项目大促后大盘GMV下降33%诊断基于逻辑树指标拆解与人货场交叉归因分析零、项目分析路径展示0.1分析路径图展示0.2 关键证据展示一、 业务背景与问题定义业务背景大促活动结束后平台大盘GMV在6月、7月内出现显著下滑。问题定义诊断大促后大盘GMV相对下降33%的核心原因定位业务痛点并为后续的日常运营与营销活动提供优化建议。二、 分析思路与框架现象确认验证大盘GMV下降趋势的真实性排查数据异常明确下降的具体时间节奏。指标拆解基于GMV核心公式GMV 流量 × 转化率 × 客单价拆解驱动因子定位核心下跌指标。多维下钻从“人用户画像”、“场渠道来源”、“货价格与折扣”三个维度进行深度交叉归因寻找结构性变化。三、 详细分析过程3.1 现象确认大盘GMV趋势验证3.1.1 指标定义与数据质量探查在分析前首先对底层数据进行质量检验确保分析结论的准确性。指标名称统计口径时间窗口核心字段大盘GMV支付金额总和剔除异常与缺失值6月、7月pay_amount数据质量检验 SQLSELECTROUND(SUM(CASEWHENpay_amount0THEN1ELSE0END)/COUNT(*),4)ASanomaly_amount_pct,-- 检查不符合业务逻辑的异常负数金额比例ROUND(SUM(CASEWHENpay_amountISNULLTHEN1ELSE0END)/COUNT(*),4)ASmissing_amount_pct-- 检查金额缺失比例FROMfact_behaviorWHEREdatebetween2024-06-01AND2024-07-31;3.1.2 趋势追踪分析1. 周维度追踪滚动7天观察整体趋势走向以大促结束首日2024-06-01为基准按滚动7天进行分组追踪。SELECTFLOOR(DATEDIFF(date,2024-06-01)/7)1ASweek_sep,-- 滚动7天为一组1确保起始周为第一周MIN(date)ASweek_start,MAX(date)ASweek_end,ROUND(SUM(pay_amount),2)ASweek_gmvFROMfact_behaviorWHEREpay_amount0GROUPBYFLOOR(DATEDIFF(date,2024-06-01)/7)1ORDERBYweek_sep;追踪结果数据显示整体呈持续下降趋势确认大盘GMV下滑问题真实存在。2. 日维度追踪排查是否存在特定日期的断崖式下跌SELECTdate,DAYNAME(date)ASweekday,ROUND(SUM(pay_amount),2)ASdaily_gmvFROMfact_behaviorWHEREpay_amount0GROUPBYdate,DAYNAME(date)ORDERBYdateASC;追踪结果不存在单一日期的断崖式下跌整体表现为大促后的自然回落与长效下降趋势。3.2 指标拆解GMV核心驱动因子分析将GMV拆解为三大核心驱动因子定位导致GMV下降的直接指标。驱动因子统计口径计算逻辑核心字段流量 (UV)点击去重用户数COUNT(DISTINCT user_id) WHERE click1user_id,click转化率 (CVR)点击支付转化率支付用户数 / 点击用户数user_id,click,pay客单价 (AOV)支付客单价支付总金额 / 支付用户数pay_amount,user_id,pay分析逻辑通过对比6月与7月的UV、CVR、AOV同环比变化使用连环替代法确认AOV对GMV下降贡献最大AOV优先作为怀疑对象确定后续下钻方向注需确保三者相乘严格等于GMV口径已对齐。3.3 多维下钻归因分析人、货、场3.3.1 人维度用户结构与价值分层分析维度新老用户is_new_user、用户价值分层user_segment高/中/低价值。分析目的排查是否因用户结构变化如低客单新用户涌入高价值老用户流失导致整体大盘指标被拉低。核心指标计算 SQLWITHpay_users_uvAS(SELECTMONTH(date)ASmonth_key,COUNT(DISTINCTCASEWHENpay1THENuser_idEND)AStotal_pay_usernum,COUNT(DISTINCTCASEWHENuser_segmenthigh_valueANDpay1THENuser_idEND)AShighvalue_pay_usernum,COUNT(DISTINCTCASEWHENuser_segmentmid_valueANDpay1THENuser_idEND)ASmidvalue_pay_usernum,COUNT(DISTINCTCASEWHENuser_segmentlow_valueANDpay1THENuser_idEND)ASlowvalue_pay_usernum,COUNT(DISTINCTCASEWHENis_new_user1ANDpay1THENuser_idEND)ASnew_pay_usernumFROMfact_behaviorGROUPBYMONTH(date)),pay_amountsAS(SELECTMONTH(date)ASmonth_key,ROUND(SUM(pay_amount),2)AStotal_payamount,ROUND(SUM(CASEWHENuser_segmenthigh_valueTHENpay_amountELSE0END),2)AShighvalue_payamount,ROUND(SUM(CASEWHENuser_segmentmid_valueTHENpay_amountELSE0END),2)ASmidvalue_payamount,ROUND(SUM(CASEWHENuser_segmentlow_valueTHENpay_amountELSE0END),2)ASlowvalue_payamount,ROUND(SUM(CASEWHENis_new_user1THENpay_amountELSE0END),2)ASnew_payamountFROMfact_behaviorWHEREpay1GROUPBYMONTH(date))SELECTpu.month_key,-- 整体客单价ROUND(pa.total_payamount/pu.total_pay_usernum,2)AStotal_aov,-- 高价值用户指标ROUND(pa.highvalue_payamount/NULLIF(pu.highvalue_pay_usernum,0),2)AShighvalue_aov,ROUND(pu.highvalue_pay_usernum/pu.total_pay_usernum,2)AShighvalue_user_pct,-- 一般价值用户指标ROUND(pa.midvalue_payamount/NULLIF(pu.midvalue_pay_usernum,0),2)ASmidvalue_aov,ROUND(pu.midvalue_pay_usernum/pu.total_pay_usernum,2)ASmidvalue_user_pct,-- 低价值用户指标ROUND(pa.lowvalue_payamount/NULLIF(pu.lowvalue_pay_usernum,0),2)ASlowvalue_aov,ROUND(pu.lowvalue_pay_usernum/pu.total_pay_usernum,2)ASlowvalue_user_pct,-- 新用户指标ROUND(pa.new_payamount/NULLIF(pu.new_pay_usernum,0),2)ASnew_user_aov,ROUND(pu.new_pay_usernum/pu.total_pay_usernum,2)ASnew_user_pctFROMpay_users_uv puJOINpay_amounts paONpu.month_keypa.month_key;分析结果数据显示大促后新用户占比显著上升但新用户的客单价远低于老用户。用户结构的改变低客单用户稀释是拉低整体大盘客单价的核心原因。3.3.2 场维度渠道与流量来源分析分析维度流量来源sourceminiapp / app / pc / h5。分析目的计算各渠道6、7月份的订单量占比PV、支付转化率CVR及客单价AOV排查特定渠道的流量质量变化。核心指标计算 SQLWITHsource_metricsAS(SELECTsource,MONTH(date)ASmon_key,COUNT(DISTINCTuser_id)ASsource_uv,COUNT(DISTINCTCASEWHENpay1THENuser_idEND)ASsource_pay_uv,ROUND(SUM(CASEWHENpay1THENpay_amountEND),2)ASsource_pay_amount,COUNT(CASEWHENpay1THEN1END)ASsource_pay_pvFROMfact_behaviorWHEREsourceIN(miniapp,app,pc,h5)GROUPBYsource,MONTH(date)),total_metricsAS(SELECTMONTH(date)ASmon_key,COUNT(CASEWHENpay1THEN1END)AStotal_pay_pvFROMfact_behaviorGROUPBYMONTH(date))SELECTs.source,s.mon_key,ROUND(s.source_pay_uv/NULLIF(s.source_uv,0),4)ASsource_cvr,-- 来源支付转化率ROUND(s.source_pay_amount/NULLIF(s.source_pay_uv,0),2)ASsource_aov,-- 来源客单价ROUND(s.source_pay_pv/NULLIF(t.total_pay_pv,0),4)ASsource_order_pct-- 来源订单占比FROMsource_metrics sJOINtotal_metrics tONs.mon_keyt.mon_key;分析结果App/H5来源的用户客单价大幅下降约-33%但其订单占比也同步下降。单一来源维度未看出明显的结构性崩坏需结合“人”和“货”维度交叉验证。3.3.3 货维度商品价格带与折扣力度分析维度价格带price_band0-50, 50-100, 100-300, 300-500, 500、折扣力度discount_levelhigh, mid, low, none。分析目的排查大促后是否因为“高客单价商品销量回落”或“深度折扣商品占比增多”导致整体GMV与客单价双降。核心指标计算 SQLwithorder_num_pvas(selectprice_band,month(date)asmon_key,count(distinctuser_id)asband_users_uv,count(distinctcasewhenpay1thenuser_idend)asband_pay_user_uv,count(casewhenpay1thenuser_idend)asband_orders,(selectsum(casewhenpay1then1end)fromfact_behaviorwhereprice_bandin(0-50,50-100,100-300,300-500,500))astotal_orders,sum(casewhenpay1thenpay_amountend)asband_pay_amountfromfact_behaviorwhereprice_bandin(0-50,50-100,100-300,300-500,500)groupbyprice_band,month(date))selectprice_band,mon_key,round(band_pay_amount/band_pay_user_uv,2)asband_aov,--价格带客单价round(band_orders/total_orders,2)asband_orders_pct--价格带订单占比fromorder_num_pv;------------------------------------withorder_num_pvas(selectdiscount_level,month(date)asmon_key,count(distinctuser_id)aslevle_users_uv,count(distinctcasewhenpay1thenuser_idend)aslevel_pay_user_uv,count(casewhenpay1thenuser_idend)aslevel_orders,(selectsum(casewhenpay1then1end)fromfact_behaviorwherediscont_levelin(high,low,mid,none))astotal_orders,sum(casewhenpay1thenpay_amountend)aslevel_pay_amountfromfact_behaviorwherediscount_levelin(high,low,mid,none)groupbydiscount_level,month(date))selectdiscount_level,mon_key,round(level_pay_amount/level_pay_user_uv,2)aslevel_aov,--折扣等级客单价round(level_orders/total_orders,2)aslevel_orders_pct--折扣等级订单占比fromorder_num_pv;分析结果大促期间6月高价格带300商品贡献了主要GMV大促结束后7月消费回归理性**中低价格带100-300占比上升导致整体客单价结构性下滑。四、 综合结论与业务建议1. 核心结论现象定性大促后大盘GMV下降33%属于大促后的正常回落现象数据无异常下降趋势稳定无单日断崖式下跌。归因定位GMV下降的核心驱动因子为客单价AOV的下滑贡献值达到40%。根因剖析人维度大促引入了大量低客单价的新用户大促后新用户留存转化拉低了整体用户盘的平均客单价。货维度大促后高价格带销量占比显著回落消费结构向中低低价格带商品转移。场维度: 大促后购买中低价格带商品的新用户中有60%来源于APP。2. 业务优化建议针对“人”新用户运营针对大促期间获取的新用户设计“新人复购专享券”或“阶梯式满减活动”引导新用户向高价格带商品转化提升新客LTV。针对“货”商品结构优化在日常运营中增加“组合套装Bundle”或“跨品类满减”玩法通过关联销售提升低价格带商品的连带率从而拉升整体客单价。针对“场”渠道精细化针对App引入低质新用户的问题优化端内的商品推荐算法在日常流量分发中适当增加中高客单价商品的曝光权重。
个人找实习项目
项目大促后大盘GMV下降33%诊断基于逻辑树指标拆解与人货场交叉归因分析零、项目分析路径展示0.1分析路径图展示0.2 关键证据展示一、 业务背景与问题定义业务背景大促活动结束后平台大盘GMV在6月、7月内出现显著下滑。问题定义诊断大促后大盘GMV相对下降33%的核心原因定位业务痛点并为后续的日常运营与营销活动提供优化建议。二、 分析思路与框架现象确认验证大盘GMV下降趋势的真实性排查数据异常明确下降的具体时间节奏。指标拆解基于GMV核心公式GMV 流量 × 转化率 × 客单价拆解驱动因子定位核心下跌指标。多维下钻从“人用户画像”、“场渠道来源”、“货价格与折扣”三个维度进行深度交叉归因寻找结构性变化。三、 详细分析过程3.1 现象确认大盘GMV趋势验证3.1.1 指标定义与数据质量探查在分析前首先对底层数据进行质量检验确保分析结论的准确性。指标名称统计口径时间窗口核心字段大盘GMV支付金额总和剔除异常与缺失值6月、7月pay_amount数据质量检验 SQLSELECTROUND(SUM(CASEWHENpay_amount0THEN1ELSE0END)/COUNT(*),4)ASanomaly_amount_pct,-- 检查不符合业务逻辑的异常负数金额比例ROUND(SUM(CASEWHENpay_amountISNULLTHEN1ELSE0END)/COUNT(*),4)ASmissing_amount_pct-- 检查金额缺失比例FROMfact_behaviorWHEREdatebetween2024-06-01AND2024-07-31;3.1.2 趋势追踪分析1. 周维度追踪滚动7天观察整体趋势走向以大促结束首日2024-06-01为基准按滚动7天进行分组追踪。SELECTFLOOR(DATEDIFF(date,2024-06-01)/7)1ASweek_sep,-- 滚动7天为一组1确保起始周为第一周MIN(date)ASweek_start,MAX(date)ASweek_end,ROUND(SUM(pay_amount),2)ASweek_gmvFROMfact_behaviorWHEREpay_amount0GROUPBYFLOOR(DATEDIFF(date,2024-06-01)/7)1ORDERBYweek_sep;追踪结果数据显示整体呈持续下降趋势确认大盘GMV下滑问题真实存在。2. 日维度追踪排查是否存在特定日期的断崖式下跌SELECTdate,DAYNAME(date)ASweekday,ROUND(SUM(pay_amount),2)ASdaily_gmvFROMfact_behaviorWHEREpay_amount0GROUPBYdate,DAYNAME(date)ORDERBYdateASC;追踪结果不存在单一日期的断崖式下跌整体表现为大促后的自然回落与长效下降趋势。3.2 指标拆解GMV核心驱动因子分析将GMV拆解为三大核心驱动因子定位导致GMV下降的直接指标。驱动因子统计口径计算逻辑核心字段流量 (UV)点击去重用户数COUNT(DISTINCT user_id) WHERE click1user_id,click转化率 (CVR)点击支付转化率支付用户数 / 点击用户数user_id,click,pay客单价 (AOV)支付客单价支付总金额 / 支付用户数pay_amount,user_id,pay分析逻辑通过对比6月与7月的UV、CVR、AOV同环比变化使用连环替代法确认AOV对GMV下降贡献最大AOV优先作为怀疑对象确定后续下钻方向注需确保三者相乘严格等于GMV口径已对齐。3.3 多维下钻归因分析人、货、场3.3.1 人维度用户结构与价值分层分析维度新老用户is_new_user、用户价值分层user_segment高/中/低价值。分析目的排查是否因用户结构变化如低客单新用户涌入高价值老用户流失导致整体大盘指标被拉低。核心指标计算 SQLWITHpay_users_uvAS(SELECTMONTH(date)ASmonth_key,COUNT(DISTINCTCASEWHENpay1THENuser_idEND)AStotal_pay_usernum,COUNT(DISTINCTCASEWHENuser_segmenthigh_valueANDpay1THENuser_idEND)AShighvalue_pay_usernum,COUNT(DISTINCTCASEWHENuser_segmentmid_valueANDpay1THENuser_idEND)ASmidvalue_pay_usernum,COUNT(DISTINCTCASEWHENuser_segmentlow_valueANDpay1THENuser_idEND)ASlowvalue_pay_usernum,COUNT(DISTINCTCASEWHENis_new_user1ANDpay1THENuser_idEND)ASnew_pay_usernumFROMfact_behaviorGROUPBYMONTH(date)),pay_amountsAS(SELECTMONTH(date)ASmonth_key,ROUND(SUM(pay_amount),2)AStotal_payamount,ROUND(SUM(CASEWHENuser_segmenthigh_valueTHENpay_amountELSE0END),2)AShighvalue_payamount,ROUND(SUM(CASEWHENuser_segmentmid_valueTHENpay_amountELSE0END),2)ASmidvalue_payamount,ROUND(SUM(CASEWHENuser_segmentlow_valueTHENpay_amountELSE0END),2)ASlowvalue_payamount,ROUND(SUM(CASEWHENis_new_user1THENpay_amountELSE0END),2)ASnew_payamountFROMfact_behaviorWHEREpay1GROUPBYMONTH(date))SELECTpu.month_key,-- 整体客单价ROUND(pa.total_payamount/pu.total_pay_usernum,2)AStotal_aov,-- 高价值用户指标ROUND(pa.highvalue_payamount/NULLIF(pu.highvalue_pay_usernum,0),2)AShighvalue_aov,ROUND(pu.highvalue_pay_usernum/pu.total_pay_usernum,2)AShighvalue_user_pct,-- 一般价值用户指标ROUND(pa.midvalue_payamount/NULLIF(pu.midvalue_pay_usernum,0),2)ASmidvalue_aov,ROUND(pu.midvalue_pay_usernum/pu.total_pay_usernum,2)ASmidvalue_user_pct,-- 低价值用户指标ROUND(pa.lowvalue_payamount/NULLIF(pu.lowvalue_pay_usernum,0),2)ASlowvalue_aov,ROUND(pu.lowvalue_pay_usernum/pu.total_pay_usernum,2)ASlowvalue_user_pct,-- 新用户指标ROUND(pa.new_payamount/NULLIF(pu.new_pay_usernum,0),2)ASnew_user_aov,ROUND(pu.new_pay_usernum/pu.total_pay_usernum,2)ASnew_user_pctFROMpay_users_uv puJOINpay_amounts paONpu.month_keypa.month_key;分析结果数据显示大促后新用户占比显著上升但新用户的客单价远低于老用户。用户结构的改变低客单用户稀释是拉低整体大盘客单价的核心原因。3.3.2 场维度渠道与流量来源分析分析维度流量来源sourceminiapp / app / pc / h5。分析目的计算各渠道6、7月份的订单量占比PV、支付转化率CVR及客单价AOV排查特定渠道的流量质量变化。核心指标计算 SQLWITHsource_metricsAS(SELECTsource,MONTH(date)ASmon_key,COUNT(DISTINCTuser_id)ASsource_uv,COUNT(DISTINCTCASEWHENpay1THENuser_idEND)ASsource_pay_uv,ROUND(SUM(CASEWHENpay1THENpay_amountEND),2)ASsource_pay_amount,COUNT(CASEWHENpay1THEN1END)ASsource_pay_pvFROMfact_behaviorWHEREsourceIN(miniapp,app,pc,h5)GROUPBYsource,MONTH(date)),total_metricsAS(SELECTMONTH(date)ASmon_key,COUNT(CASEWHENpay1THEN1END)AStotal_pay_pvFROMfact_behaviorGROUPBYMONTH(date))SELECTs.source,s.mon_key,ROUND(s.source_pay_uv/NULLIF(s.source_uv,0),4)ASsource_cvr,-- 来源支付转化率ROUND(s.source_pay_amount/NULLIF(s.source_pay_uv,0),2)ASsource_aov,-- 来源客单价ROUND(s.source_pay_pv/NULLIF(t.total_pay_pv,0),4)ASsource_order_pct-- 来源订单占比FROMsource_metrics sJOINtotal_metrics tONs.mon_keyt.mon_key;分析结果App/H5来源的用户客单价大幅下降约-33%但其订单占比也同步下降。单一来源维度未看出明显的结构性崩坏需结合“人”和“货”维度交叉验证。3.3.3 货维度商品价格带与折扣力度分析维度价格带price_band0-50, 50-100, 100-300, 300-500, 500、折扣力度discount_levelhigh, mid, low, none。分析目的排查大促后是否因为“高客单价商品销量回落”或“深度折扣商品占比增多”导致整体GMV与客单价双降。核心指标计算 SQLwithorder_num_pvas(selectprice_band,month(date)asmon_key,count(distinctuser_id)asband_users_uv,count(distinctcasewhenpay1thenuser_idend)asband_pay_user_uv,count(casewhenpay1thenuser_idend)asband_orders,(selectsum(casewhenpay1then1end)fromfact_behaviorwhereprice_bandin(0-50,50-100,100-300,300-500,500))astotal_orders,sum(casewhenpay1thenpay_amountend)asband_pay_amountfromfact_behaviorwhereprice_bandin(0-50,50-100,100-300,300-500,500)groupbyprice_band,month(date))selectprice_band,mon_key,round(band_pay_amount/band_pay_user_uv,2)asband_aov,--价格带客单价round(band_orders/total_orders,2)asband_orders_pct--价格带订单占比fromorder_num_pv;------------------------------------withorder_num_pvas(selectdiscount_level,month(date)asmon_key,count(distinctuser_id)aslevle_users_uv,count(distinctcasewhenpay1thenuser_idend)aslevel_pay_user_uv,count(casewhenpay1thenuser_idend)aslevel_orders,(selectsum(casewhenpay1then1end)fromfact_behaviorwherediscont_levelin(high,low,mid,none))astotal_orders,sum(casewhenpay1thenpay_amountend)aslevel_pay_amountfromfact_behaviorwherediscount_levelin(high,low,mid,none)groupbydiscount_level,month(date))selectdiscount_level,mon_key,round(level_pay_amount/level_pay_user_uv,2)aslevel_aov,--折扣等级客单价round(level_orders/total_orders,2)aslevel_orders_pct--折扣等级订单占比fromorder_num_pv;分析结果大促期间6月高价格带300商品贡献了主要GMV大促结束后7月消费回归理性**中低价格带100-300占比上升导致整体客单价结构性下滑。四、 综合结论与业务建议1. 核心结论现象定性大促后大盘GMV下降33%属于大促后的正常回落现象数据无异常下降趋势稳定无单日断崖式下跌。归因定位GMV下降的核心驱动因子为客单价AOV的下滑贡献值达到40%。根因剖析人维度大促引入了大量低客单价的新用户大促后新用户留存转化拉低了整体用户盘的平均客单价。货维度大促后高价格带销量占比显著回落消费结构向中低低价格带商品转移。场维度: 大促后购买中低价格带商品的新用户中有60%来源于APP。2. 业务优化建议针对“人”新用户运营针对大促期间获取的新用户设计“新人复购专享券”或“阶梯式满减活动”引导新用户向高价格带商品转化提升新客LTV。针对“货”商品结构优化在日常运营中增加“组合套装Bundle”或“跨品类满减”玩法通过关联销售提升低价格带商品的连带率从而拉升整体客单价。针对“场”渠道精细化针对App引入低质新用户的问题优化端内的商品推荐算法在日常流量分发中适当增加中高客单价商品的曝光权重。
