搜狗网站诊断，访客被分配到不同版本时怎样识别样本污染
📱 Mozilla/5.0 AppleWebKit/537.36 (KHTML, like Gecko; compatible; ClaudeBot/1.0; +claudebot@anthropic.com)
🔗 /809743c86b12.html
📄
搜狗网站诊断，访客被分配到不同版本时怎样识别样本污染
识别样本污染的关键，不是先看汇总指标涨跌，而是先确认每一份样本是否来自同一个版本、同一类入口和同一套统计口径。如果访客被分配到不同版本，而你又把两版数据合并分析，那么个别样本里成立的结论在规模化后出现例外，往往不是策略失效，而是样本里混进了不该比较的对象。此时应优先保留可分层的数据，改写成按版本、入口、设备拆分的对比，只有在无法分层且污染比例高到足以推翻结论时才退出这轮诊断。
先判断污染来自分流还是来自统计口径
访客被分配到不同版本，常见于同一路径下并存两个页面结构、两套模板或两个落地页。搜狗网站诊断里，污染通常有两种来源：一种是分流本身带来的组成差异，另一种是统计口径不一致带来的假差异。
- 分流污染：两版面向的人群不同，例如旧版仍承接历史入口，新版只从新入口进入。此时两版点击率差异可能来自入口质量，而不是版本本身。
- 口径污染：同一版本被两个统计片段重复计数，或站内日志与第三方估算对“访问”的定义不同，导致某版看起来访问更多。
可区分的证据是：把同一版本按入口拆开后，如果差异明显缩小，说明主因是分流；如果拆开后差异仍在，且日志里同一访客出现两条不同版本记录，说明主因是口径或标记错误。第三方估算流量、搜狗报告与站内统计口径不同，不能互相直接换算，也不能单靠某一项指标还原搜索算法。
保留、改写还是退出：三种取舍的适用前提
面对样本污染，处理方式取决于污染是否可分层、污染比例是否影响结论方向。
- 保留：当每个样本都能标记出版本、入口、设备，且污染样本占比很小，可以保留全部数据，但在分析时按版本分层，不把两版合并成一个总数。适用前提是标记完整、分层后每组仍有足够样本。
- 改写：当部分样本无法区分版本，但可以通过时间窗、入口参数或日志顺序重建归属时，改写成“只比较可确认归属的子集”。这通常比直接删除更稳妥，因为删除可能把某一版本的系统性偏差一起删掉。
- 退出：当无法分层、污染比例高到足以让结论方向反转，或两版共用同一统计片段导致无法拆开时，应退出这轮对比，先修正分流和标记，再重新收集。退出不是放弃诊断，而是避免用被污染的数据继续推导下一步。
一个实际动作是：先给每个样本打上版本标签，再统计“标签缺失或冲突”的比例。如果这个比例低，下一步做分层对比；如果比例高，下一步不是调策略，而是先修分流和埋点。这个判断会直接改变后续动作顺序。
用可核查的证据链代替单点指标
识别样本污染时，不要只盯一个指标。可以用一条最小证据链：同一访客标识在日志里是否出现两次不同版本；同一入口在两版中的访问占比是否突变；站内统计与第三方估算的差异是否集中在某一版本。假设某落地页新旧两版并存，旧版从历史入口进入，新版从新入口进入。如果只看总转化率，新版可能更高；但按入口拆开后，两个入口各自内部的版本差异可能很小。这个例子说明：总指标差异可能来自入口组成，而不是版本效果。
需要注意的是，请求量、抓取量或某项统计归零，不能单独证明分流处理正确。它也可能是采集延迟、入口关闭、标记失效或统计片段未触发。把这些合理解释逐一排除后，才能把归零当作支持证据。
把边界写进下一轮诊断
规模化后出现例外，往往是因为个别样本成立的条件没有被写下来。建议在诊断记录里明确三条边界：这轮结论只适用于哪个版本、哪个入口、哪个设备范围；哪些样本因无法归属被排除；排除后结论是否仍然成立。如果排除后结论反转，就应改写结论或退出该轮；如果排除后结论不变，才可以把结论带到更大范围验证。搜狗网站诊断中，样本污染不是靠一个开关解决的，而是靠先分层、再取舍、最后写明适用条件来控制的。
