很多销售团队天天做报表，但被问到"这个月目标差在哪、下一步该补什么"时，往往答不上来。报表在汇报结果，销售数据分析要做的是从结果倒推到原因，再把原因转成动作。
这条路线可以拆成四步：先对齐口径，再搭销售漏斗，再算目标差距，最后从差距下钻到渠道、人群和阶段。每一步都有可观察的结果，不需要一次搭出复杂看板。把这四步跑顺之后，重复的拉数、下钻和口径核对可以交给数据分析 Agent接手，人只保留判断。
一、先分清线索、订单、收入三种口径
销售数据分析最容易翻车的地方在开头：把三个不同的数混在一起算达成率。线索、订单、收入是三个口径，各自回答不同的问题。
- 线索是还没成交的潜在客户，反映前端获客能力。
- 订单是已经签下或录入的合同，反映成交能力。
- 收入是确认收入或实际回款，反映到账和经营质量。
一个月签了 200 万的合同，可能只回款 120 万，财务按准则只确认 150 万收入。三个口径会得出三个不同的完成率，混用之后，销售说完成了、财务说没完成，谁也说服不了谁。
落表之前先做两件事。第一，把同一客户在 CRM、订单、财务里的记录用统一的客户身份串起来，否则漏斗和回款都会算重或算漏。第二，明确回款口径，按合同金额、确认收入还是实际回款计算，先定清楚再对账。指标定义也要统一，同一个指标在不同报表里算法不一致，后面所有分析都在白算，统一指标口径是这一步的前提。
这一步的成功信号很简单：同一个指标，在不同报表里查出来的数值一致。
二、用销售漏斗定位问题出在哪一层
口径对齐之后，先看过程。销售漏斗把成交拆成几个连续阶段，常见的是线索、商机、方案报价、签约、回款五层。业绩是最后的结果，问题往往发生在更早的一层。
| 漏斗阶段 | 本期数量 | 阶段转化率 | 常见异常 |
|---|---|---|---|
| 线索 | 1200 | — | 线索量不足 |
| 商机 | 360 | 30% | 线索质量偏低 |
| 方案报价 | 180 | 50% | 报价后流失 |
| 签约 | 72 | 40% | 价格或方案不匹配 |
| 回款 | 60 | 83% | 账期或信用问题 |
阶段转化率用下一层数量除以上一层数量。上表为示例数据，用于说明表的结构，实际使用时填入本团队的口径和数量。
看漏斗时先回答一个问题：业绩卡在哪一层。 销售下降，拆开看是线索变少了，还是报价转化率变低了，处理动作完全不同。线索不足要补获客，报价后流失多要复盘价格和方案。
三、算目标差距，把目标、实际、预测分开
有了漏斗，再看目标。目标达成率是实际除以目标，但先要把三个数分开：目标是周期开始前定的，实际是已经确认发生的结果，预测是对未来的估计。
预测不能直接填进达成率。常见的做法是在途商机按阶段加权，比如签约阶段的商机按 80% 计入预测、报价阶段按 40%，再把加权值累加，得到加权管线。它回答的是按当前管线这个周期会落在哪里，而不是已经赚到多少。
把结果整理成一张目标差距表，缺口一目了然。
| 下钻维度 | 目标 | 实际 | 达成率 | 缺口 | 判断 |
|---|---|---|---|---|---|
| 渠道 A | 300 万 | 210 万 | 70% | -90 万 | 主要缺口来源 |
| 渠道 B | 200 万 | 180 万 | 90% | -20 万 | 基本正常 |
| 渠道 C | 150 万 | 165 万 | 110% | +15 万 | 超额完成 |
| 合计 | 650 万 | 555 万 | 85% | -95 万 | — |
上表同样为示例数据。目标是方向，实际是结果，预测是判断，三者混在一起会让达成率失真。
四、从差距下钻到渠道、人群和阶段
拿到 95 万的缺口之后，下一步是下钻到它主要来自哪里，三个方向可以依次看。
渠道方向，看每个渠道的贡献和达成率，缺口集中在哪一个。人群方向，看缺口来自新客开发不足还是老客流失，两者的动作完全不同。阶段方向，回到漏斗，看哪一层的转化率明显低于历史基准。
下钻有一个判断标准：先找贡献了大部分缺口的那个维度，其余维度先保持粗粒度。 渠道 A 一个就占了 90 万的缺口，就先顺着渠道 A 往下查商机来源和报价转化，暂时不用把渠道 B、C 也展开到同样深度。
五、每个异常都配一个负责人和复查时间
分析如果停在报表，等于没做。每个异常至少配三样：负责人、动作、复查时间。
渠道 A 缺口 90 万，可以写成：负责人是小张，动作是本周内复盘渠道 A 的商机来源和报价转化率，复查时间是下月 5 日用同口径指标看是否回升。结论要落到动作，动作要落到人和时间，否则分析只完成了汇报。 从洞察到行动闭环，关键就在这里。
验证方法也固定下来：下一个周期用同口径复查，指标回升说明动作有效，没有回升就回到漏斗再看是哪一层没打通。
六、重复的下钻交给数据分析 Agent
手动跑完一轮之后，重复的部分可以交给工具。数据分析 Agent 的能力集中在几件事上：自然语言问数、多轮追问、自动归因、可视化，以及多 Agent 协作。
举一个演示样例。某连锁零售品牌发现会员复购率连续三周下滑，Agent 主动推送预警，然后按品类、区域、会员等级交叉分析，定位到华东区 25 至 35 岁女性会员的美妆品类复购下降 18%，再结合历史促销数据判断主因是竞品大促加上本品库存不足，最后生成补货、定向券、内容种草三套策略并复盘结果。这是演示场景，用于说明 Agent 的定位过程，具体效果以接入真实数据后的验证为准。
落到销售分析上，Agent 适合接管的是重复下钻、口径核对和报告生成，人保留的是判断：这个缺口要不要补、策略敢不敢拍板。ThinkingAI 把这类能力组织在数据分析 Agent 上，支持自然语言问数和自动归因，也可以申请 demo 用真实数据验证。
常见问题
销售数据分析应该先看哪几个指标
先看四个数：目标、实际、达成率和缺口，再看漏斗各阶段的转化率。总额和增长率可以放最后，它们只能说明结果，不能定位原因。
没有专职数据分析师，怎么先把销售分析跑起来
先选一个业务单元和五到八个核心指标，建立最小可用版本。第一步记录指标定义、数据负责人和更新时间，第二步用一张可追溯的明细表支撑汇总，第三步固定一场周会验证报表能否推动动作，第四步再把重复计算交给工具。
渠道、人群、阶段三个方向先看哪个
先看哪个维度贡献了大部分缺口。如果缺口集中在一个渠道，就先下钻渠道；如果新老客结构明显异常，就先看人群。顺序由缺口分布决定，不必每次都把三个方向拆完。
