两个渠道的转化率分别是90%和10%，整体是否就是50%？只有知道两个渠道各自有多少合格对象，以及它们是否互斥，才能回答。智能问数的比率错误往往发生在除法之前：系统选错了分母、把百分比当作可加字段，或者把尚未到齐的数据当作零。本文围绕同一批合格对象的转化率建立计算与验收方法；算例均为构造数据，不代表真实项目效果。
先定义一批可追踪的对象，再定义转化率
一份可执行的比率契约至少记录：指标名称与版本、统计对象的唯一键、纳入资格、分子事件、观察窗口、归属维度、数据截止时间，以及缺失和零分母的处理。仅保存“转化数除以线索数”不够，因为当月成交可能来自上月线索，二者未必属于同一批对象。
本文采用一个明确示例：分母是某创建时间区间内、已完成30天观察的合格线索；分子是其中在创建后30天内至少成交一次的线索数。同一线索多次成交仍只贡献一个转化对象。必须明确30天的起止边界和业务时区，并区分观察期尚未结束与数据尚未到齐；两者都不能被解释成确定未转化。
因此，本例分子是分母对象的子集，数量满足0≤转化数≤合格线索数。这个约束不能照搬到所有百分比：销售目标达成率可以超过100%，订单数除以客户数也不是“转化客户占比”。相同的百分号并不意味着相同业务语义，指标库应分别保存这些定义。
进入比例计算之前，还应检查多表关联的基数与金额守恒方法中对事实唯一性的要求。分子和分母如果都被重复两次，最终百分比可能完全不变，单看比率就无法发现错误。本篇继续讨论事实集合确认之后，怎样安全汇总和解释比例。
整体转化率与部门平均回答不同的问题
构造第一组数据：渠道A有10条合格线索，其中9条转化，转化率90%；渠道B有100条合格线索，其中10条转化，转化率10%。把两个百分比相加再除以二，得到50%；把分子、分母分别相加再相除，得到19÷110≈17.27%。两种算式都能计算，但回答的问题不同。
17.27%回答这110条互不重复的线索中有多少比例发生转化；50%回答两个渠道的转化率等权平均是多少。后者可以用于明确约定的部门比较，但不能标成“总体线索转化率”。PostgreSQL的avg计算非空输入的算术平均，不会自动猜出业务需要用线索数加权。[1]
在各组分母为正、分组互斥完备且口径一致时，整体比例等于各组比例按分母份额加权：权重为本组分母除以总分母。示例权重分别为10/110与100/110。这一等式来自分子分母的代数关系，不是“任何率都按人数加权”的通用规则；目标达成率若允许汇总，需要按同口径目标额而不是员工人数加权。
工程上优先保留未格式化的分子与分母，在需要的汇总层级重新相除。只保存“90%”和“10%”，或只保留已经舍入的每日比率，就失去了稳定汇总所需的权重。若业务只提供各组比率而没有分母，应明确无法还原整体比例，不能由模型补造规模。
分子和分母可加，需要通过三个前提检查
第一是互斥且完备。若一条线索同时属于搜索渠道和活动渠道，直接相加两个渠道的去重线索数会重复计数。需要预先约定唯一归因，或回到对象集合重新做总体去重。允许重叠的多触点分析可以保留，但不能把其分组数量相加作为总体；也不能只修分母而忘记分子的重复。
第二是同一度量单位与规则。有效线索不能与访问次数直接合并，30天转化不能与7天转化合并。即使名称都叫转化率，如果一个团队排除无效线索、另一个团队包含全部报名记录，也没有可解释的公共分母。应先统一规则，或分开展示，不以统一列名掩盖差异。
第三是完整覆盖目标集合。未知渠道的线索不能因缺少维度值消失。pandas的groupby默认dropna=True，会排除分组键为空的行；dropna=False可保留空键分组。[3] 如果这批对象符合指标资格，建议输出“未归属”组并单独追踪质量，而不是让整体数与可见分组悄悄不一致。
这些前提同时限制缓存和预聚合。按日去重客户数通常不能直接加成月去重客户数，因为同一客户可能跨日出现；按唯一创建日划分且每个对象只纳入一次的线索队列，才可能在相同观察规则下相加。选择低存储成本的汇总表时，应明确它支持哪些维度与时间粒度。
零分母、真实零转化和缺失值必须分开
对于数据完整且有合格对象的组，0÷100是0%，表示观察窗口内没有对象转化。0÷0则没有可计算的转化率，应标为“无合格对象”。若本例出现3÷0，应报口径或数据异常，而不是显示0%或无穷大；如果分母未知，则应标为“数据不完整”。状态与数值需要分别返回。
PostgreSQL的sum忽略空值，没有输入行时返回null；NULLIF(x,0)在x等于0时返回null。[1][2] 因此，SUM(converted)::numeric / NULLIF(SUM(eligible), 0)可以作为通过质量检查之后的计算核心，但它本身不是完整验收规则，尤其不能识别被sum忽略的部分缺失。
例如A仍为9/10，B的分母为100但分子尚未到达。若把B的分子存为null后直接分别求和，会得到9/110≈8.18%，把未知结果伪装成已知低转化。若只保留完整的A，90%也只能称为已完整部分的结果，必须说明覆盖范围，不能冒充总体。
本例建议在认证答案路径中，只要目标范围存在未解决的分子或分母缺失，就返回不完整状态和异常行数；另行允许探索结果时须带完整部分的分子分母与覆盖说明。没有记录也不自动等于没有业务活动，应结合采集完成标志、预期数据范围和截止时间判断。统一补零会抹掉这些差别。
把比率计算做成有状态的受控结果
第一步，从已批准对象集合生成每个唯一线索的一行资格与转化标记，保留观察是否完成、来源是否到齐以及唯一归因。若上游已经提供分组计数，先验证其粒度唯一、口径版本一致，并明确哪些分组必须出现；不能仅凭行中两个数字均非空就认定源数据完整。
第二步，在任何分子分母求和之前，统计缺失、非法负值、超出资格范围的转化、重复对象和未完成观察。对本文的对象转化率，分子大于分母应进入异常；对其他指标，则按各自契约检查。质量失败与数值为零必须走不同分支。
第三步，在同一筛选、权限和数据截止范围内分别汇总分子与分母。只有质量门槛通过且分母为正时才计算比例；分母为零时返回原因状态。可使用前述PostgreSQL表达式作数值核心，但完整实现还需携带异常统计及数据就绪标志。本文只核算构造数据的数学结果，没有运行目标数据库或验证具体生产SQL。
第四步，向智能问数返回一个可解释结果包：指标版本、分子19、分母110、比例19/110、显示值17.27%、统计区间、观察窗口、数据截止、分组规则和状态。展示层可按约定舍入，后续汇总仍使用原始计数。若用户追加“按地区看”，应重新验证地区是否是可加维度，而不是对已有百分比列直接求平均。
这会增加元数据维护和质量检查成本。高频稳定指标可以维护分子分母与状态的汇总表，低频新问题可回查对象明细；一旦维度、归因或观察规则改变，就需要新版本和相应重算范围。不要为了每次都返回一个数字，省略未知状态或隐式切换指标定义。
各组都改善，总体仍可能下降
第二组构造数据用于检查趋势解释。第一期A转化90/100=90%，B转化9/100=9%，总体99/200=49.5%。第二期A为19/20=95%，B为18/180=10%，总体37/200=18.5%。两个组分别改善5和1个百分点，但总体下降31个百分点，因为低转化组B在分母中的占比从50%升至90%。
此时“计算错了”和“业务全面恶化了”都不是由这组数直接支持的结论。建议同时输出真实总体、各组比例和分母占比变化。若为辅助分析而固定第一期各50%的权重，第二期得到52.5%，比第一期高3个百分点；必须标成“固定构成比较”，它不是第二期真实总体转化率，也不是干预效果的因果证明。
固定权重需要可比的分组与观察规则。新增渠道、原有组消失、资格规则变动或观察窗口尚未结束，都可能破坏可比性。不要用旧权重和不存在的组比例硬算趋势；应明确比较覆盖范围、保留未匹配组，必要时暂停归因结论。模型的说明应受这些输出约束，而不是看到下跌就自动生成业绩原因。
用反例验收查询、汇总和解释
基础用例固定9/10与10/100，要求整体输出19/110，而部门等权平均单独标为50%。把B的100条对象拆成两个互斥子组后再汇总，原整体结果应保持不变。若系统依赖平均百分比，改变分组方式就可能改变答案；这比只检查一张汇总截图更能暴露问题。
边界用例分别覆盖0/100、0/0、3/0、分子缺失、分母缺失和无输入记录，并检查数值与状态组合。资格与归因用例加入跨组重复对象和未知渠道，要求独立对象数与分组计数在允许相加的范围内一致；故意把分子分母都翻倍时，即便比例未变，计数检查也必须报错。
趋势用例采用49.5%降至18.5%的构成变化数据，要求解释同时提及组内改善和权重变化，不能说所有渠道转化下降。再测试固定权重52.5%是否被误标成真实总体。中文“提升5个百分点”和“提升5%”也应分别验收，避免单位正确的数值被语言表达改写。
最终保留输入对象或可复核汇总、契约版本、预期计数、预期状态、比例与解释限制。上述算例已用Python有理数运算核对，只证明示例算术，不代表平台实测或统计显著性。上线门槛应包括独立分子分母对账、缺失处理与分组不变性；比例正确并不足以证明数据链完整。