问题很多、资源有限时，应该先处理哪一类？帕累托分析把问题、客户或产品按贡献量排序，再观察累计占比，让团队看到工作量集中在哪里。
它常用于故障治理、投诉分析、产品利润、客户贡献和成本优化。它帮助识别集中度，但不能单独决定全部工作优先级。
一、二八法则是一种经验，不是数据必须符合的比例
所谓“二八法则”，通常表达少数因素可能贡献多数结果。但真实业务可能是前10%贡献50%，也可能是前50%贡献80%。分析应由实际排序结果得出集中度，而不是先把20%和80%写进结论。
帕累托分析最基本的做法是：选择一个可加总、非负且口径一致的贡献指标；按类别从大到小排序；计算单类占比和累计占比；结合业务目标找出值得优先调查的项目。
分析利润时，如果某些类别为负，简单的累计百分比曲线可能难以解释。应单独处理亏损或采用更适合的图，不能把正负金额直接画成看似标准的二八图。
二、案例：1000次失败订单集中在哪些错误
以下为教学假设数据。观察窗口内有1,000次失败订单，每笔失败订单只按预先规则归入一个主要原因，六类原因分别为：接口超时400次、库存不同步250次、参数校验150次、支付拒绝100次、网络中断60次、其他40次。
分类互斥，数量合计1,000。若一个订单同时有多个错误，必须先规定主因归类方法；否则重复计数会让类别合计超过真实订单数。这里的“主要原因”是业务归类标签，仍需技术调查验证根因。
三、逐步计算单类占比与累计占比
接口超时占400÷1,000＝40%；加上库存不同步，累计650次，占65%；再加参数校验，累计800次，占80%。剩余三类将累计占比依次推到90%、96%和100%。
因此前3类问题占全部6类的一半，却贡献80%的失败次数。这个案例恰好说明：集中度可以明显存在，但并不是“前20%的类别贡献80%”。
帕累托图中的柱形按次数使用左轴，累计曲线按百分比使用右轴，两个单位不能混读。柱子从零开始，累计曲线必须最终达到100%；若达不到，应检查未知类别、筛选范围和分母。
四、如何从排序得到优先处理清单
可以把前3类作为第一轮排查范围，因为它们覆盖了多数失败次数。接下来逐类验证根因、可修复比例、开发成本和影响链路，安排具体动作与负责人。
例如接口超时400次，并不意味着一次修复一定能挽回400笔订单。其中可能存在同一故障的不同来源，部分用户即使请求成功也不会购买，重复尝试还可能产生多条记录。应基于唯一订单或用户去重，并进一步估算能恢复的业务结果。
不能把“累计覆盖80%的问题”写成“修复后收入提升80%”。错误次数、受影响订单、成功支付和增量收入，是不同指标。
五、数量排序之外，还要看严重程度
出现次数少的重复扣款、数据错误或关键客户故障，也可能必须优先处理。频率是一个维度，单次影响、可逆性、影响范围和修复成本也需要纳入判断。
实际可同时保留“按次数排序”和“按损失金额排序”两张表。如果金额口径难以准确估算，可以先分级描述影响，不必为了得到一个分数而创造缺乏依据的精确权重。
例如100次支付拒绝可能主要来自正常银行风控，不一定都应视为系统缺陷。分类标签与可解决问题之间，还需要一层业务和技术判断。
六、如何保证类别与统计窗口有意义
类别过粗，“其他”可能成为最大的黑箱；类别过细，同一根因被拆散，无法看到集中度。可以先用统一分类，再对高占比类别做二次拆分。保留“未知”，并随着根因调查持续改进分类。
选择窗口时考虑业务周期和数据延迟。某次短期活动可能让排序剧烈变化；长期数据又可能掩盖最近新故障。可以并列展示当前窗口与历史基线，确认主要问题是否持续存在。
不同窗口必须使用一致的分类规则。若分类调整，应回填或明确说明，否则类别占比变化可能只是统计标签改变。
七、修复之后如何复盘
复盘既看错误绝对次数，也看失败率。订单总量下降时，错误次数减少不必然意味着系统改善；应同步看总请求或订单分母、主要错误发生率、支付成功率及相关用户体验指标。
重新排序后，原来的第二大问题可能变成第一大问题，这是正常的资源再分配过程。帕累托分析适合反复使用，而不是一次性划出“80%范围”就永远不再调整。
交付报告应包含观察窗口、分类规则、贡献指标、排序表、累计占比、严重程度补充和行动安排。它的价值是让有限资源更有依据地投入到主要问题上。
本文为数据分析方法详解系列第7篇。方法选择与整体流程可阅读：数据分析方法论总览。
