五，就要先查清原因。差异本身不一定是造假，但它是需要解释的异常。

这些动作不需要复杂工具，一张按时间的明细表加几个公式就能完成。养成每次看重要数据之前先跑一遍这几步的习惯，被虚假数据带偏的概率会明显下降。

建立正常区间的具体做法是取过去八到十二周的同一指标，算出平均值和波动幅度。指标落在平均值上下两成之内，先按正常处理。超出这个范围再进入排查流程。区间要按指标类型调整，转化率这类比率指标区间可以宽一些。

分布形态的检查可以用一张按时间的明细图完成。把订单、评价、加购三类数据按天或按小时落在同一张图上，看它们的起伏是否同步。真实数据之间会有联动，其中一类单独跳出节奏，就是需要解释的地方。

指标交叉核对要选好配对关系。销量要和曝光、加购、评价一起看，收藏要和成交一起看，退款要和发货时间一起看。配对的原则是这两个指标之间应该有因果或流程上的关联。关联断了就说明某个环节的数据出了问题。

结构一致性检查的做法是把整体拆成几个部分分别看趋势。如果整体在涨而大部分部分在跌，说明增长集中在极少数地方。这种集中增长可能是正常的爆款效应，也可能是一次性的操作，需要结合其他痕迹一起判断。

多来源比对的价值在于发现口径差异。店铺后台、支付记录、第三方工具三者对同一时间段的统计经常不同步，差异的来源可能是统计延迟、口径定义或重复计数。差异超过百分之五就先查清原因，而不是直接采用其中一个。

这一整套动作的目的是把异常从噪声里捞出来。不是每个异常都指向造假，但每个需要投入资源的决策之前，都应该先确认支撑它的数据已经过这几步检查。

异常判断要有一个明确的收尾动作。查完之后写下一句结论，说明这个异常是什么原因造成的，需不需要调整之前的判断。没有收尾的排查会留下悬而未决的问题，下次再遇到类似情况还是要重新查一遍。

竞品数据怎么判断真假

竞品数据的可信度天然低于自己的数据，因为你无法看到它的原始记录。第一步要确认的是数据的来源方式。平台公开可见的信息可信度最高，第三方工具推算出来的数字可信度最低，两者要区别对待。

第三方工具给出的竞品销量通常是估算值，推算逻辑往往基于评价增速、类目均值和历史规律。不同工具对同一个商品的估算可能相差三成以上。这类数字只能用来判断量级，不能用来比较精确的高低。

判断一个竞品的销量是否可疑，可以看它的评价增长曲线是否匹配。如果销量很高但评价数量增长缓慢，或者评价评分长期稳定在极高水平，就需要打个问号。真实的商品不可能让所有人都满意。

另一个办法是看它的商品页是否有前后矛盾的地方。比如销量显示很高但评价区很冷清，或者上架时间很短但累计销量惊人。这些矛盾点不需要查证到底，只要出现就说明这份数据不适合作为标杆。

还有一种情况是竞品数据本身没问题，但被错误解读了。比如把促销期间的爆发当成了日常水平，把整个店铺的销量当成了单款商品的销量。核实数据在解读位置上的准确，同样重要。

对竞品数据的合理态度是把它当作方向参考而不是固定基准。用它的变化方向判断市场热度，用它的结构判断类目格局。涉及具体数字的比较时，宁可留出较大的误差余量，也不要精确到小数点。

核实竞品数据可以从公开信息入手。商品页上的上架时间、评价数量、评价首条时间、已售数量这几个字段都是公开可见的，把它们放在一起做时间轴推算，能得到一个大致合理的销量区间。这个推算不精确，但能判断第三方数字的量级是否合理。

第三方工具的估算值可以用来做横向对比。把同一个类目里的几个商品放在一起，看它们的估算值排序是否和评价数量、评价增速的排序一致。排序明显矛盾的地方，说明估算模型在这个商品上失准。

评价区的细节能透露很多信息。真实的商品评价会有具体的尺寸、颜色、使用场景描述，文字长短不一。如果某个高销量商品的评价普遍很短、措辞接近，或者评分长期维持在一个极高的水平不动，就值得降低对这份数据的采信度。

竞品的促销节点也要考虑进去。如果某个竞品的数据在某个时间段突然大涨，先去查这个时间段是否有大促或平台活动。把促销因素排除之后仍然解释不了的涨幅，才是需要怀疑的部分。

对竞品数据的处理建议是建立一个小型的观察名单。只跟踪五到十个真正相关的竞品，每周记录一次它们的公开数据，长期积累自己的观察序列。用自己的序列判断变化，比依赖第三方工具的即时数字更可靠。

竞品数据的作用是帮助判断市场方向和大致的竞争格局，不承担精确比较的功能。把这个定位摆正，很多围绕数据真假的纠结就没有必要了，因为方向判断对小幅误差并不敏感。

虚假数据对判断的影响

虚假数据最直接的伤害是让备货决策失准。按虚高的销量预测下单，货到之后真实需求支撑不住，库存就会积压。积压的代价不只是资金占用，还包括仓储费用和后续降价清货的利润损失。

第二个伤害是让推广预算错配。看到某个款式表现好就集中投放，结果这个表现是操作出来的。预算投进去之后没有真实反馈，钱花完了销量还是上不来。这类损失往往要到一个投放周期结束才能发现。

第三个伤害是误导选品方向。根据虚假的市场热度判断某个品类有机会，进去之后才发现真实的竞争格局完全不同。选品是长周期决策，方向错了调整成本很高。

第四个伤害是破坏团队对数据的信任。一旦发现之前的分析建立在假数据之上，团队会开始怀疑所有数据，包括那些本来可靠的。这种信任的修复需要很长时间，比修正一个错误结论要难得多。

第五个伤害是形成错误的能力认知。如果店铺持续依赖外部数据而不建立自己的判断机制，团队会逐渐失去独立分析的能力。数据来源一断，判断就完全停摆。这是最容易被忽略也最严重的后果。

理解这些后果之后，就能明白为什么在数据来源上多花一点时间核对是值得的。核对成本很低，但一次错误决策的代价可能覆盖几个月的工作成果。

要减少虚假数据带来的损失，一个实用办法是把决策按可逆性分类。备货、投放这类不可逆或高成本的决策，要求数据达到一级可信度才能执行。选品方向、内容调整这类可逆决策，可以用二级数据先试，试错成本有限。

第二个办法是给重要决策设置验证节点。比如根据数据做了一次备货，就在到货后第一个月检查实际销售速度与预测的偏差。偏差超过三成，把这批数据从可信清单里降级，同时修正预测方法。反馈闭环能让误判的影响只发生一次。

第三个办法是保留人工判断的空间。数据给出的结论，如果和一线运营的直觉明显冲突，不要简单用数据覆盖直觉。先找出冲突的原因，往往是数据里缺了某个一线才掌握的信息。把两种信息合起来看，判断质量会更高。

第四个办法是把数据来源的稳定性纳入考虑。依赖单一第三方工具做的判断，风险集中在这一点上。工具的口径一变或者服务中断，判断就没有依据了。多渠道获取数据，虽然麻烦一些，但抗风险能力明显更强。

第五个办法是定期回看历史决策。每个季度挑几个重要决策，复盘当时的依据是什么、后来的结果如何、依据的数据是否可靠。这个复盘做上几轮之后，团队对哪种数据可以信到什么程度会有非常清晰的认知。

把虚假数据的影响控制在决策环节，而不是等到结果出来才反应，是有可能的。关键是把数据分级和决策分级对应起来，高风险决策用高可信数据支撑，低风险决策允许快速试错。这个对应关系建立起来之后，抗干扰能力会明显提升。

不同痕迹的可识别程度差别很大，不能只看其中一种

怎么建立自己的数据信任度

建立数据信任度的第一件事是锁定来源。每一份进入分析流程的数据都要记录它从哪个后台导出、导出的时间、包含哪些字段。来源清晰的数据才有讨论价值，来源模糊的数据连出错都查不出来。

第二件事是统一口径。同一个指标在整个团队里只能有一个定义，比如销量是按已付款订单算还是按已完成订单算。定义写进文档并且注明生效时间。口径统一之后，不同时期的数据才能放在一条曲线上比较。

第三件事是建立交叉验证的习惯。关键结论尽量用两个以上来源互相印证。比如后台的成交数据用支付记录核对一次，第三方工具的估算值用商品页可见信息核对一次。两个来源对得上，结论的可信度就有基础。

第四件事是给数据分级。一级是有原始记录且口径明确的数据，可以直接用于决策。二级是口径清楚但样本偏小的数据，用来观察趋势。三级是来源不明或口径存疑的数据，只作参考。每次分析前先给数据定级。

第五件事是把校验做成固定流程而不是临时动作。在分析模板里加一段校验步骤，数据进来先跑校验再进分析。做成流程之后，校验就不依赖个人的责任心了，新的执行者也会自然跟着做。

这几件事都不复杂，但需要持续做。数据信任度的本质是长期积累的口径一致性和可追溯性。坚持三个月之后，团队对数据的信心会明显不同，决策也会更快更稳。

落地时可以先用一周时间做一次数据清点。把团队在用的所有数据源列出来，标注每个来源的导出方式、更新频率、口径定义、负责人。这张表做完之后，你会发现有些数据没人说得清它是怎么来的，这些就是需要优先处理的对象。

第二步是统一关键指标的口径。不用一次把所有指标都定完，先定销量、转化率、客单价、退款率这四个最常用于决策的。每个指标写清分子分母、统计周期、订单状态要求。写完之后让所有人在同一份文档上确认。

第三步是在分析模板里加入校验环节。模板的第一段是数据来源和校验结果，确认总数对得上、口径一致、样本周期足够，才进入后面的分析。这个设计能让校验不被跳过，因为它成了分析流程的必经步骤。

第四步是建立异常记录本。每次发现数据异常并查清原因之后，把现象、原因、结论记下来。积累到几十条之后，这本记录就成了团队的判断依据，新出现的异常可以先用它做快速比对，判断效率会大幅提升。

第五步是定期检查数据源本身的变化。平台的后台统计口径可能调整，第三方工具的算法也可能更新。每个季度确认一次各数据源的口径是否和之前一致，不一致就更新记录并重算需要对比的历史数据。

这五步做完，团队就有了一个基本的数据质量体系。它不复杂，主要是把零散的核对动作固化下来。数据信任度的提升是渐进的，但一旦建立起来，它带来的决策效率提升是持续的。

数据分级可以做得更细一些。一级数据要满足有原始记录可查、口径有书面定义、样本覆盖一个完整周期这三个条件。二级数据满足其中两个。三级数据只满足一个或一个都不满足。分级结果直接标注在报表的表头上，看数据的人一眼就知道该用到什么程度。

交叉验证要选互相独立的来源。用同一套后台的两个报表互相验证意义不大，因为它们的底层数据是一样的。真正有效的交叉验证是用不同体系的数据对照，比如后台统计和支付记录对照，或者店铺数据和物流记录对照。

校验频率要按数据的重要性区分。用于日常监控的数据，每周校验一次总数即可。用于重大决策的数据，用之前必须校验。校验不是越多越好，频率太高会占用过多时间，反而影响正常分析工作。

数据信任度还有一个容易被忽视的维度是时效性。一份数据在导出两周之后，它的参考价值会明显下降，因为业务已经变化了。分析之前确认数据的生成时间，用最新的数据做判断，比用一份准确但过期的数据更有意义。

最后要接受一个现实：数据的可信度是相对的，没有完全可靠的数据。目标是知道每份数据能信到什么程度，并且据此调整结论的确定性和投入的资源规模。这个认识能让团队在信息不完美的条件下，依然做出相对稳健的判断。

数据信任度还体现在不同人对同一份数据的理解是否一致上。可以让两个人分别从同样的原始数据算出同一个指标，看结果是否相同。结果不同说明口径描述还不够清楚，需要补充定义。这个检验每次新增指标时做一次，能提前发现理解偏差。

另一项检验是把指标算出来的结果和一次手工核对的结果对比。随机抽十条订单手工算一遍，看是否和报表数字吻合。全量对账成本太高，抽样的性价比最高。每季度做一次抽样核对，就足以发现系统性的口径问题。

把校验发现的问题记录下来并追踪到解决。记录内容包括发现时间、问题表现、原因、修正方式、影响范围。积累起来之后，这份记录本身就是数据质量的历史档案，新问题可以先在里面找类似案例。

数据信任度的建立是一个缓慢但会自我加强的过程。口径越清楚，校验越顺利，得到的结论越可靠，团队对数据的信心越强，也就越愿意投入时间维护数据质量。这个循环一旦转起来，数据分析的效率会持续提升。

建立数据信任度的过程中，最难的是保持一致。一开始大家都会认真核对，几个月之后就容易松懈。解决办法是把核对做成流程中的必经环节而不是可选项，让它自动发生而不依赖人的自觉。流程比意愿可靠。

多来源交叉验证，是把误判挡在决策之前的最低成本办法

常见误区

第一个误区是只看数字大小不看来源。看到一个亮眼的数字就兴奋，不追问它从哪里来、怎么算出来的。来源不明的数字即使方向是对的，也不能支撑需要投入资源的决策。先问来源，再看数字。

第二个误区是把异常直接等同于造假。数据异常的原因有很多，大促、季节、平台规则调整、统计延迟都可能造成波动。直接把异常判定为造假，会错过真实的业务信号。正确顺序是先排除正常原因，再看剩下的异常。

第三个误区是只做单点验证就下结论。看到订单时段集中就认定是操作，忽略了促销活动也会造成时段集中。单一证据的指向性有限，多个不同类型的证据同时出现才能支撑判断。

第四个误区是把竞品数据当成固定基准。用第三方工具给出的精确数字去制定自己的目标，误差可能比差距本身还大。竞品数据的正确用法是判断方向，不是设定具体目标。

第五个误区是不给自己的数据做校验。很多人默认自己的后台数据总是准确的，忽略了统计口径和延迟的影响。自己的数据同样需要校验，尤其是涉及重大投入的决策之前。

第六个误区是发现问题之后不留下记录。查过一次的异常，过几个月又出现，还是要重新查一遍。把异常和处理结论记录下来，形成自己的案例库，下次判断会快得多也准得多。

避开这些误区的核心是一句话：先给数据定级，再给结论定级。数据可信度低的时候，结论要留出更大的调整空间。这个习惯能让判断在信息不完整的情况下依然保持稳健。

第七个误区是只关注外部数据的真假，不检查自己的数据。自己的后台数据同样可能因为统计延迟、口径变化或重复计数而失真。每次做重要决策之前，用原始明细核对一次汇总总数，是成本最低的自查动作。

第八个误区是把数据校验当成一次性工作。平台在变，业务在变，数据源也在变，校验规则需要跟着更新。把校验放进日常流程并且每季度回顾一次，才能让它长期有效。一次做完就搁置，几个月后就失效了。

第九个误区是发现异常之后只处理数据不处理决策。查出某个数字不可靠，却没有回头检查过去的哪些决定是建立在这个数字上的。受了影响的备货、投放、定价都需要重新评估，这一步经常被跳过。

第十个误区是过度怀疑所有数据。把所有数据都当成不可信的，会让分析完全无法推进。合理的态度是给数据分级，不同等级对应不同的使用方式，而不是全盘否定。识别成本要和分析价值相匹配。

第十一个误区是不把校验结论同步给团队。一个人查清了某个数据不可靠，但没有告诉其他人，别人还会继续用这个数据做判断。校验结论要写进共享文档，让所有人都能看到每个数据源的当前状态。

第十二个误区是缺少一个统一的数据负责人。数据校验涉及多个环节，如果没有明确的归口人，就会出现每个人都觉得别人会核对的情况，结果没人核对。指定一位负责人维护口径文档和校验流程，是最有效的推进方式。

把数据真伪识别的做法归纳起来，核心就是三件事：锁定来源、交叉验证、给数据分级。三件事都不需要额外工具，主要靠流程和习惯。做到之后，判断的稳定性会明显不同。

常见问题（FAQ）