数据清洗与口径统一，是搭建任何数据看板前最容易被低估的工作。多个工具导出的字段名称、日期格式和统计口径通常不一致，如果直接拼接报表，后续的筛选、对比和趋势分析都会出现偏差。Google Sheets 作为数据汇总层时，关键在于建立一套标准化的数据表结构，而不是在原始报表上直接计算。

最稳妥的做法是先在 Google Sheets 中划分出三层工作表。raw_export 保存各平台导出的原始数据，不做任何修改；clean_data 用于统一字段名称、日期、金额和渠道，完成格式转换与数据清洗；metric_daily 则按日期汇总核心指标，供 Looker Studio 读取。每一行记录一条事件或订单明细，不要把“日活”“转化率”这类汇总值直接写入明细行，否则后续按日期、渠道或产品筛选时容易重复计算。

清洗层重点处理四类问题：空日期、无效日期和重复记录；金额中的货币符号、千分位和文本格式；订单取消、退款和测试订单；用户 ID 为空或同一用户在不同平台使用不同 ID。日期是最容易出错的字段之一，不同平台可能使用 UTC、当地时间或导出文件所在时区，必须在指标字典中写清楚统计时区，否则跨午夜的用户行为会被分到错误的日期。

口径统一的另一层含义，是分子和分母必须属于同一时间范围、同一用户口径和同一业务阶段。例如，“当天付费用户 ÷ 当天访问用户”与“当月新注册用户中的付费用户比例”是两个不同指标，不能混用同一个名称。在 metric_daily 中为每个指标建立明确公式时，要确保过滤条件严格对应同一日期、同一事件类型和同一状态值。

当数据量增加后，再考虑通过 API、自动化平台或 Apps Script 定时写入 Google Sheets。但不要一开始就追求全自动；先验证指标口径正确，再自动化数据搬运，排错成本会低很多。最终让 Looker Studio 只连接结构稳定的 metric_daily 或 clean_data，避免原始导出表的复杂结构影响报表使用。数据看板的首要任务是区分“业务变化”和“数据故障”，口径统一是做到这一点的前提。