第十八章　第一类判断能力 · 识别卡点

前言里那句判断在这里第一次要落地："报到率 78%"不是信息。

它不是信息，不是因为它是错的，而是因为没有任何一个动作能被它触发。看到 78%，一位处长能做的事情是打电话问下去；看到"还差一步的有多少人、卡在哪一项、分别是谁"，他能做的事情是当场调一个窗口、加一次提醒、指定一个人跟进。

前者是结果，后者是卡点。识别卡点，是四类判断能力里最朴素也最必要的一类——它不预测、不预警、不下判断，它只回答一句话：现在谁被什么事挡住了。

18.1 环节漏斗：把"办完了没有"拆成能定位的层

迎新不是一件事，是几十件事串起来的一段流程。系统里的组织方式是这样的：4 种任务种类（入学任务、报到任务、新生活动、新生学习）下面挂 35 个任务类型，每一项对每个学生都有明确的完成记录，记录里带着批次、任务、学生、办理人、结果与时间。

有了这层结构，"卡点"才能被拆出三层来看。

整个批次这一层：哪一项任务的完成人数明显低于其他任务。这一层暴露的是环节问题——某个环节的门槛太高、时间太短、或者说明写得不清楚。

学院与班级这一层：同一项任务，为什么有的学院完成 96%、有的完成 61%。这一层暴露的是执行问题，但必须先排除口径问题——第十四章那种分母不一致，在这一层最容易伪装成"某个学院工作不力"。

个人这一层：这个人还差哪两项。这一层是全部工作的终点，因为只有在这一层，卡点才能被解决——前面两层只能让人着急。

三层不是三张报表，是同一份记录向上汇总三次。这一点很关键：如果三层各自算一套，就会出现第十七章那张表里最坏的一种情况——越大的画面越好看，越小的格子越不准。

18.2 最有价值的那一栏：不是"没办"，是"看了没办"

系统里对每一项任务记的不只是完成与否，还有学生有没有打开过它。于是所有未完成的人会分成两种：

没看过的——他可能不知道有这件事，或者没找到入口。该做的是通知、是提醒、是把入口放到他第一眼会看的位置。

看过但没办完的——他知道有这件事，进来了，然后退出去。这才是真正意义上的卡点：他尝试过，并且放弃了。

这两种人的处置动作完全相反。前者需要被提醒，后者需要有人帮他解决一个具体的困难——材料不齐、金额付不出、信息填不下去、页面没看懂。把他们混成一个"未完成名单"发给辅导员，是过去最常见的做法，也是最没用的做法：那份名单上有根本不知道要找他的人，也有已经被卡了三天的他。

"已浏览未完成"这一栏，是卡点识别真正的起点。 它已经在系统里，可以按任务、按学院筛出来，未完成的名单可以成表带走。

18.3 归因的三条硬限制

到这一层必须说实话，否则后面的承诺就不可信。当前这份记录能支持到"卡在哪一项"，支持不到"卡在为什么"。

原因在记录本身。完成记录里有的列是：哪个批次、哪项任务、哪个学生、谁办的、结果、时间，再加一个自由填写的备注。缺三样关键的：

• 没有失败原因的结构化位置。 学生停在半路是因为校验没过、材料没带、还是付不起钱，目前只能靠他在备注里写、靠工作人员记，形不成可统计的原因分布。
• 没有办理渠道的区分。 本人手机自助完成、辅导员代办、志愿者扫码代完成，在记录里只体现为"办理人是谁"，不体现为"从哪一条路完成"。这直接影响线上办结率能不能算——第十四章那条指标算不出来，根子就在这里。
• 没有中间步骤。 一个有六步的表单，只记最后有没有成功。"九成人在第五步退出"这句话今天说不出来，因为第五步没有自己的记录。

这三条是卡点识别的真正天花板。它们不是靠算法能突破的——算法只能读已存在的记录。要突破，先要补记录。 补哪几列、按什么批次补，已经写进交付批次清单。

18.4 一种被低估的卡点：数据本身在出错

有一类卡点不发生在学生身上，发生在数据源头，而它最先影响的是判断。

某个字段的异常率突然变化，通常意味着上游改了东西。 一所学校的学籍表原本用两位数字表示学制，某天开始给三位；一个区划名称跟着上级文件改了写法；一批导入的性别列挪到了最后一列。这些变化的共同特点是：当天没有人报错，一两周后才在分组统计上看出人数不对。

系统里对这一类的处理目前分成两截。已经有一截是刚性的——重复证件号当场拦下并给行号、列缺失或格式不符给错误回执、值映射认不出的值直接置空。还有一截完全靠人："这一列的缺失率比上周高了 20%"这种突变，今天没有人盯，也没有阈值会自动吭声。

把它做成可观测项，属于这一类能力的下一步，前提是第十五章那三项比率先能算。异常检测听起来是最智能的一件事，实际上它的前置条件最朴素：得先有一份稳定算得出来的基线。

18.5 一个不可让步的要求：卡点判断的口径必须取自字典

这里只讲一条纪律，因为它决定了卡点能不能被拿去通报。

所有"卡点"类的数字，一律取自指标字典，不允许在报表层重新算一遍。 理由在第十四章讲透了：同一句"学院进度落后"，分母换了个来源就成立、再换一个来源就不成立。卡点判断比常规统计更容易被拿去问责，口径不统一的后果不是数字不准，是有人被错怪。

现在系统里这块的实情照实说：把指标字典作为唯一取数入口强制下来，尚未做到。 同一个比率在两个地方各算一遍的情况确实存在，最典型的是"待办"——一处只算等待审核的那部分，另一处用总数减掉已通过的，两个数不一样。第十四章那张学院对比图出过错，是同一类问题的表现形态。统一收口排在批次里。

18.6 大屏上的那句"解读"，其实是我们写死的八段判断

大屏不该只是一墙数字。现在的大屏上，每一块画面下面有一行中文解读——"近七日报到进度放缓""某学院完成率领先"这类句子。

这一行的来路要说清楚，因为它常被误认为接了模型：它是八段写死的规则。 每一段做同一件事：读几个已经算好的数，用几条阈值判断一下，拼出一句中文。写这段程序的同事在注释里留了一句话——"纯规则引擎，不需要大模型"。

我们没有把它伪装成人工智能。 这样做有三个好处，比"看起来更聪明"值钱：

其一，可复现。 同一份数据进来，那句话必然是那一句，不会今天说"进度正常"、明天说"需要关注"。 其二，可审计。 谁都可以追问"这句'放缓'按什么算的"，答案是一个写死的阈值，不是一个谁也解释不了的模型输出。 其三，可定位。 句子错了，改那一处规则即可；模型输出错了，只能重训或者换提示词。

规则引擎的短板也很明显：句子数量有限，判断维度写死，说不出没预料到的东西。 它的下一步不是换成模型，而是先换成由指标字典驱动的规则——阈值、口径、比较对象都取自字典，改一处全局生效。至于"由模型来组织语言"，那是排在后面的事，且必须遵守一条规矩：事实从业务数据取，模型只负责把它说成人话。

至于"解读＋建议动作"里的建议动作——"建议周三加开一个窗口"这种话——今天系统里不会自动生成。它需要前面那三处缺的记录先补上，需要资源侧的约束（有几个窗口、几个志愿者）先数字化。给不出可执行建议的解读，只是把看报表的人换成了看大屏的人。

18.7 这类能力做到什么程度才算有用

一个具体标准，学校可以拿它去量任何一家产品，包括我们：

随机挑一项任务，请对方在系统里给出三样东西——还差这项的一共有多少人、其中有多少人打开过但没办完、这个学院和另一个学院的差别是不是同口径算出来的。

第一样考的是有没有环节级记录，第二样考的是记录里有没有"看过"这一层，第三样考的是有没有口径。三样答得出，卡点识别就是可用的；只答得出第一样，那只是一份未完成名单——那份名单，去年用表格也能拉出来。

识别卡点的意义从来不是多一张报表。是让"该管的人在今天就知道该找谁"这件事，不再依赖有人恰好在盯着。