分析做得再漂亮，底层数据是脏的，结论就不可信。很多 SEO 报告互相矛盾，根子都在清洗没做足。脏数据比没数据更坑，因为它会给你错误的信心。
常见的脏数据
同义词重复（SEO、搜索引擎优化算两个）、大小写空格不一、机器人流量没滤、测试环境数据混进来、时区错位，都会让数字失真。还有采样：GA4 大账号默认采样，不标注的话同比会失真，汇报时容易闹笑话。
清洗的标准动作
统一命名（建一张维度映射表）、过滤蜘蛛 IP、剔除内部访问、对齐时区、标注采样。每一步都写进脚本，别手改，手改不可复现。例子：把关键词研究、关键词调研、kw 研究归一成同一标签，后续分组才准，否则同类被拆成三份。
去噪看趋势，但要留痕可追溯
单日 spikes 多半是噪声。用 7 日均线或同周对比，把波动熨平，趋势才看得清，异常也更容易暴露。但别过度平滑，把真实拐点也抹掉，那就本末倒置了。
清洗规则要版本化、可回放。哪天结论被质疑，能说清这数怎么来的，经得起复盘。把原始和清洗后两份都留着，出问题好对账，也方便新同事理解口径。
字段命名和异常值处理
同一含义的字段在不同表里叫法不一，是关联失败的头号原因。建一份字段字典，谁写数仓谁照着来，join 时才不会漏掉本该匹配的行。命名上统一用英文小写加下划线，避免中文混用和大小写歧义。
流量出现负数、时长几万秒，多半是埋点错或爬虫。先标记再决定剔除还是修正，别默默删掉，留痕最重要。对极端值用分位数裁剪而非直接丢弃，既去噪又保住长尾信息，不会因为一两个脏点被带偏，也不会误杀真实信号。
清洗是团队的事，自动跑起来
口径别只装在一个人脑子里。把映射表、过滤规则写进共享文档，谁来做结果都一致，避免人走茶凉。清洗脚本定时跑，每天产出干净表，分析直接读干净表，不用每人手写一遍，也避免口径漂移，同一指标全公司一个说法。脚本本身要有人 review，规则改了要记版本，出了问题能快速回滚。
清洗的边界：不是越狠越好
过度清洗会把真实的长尾信号也洗掉。保留原始表，清洗只产出副本，需要时可以回到源头核对。凡是有争议的取舍，写进文档说明理由，让后来的同事理解为什么这么处理，而不是面对一堆看不懂的规则靠猜去维护。
清洗要先于分析、要可解释
很多人拿到数据先画图表，等到结论奇怪才回头查，往往浪费半天。把清洗放在流程最前面，地基稳了后面才快，返工更少。团队里任何人做分析前都先跑同一套清洗，结果才能互相印证，不会出现两个人用同一份源数出两个相反结论的尴尬。
每一条清洗规则背后都该有一个理由，比如为什么要过滤这个 IP、为什么要把这个词归一。理由写清楚，规则才经得起质疑。当有人问这个数怎么来的，你能从原始表一路指到干净表，中间每一步都说得清，数据的信任度才会高。规则改完顺手跑一遍校验脚本，确认没有把正常数据误杀，再让看板去读，省得半夜被数据异常叫醒。清洗是分析的地基，愿意在前处理上花三成时间，后面七成的结论才站得住，否则全是沙上筑塔。
