可视化分析结论

以下方案面向“全国省市履约达成率（当日达、次日达）与用户投诉率的空间分布，叠加仓库覆盖半径与运力利用率；突出低达成与高投诉交叉区域；2025年Q3（07-09）日粒度汇总为周；覆盖自营仓与合作仓；异常天气与节假日独立标注；对照去年同期；最终形成问题识别与结论”的可视化与分析落地。

一、指标与数据定义（建议先确认口径）

• 维度
  • 时间：2025-07-01至2025-09-30，按自然周（周一至周日）汇总；对照去年同期（2024年同一自然周区间）。
  • 空间：省、地级市（建议以地级市为主，省级用于汇总对比）；仓库点位（自营/合作）。
• 指标（按周、城市口径计算，除特别说明外均按当周订单加权）
  • 当日达达成率 = 当周按承诺当日达且当日送达的订单数 / 当周承诺当日达订单数。
  • 次日达达成率 = 当周按承诺次日达且次日送达的订单数 / 当周承诺次日达订单数。
  • 投诉率 = 当周投诉件数 / 当周签收订单数（建议统一为每万单投诉数：投诉率_ppm = 投诉率 × 10,000）。
  • 运力利用率（仓级、周）= 当周已处理量 / 当周设计处理能力（或可用处理能力，推荐取可用能力以反映临时扩缩容）。
  • 覆盖半径：仓库服务范围（优先使用基于路网的等时圈，如30/60/90分钟出库到站时距；若暂缺则用地理缓冲半径，半径值基于历史服务范围中位距离）。
• 事件标注
  • 异常天气：逐日逐市（气象灾害/强降雨/台风预警等级）。
  • 节假日：官方放假与电商大促时间。需独立标注，不与达成率或投诉率合并。

二、聚合与对照口径

• 周汇总
  • 达成率分子分母按订单量加总后再比值，避免平均数偏差。
  • 投诉率按周签收订单加权；显示时用每万单便于跨城对比。
  • 最小样本量约束：若某周城市承诺量 < 阈值（如1,000单），在图层淡化并以置信区间标示不确定性。
• 同比对照
  • 与去年自然周对齐；若节假日错位（如中秋/大促），在仪表盘提供“节假日对齐模式”（将对比周平移到节日所在周）与“自然周对齐模式”双视图。
  • 输出Δ达成率、Δ投诉ppm，并计算相对变化率。

三、关键派生指标（用于突出“低达成×高投诉”交叉）

• 交叉风险分数（city-week）
  • r1 = 标准化(1 − 达成率)，r2 = 标准化(投诉ppm)；CrossRisk = w1r1 + w2r2（默认w1=w2=0.5，可在仪表盘调节）。
  • 样本量权重：对CrossRisk应用√订单量的权重以减少小样本波动。
• 阈值与分位
  • 低达成阈值：业务SLA（如当日达≥X%、次日达≥Y%）或基于历史30分位。
  • 高投诉阈值：基于历史70分位或业务红线（ppm阈值）。
  • 同时满足者判定为交叉高风险；连续≥2周标记为“持续性热点”。
• YoY异常度
  • YoY_Residual = 今年指标 − 去年同期 − 同周气象/节假日平均影响（若具备事件影响系数）。

四、可视化设计 A. 地图热力图（空间主视图）

• 底图：全国省/市边界；缩放到市级时展示仓点与等时圈。
• 图层
  1. 交叉风险热力层（Hexbin或网格密度热）：颜色表达CrossRisk，避开投影失真时的面积误差；提供“省级聚合/市级细节”切换。
  2. 仓库覆盖与运力层：仓库点（形状区分自营/合作）；外圈为覆盖半径/等时圈；点填充颜色表达运力利用率（分档：<70%、70-90%、90-100%、>100%），点大小按当周出库量。
  3. 达成率等值带（可选）：在市级上以等值带突出当日达或次日达低谷区。
  4. 事件标注：受异常天气影响城市以斜线纹理叠加；节假日周在时间轴上以带状标记。
• 交互
  • 悬浮提示：城市名、当/次日达达成率、投诉ppm、订单量、近三周趋势、YoY变化、仓库列表与各自运力利用率。
  • 地图刷选联动散点与热力矩阵；阈值滑杆动态重计算交叉高风险高亮。
• 配色
  • 交叉风险：单调红系（色盲友好，建议CET L1或ColorBrewer Reds）。
  • 运力利用率：分段渐变（蓝→灰→橙→红，>100%为红）。
  • 事件纹理优先使用图案而非饱和色，避免与主指标混淆。

B. 散点图（关联关系与异常点）

• 点：city-week。
• X轴：达成率（当日达或次日达，可切换）。
• Y轴：投诉ppm（对数刻度可选，降低长尾影响）。
• 点大小：当周订单量；颜色：运力利用率分档；描边形状：主要仓库类型（自营/合作/混合）。
• 参考线/象限：达成率目标线与投诉红线，形成四象限高亮“低达成×高投诉”区；支持阈值自定义。
• YoY矢量（可选）：同城去年点到今年点的箭头展示变化方向和幅度。
• 回归/等密度带（可选）：拟合投诉ppm与达成率的关系，突出正/负残差异常城市。

C. 仪表盘（整合与导航）

• 顶部KPI
  • 全国层面：当日达、次日达、投诉ppm、交叉风险Top城市数（本周/累计）、YoY变化。
  • 过滤器：时间（周）、城市/省、承诺类型（当/次日达）、仓库类型、自营/合作、样本量阈值、事件开关、阈值滑杆。
• 中央区域
  • 左：地图热力图（交叉风险与仓覆盖）。
  • 中：散点图（支持刷选与时间动画播放逐周查看）。
  • 右：时间热力矩阵（城市×周）
    • 上方矩阵：达成率（当/次日达切换）。
    • 下方矩阵：投诉ppm。
    • 矩阵单元角标标示事件（天气/节假日）。
• 底部榜单
  • 交叉高风险城市Top N（支持“本周值”“连续周数”“YoY恶化幅度”排序）。
  • 风险说明列出：主要仓库、运力利用率、覆盖缺口（覆盖外订单占比）、事件影响状态。

五、异常区域判定与算法

• 基于阈值的规则判定
  • 条件：达成率 < T_达成 且 投诉ppm > T_投诉，且订单量 ≥ N_min。
  • 持续性：最近K周中满足次数≥M则标记为“持续热点”（默认K=4, M=2，可调）。
• 统计增强（可选）
  • 空间聚集：对市级CrossRisk计算Moran’s I或Getis-Ord Gi*，标记统计显著的聚集区。
  • 稳健阈值：采用分位数自适应（如达成率≤P30、投诉ppm≥P70），减少口径差异对跨区域比较的偏差。
  • 残差异常：对投诉ppm ~ f(达成率, 事件, 运力, 订单量)做广义线性模型，取正残差Top城市为“投诉异常过高”备选清单。

六、仓覆盖与运力可视化要点

• 覆盖范围优先用等时圈（30/60/90分钟），地图显示为半透明带；无路网服务时，以地理缓冲近似但需在图例中注明。
• 多仓叠加区域以最大可达等级或订单量加权平均达成率着色；覆盖外订单用虚线边界提示。
• 运力利用率>100%高亮红色，提示产能溢出；仓点Tooltip提供当周错峰/加班/临时产能说明字段（若有）。

七、数据质量与偏差控制

• 指标口径统一：当/次日达的承诺口径一致（剔除无承诺/改期），投诉定义统一（去重、同单多投诉并口径）。
• 小样本抑制：低量城市周度结果以置信区间显示或合并到省级观察；散点透明度降低。
• 时效一致：签收时间与投诉归属周的时间对齐（建议均按签收周）。
• 缺失与延迟：合作仓数据延迟上报时显示“数据延迟”标识，不进入排行。
• 对比基线：去年异常周（极端灾害）可标“不可比”，YoY图层弱化或剔除。

八、配色与读图一致性

• 单一指标采用单调渐变；双指标不建议直接做双变量着色在同一图层，避免误读，采用交叉风险聚合指标更直观。
• 色盲友好调色板，统一负向为暖色（红/橙），正向为冷色（蓝/绿）；图例始终可见。

九、性能与实现建议

• 数据量规模：地级市≈300、周≈13，点位<4,000，前端可直接渲染；仓点<数千，按缩放层级做采样。
• 技术栈建议
  • 地图：Mapbox GL或Deck.gl（支持等时圈矢量与热力）。
  • 图表：ECharts或Vega-Lite（散点、矩阵热力、KPI卡）。
  • 后端预聚合：按city-week输出指标与事件标记，避免前端计算压力。

十、结论撰写模板（实际识别后填写）

• 概览
  • Q3全国当日达/次日达分别为[数值]，YoY[提升/下降][幅度]；投诉ppm为[数值]，YoY[变化]。
• 交叉高风险区域
  • 本周交叉高风险城市数：[数量]；持续热点（≥2/4周）：[城市列表]。
  • 高风险聚集带：位于[区域/走廊]，Moran’s I显著（p<[阈值]）（如已计算）。
• 主要驱动因素
  • 运力：高风险城市中[比例]%仓运力利用率≥90%，其中>100%的有[数量]个（自营/合作占比[比例]）。
  • 覆盖：覆盖外订单占比上升的城市：[城市]（占比[数值]%）。
  • 事件：受天气/节假日影响的周对达成率影响约[估计幅度]pp；剔除事件后残差仍偏高的城市：[城市]。
• 同比变化
  • 相比2024Q3，交叉风险显著恶化的省市：[列表]，改善的[列表]；总体投诉对达成率敏感性[增强/减弱]。
• 优先处置清单（下周行动）
  • 产能扩充/错峰调度：针对[城市/仓]，建议增开[班次/临时人力/夜间波次]，目标利用率回到<90%。
  • 覆盖优化：为[城市群]从[仓A]切换至[仓B]或新增中转点，缩短等时圈至60分钟内覆盖率≥[目标]%。
  • 体验治理：针对[城市]投 complaint残差高，推进[末端签收确认/客服提前干预/物流节奏通知]。
  • 事件预案：对台风/强降雨高频省份设立[预备容量%]与[改承诺策略]，减少异常周承诺违约。

十一、下一步所需确认/输入

• SLA目标阈值（当日达、次日达）与投诉ppm红线。
• 最小样本量阈值与是否采用对数坐标展示投诉。
• 覆盖范围数据来源（等时圈/半径）与计算方式。
• 事件数据源与严重度分级口径。
• 是否启用自适应（分位数）阈值与空间统计模块。

以上设计以“热力图（空间交叉风险/时间矩阵）+散点图（关系与异常）+仪表盘（KPI与联动过滤）”为核心，确保在2025年Q3周粒度下，快速定位“低达成×高投诉”的空间热点，剥离天气与节假日干扰，并支持与去年同期的结构化对照，最终输出面向运营的可执行结论与优先行动清单。

以下方案为“站内搜索广告 vs 信息流广告”的新客转化漏斗可视化与分析设计，覆盖指标口径、数据处理、图表规格、注释体系、统计检验与可操作的优化建议。所有设计遵循不虚构数据与按日汇总至周的原则，并保留活动/预算/出价等运营节点的可追溯性。

一、分析目标与范围

• 目标：在2025-04-01至2025-06-30期间，按周评估两类广告在新客漏斗各阶段转化率、CPA、ROI的分层表现（人群：高意向/冷启动；重点品类），结合预算/出价/创意A/B与节日活动节点，输出优化建议与结论。
• 汇总粒度：按日汇总至周（推荐周一-周日），先汇总分母/分子再计算比率，避免对率的简单均值造成偏差。
• 维度分层：广告类型（搜索/信息流）× 人群包（高意向/冷启动）× 重点品类（维持可筛选）× 创意版本（A/B）。
• 节点标注：预算与出价调整（精确到日，必要时到小时）；创意A/B切换/上线；节日/大促活动窗口（建议以企业活动日历为准，示例日期如5/1劳动节当天、6/18大促当天，需核对实际运营日程）。

二、指标口径与计算 建议以“新客口径”为主进行漏斗与效率指标计算，可并行展示“全量口径”作对照。

• 基础事件
  • 曝光(Impressions)、点击(Clicks)、加购(Add_to_cart)、支付(Purchases)
  • 新客判定：purchase_user_id在选定回溯期内（如360天）首次购买；请与一方CRM/ID映射口径一致（跨端去重）。
• 漏斗转化率（新客口径优先）
  • CTR = Clicks / Impressions
  • Click→Add-to-cart 转化率 (CTAR) = Add_to_cart / Clicks
  • Add-to-cart→Purchase 转化率 (CTPR) = Purchases / Add_to_cart
  • 全链路CVR (Impr→Purchase) = Purchases / Impressions
  • 注：周级计算一律先求周内分子/分母求和，再计算比率。
• 效率指标
  • CPA_new = Spend / New_customer_purchases
  • ROI_new = New_customer_revenue / Spend
  • 可并列：CPA_all、ROI_all（如需对照）
• 收入口径与归因
  • Revenue建议含税或不含税口径固定；归因窗口（如当日点击-7天加购/购买）需统一并在图表注释中披露。
• 数据质量控制
  • 过滤异常：机器人流量/异常CTR、突发缺数；对关键节点前后做缺失填补标记而非插值篡改。
  • 去重：同一用户跨设备/跨创意的归因规则要固定（如最后点击归因）。

三、数据结构与汇总规则

• 明细字段（建议）
  • date, week_start(周一), ad_type(搜索/信息流), audience(高意向/冷启动), category, creative_variant(A/B), campaign_id, adgroup_id
  • impressions, clicks, add_to_cart, purchases, spend, revenue, is_new_purchase_count（新客购买数）
  • events_log：event_date, event_type(budget_change/bid_change/creative_on/off/campaign_pause), detail(json), applies_to(campaign/adgroup/creative)
  • holidays：start_date, end_date, name, type(platform_campaign/public_holiday/brand_event)
• 周汇总SQL示例（思路）
  • 将明细按week_start, ad_type, audience, category, creative_variant分组，sum(impr/click/add/purchase/spend/revenue/new_purchase)后再计算各率与CPA/ROI。

四、可视化设计（图表类型限定为：折线图/柱状图/散点图/仪表盘） A. 漏斗转化率趋势（折线图，多面板）

• 目的：对比搜索 vs 信息流，在高意向 vs 冷启动的人群上，周度CTR、CTAR、CTPR、全链路CVR的动态变化。
• 规格：
  • 行分面：ad_type（两行）；列分面：audience（两列）。
  • 每面板4条线（CTR、CTAR、CTPR、CVR），或采用小倍数图减少线数：一图一指标，四图同轴对齐。
  • X：week_start，Y：转化率（%），Y轴独立尺度或统一尺度（推荐统一，便于横向对比）。
  • 注释：垂直线标记预算/出价/创意事件；半透明区块标记活动窗口；悬浮提示包含当周分子/分母与变化率。
  • 颜色：按指标固定色板（避免与广告类型/人群色冲突），如CTR蓝、CTAR橙、CTPR绿、CVR紫。 B. CPA与ROI效率（上下对齐的折线图）
• 目的：避免双轴误导，展示效率联动与拐点。
• 规格：
  • 上图：ROI_new（Y轴>=0，标出=1的基准线）；下图：CPA_new（货币单位）。
  • 同样采用ad_type × audience的分面，或以广告类型为颜色、人群为分面。
  • 注释同上；活动窗口常以浅灰区块覆盖。 C. 品类分布与贡献（柱状图）
• 目的：识别重点品类对投放效率的拉动/拖累。
• 规格：
  • 堆叠柱：按category展示每周Spend与New Purchases贡献（两张图），或选择Top N品类并固定顺序。
  • 另图：每周各品类ROI_new（分组柱），便于识别上升/下降品类。
  • 交互：点击品类联动其他图的该品类过滤。 D. 效率前沿（散点图）
• 目的：在周度层面观察CPA与ROI的组合效率，识别预算重配方向。
• 规格：
  • X：CPA_new，Y：ROI_new；气泡大小=Spend，颜色=ad_type，形状=audience。
  • 注：对活动周点加描边；对极值点标注campaign/adgroup。
  • 辅助：绘制ROI=1的参考线与分位数等高线（可选）。 E. 创意A/B对比（柱状图+误差线 或 散点图）
• 目的：评估创意在CTR/CTAR/最终CVR上的差异与统计显著性。
• 规格：
  • 分组柱：A vs B在CTR、CTAR、CVR_new、CPA_new、ROI_new的对比；添加95%置信区间（两比例z检验或bootstrap）。
  • 或散点：X=CTR，Y=CVR_new，颜色=variant，大小=Spend，标注显著优胜者。
  • 注释：创意上线/切换日期的垂直线与版本标签。

F. 仪表盘布局建议

• 顶部仪表：本周 vs 上周的核心KPI（ROI_new、CPA_new、CVR_new），按广告类型与人群可切换。
• 左侧：漏斗转化率趋势（A）。
• 中部：CPA/ROI趋势（B）。
• 右侧：效率前沿散点（D）。
• 底部：品类柱状（C）与创意A/B对比（E）。
• 全局过滤：时间、广告类型、人群包、品类、创意版本、是否活动周。

五、注释与事件对齐

• 节点类型与渲染
  • 预算/出价：细实线（不同线型区分预算 vs 出价）；tooltip展示调整幅度与对象范围。
  • 创意：上线/下线/版本切换用三角/菱形标记，tooltip含版本ID与差异点。
  • 活动窗口：半透明区块+标题（如“五一”“618”）；请以内部活动日历导入，避免默认行业时间造成偏差。
• 对齐逻辑
  • 若节点为小时级，落在对应周的全部图表上显示；tooltip保留原时间戳。
  • 同一周多事件，合并显示并列表。

六、统计与方法

• 汇总方法：周级先sum再比率（防止对率平均的偏差）；对小样本周（Clicks<阈值）高亮“数据稀疏”警示。
• A/B显著性
  • 两比例z检验：CTR/CTAR/CVR_new的A vs B差异；H0: pA=pB；显著性水平α=0.05；多重比较使用BH校正。
  • CPA/ROI差异：bootstrap重采样（B=10,000）估计均值差异的置信区间。
• 趋势拐点：移动窗口（k=3周）对ROI_new/CPA_new做CUSUM或段点检测；以注释提示“可能结构性变化”。

七、实现要点与口径披露

• 周定义：周一至周日；week_start为该周周一日期。
• 归因窗口与新客定义在仪表盘显著位置披露（如：点击后7天归因；新客回溯360天）。
• 单位与尺度：所有转化率以%显示；货币以CNY；ROI无单位。
• 颜色与可访问性：广告类型用定性色（如搜索蓝、信息流青）；人群包用线型或分面区隔；保证色盲友好。
• 性能：限制一次性渲染的点数（周粒度×维度组合）；对Top N品类提供可配置阈值。

八、优化建议（按可观察模式给出可执行策略） 以下为基于可视化读数的决策规则与对应动作，实际执行需以图表结果为准：

1. CTR低且CTAR/CTPR正常（创意/定向问题）

• 搜索：优化关键词匹配与否定词；提升高意向词出价优先级；测试更高相关度的标题与卖点。
• 信息流：强化首屏视觉与强利益点；增加首帧文案“新客专享”；控制频控，避免疲劳导致CTR下降。
• 动作：将预算从低CTR组合转移至相同人群/品类下CTR居前且ROI≥1的组合；优先扩量创意胜出版本（统计显著）。

2. CTR正常但CTAR低（落地页/商品力问题）

• 行动：跳转至更高转化的商品集合页；首屏增加价格锚点与社证；减少跳出组件；对冷启动人群加首单券引导。
• 监控：CTAR提升应同步推动CVR_new升高；若不升，检查加购后库存/发货/到货时效文案。

3. CTAR正常但CTPR低（临门一脚问题）

• 行动：优化购物车到支付路径（减少结算步骤/引导优惠使用）；活动周配置限时补贴；对高意向人群开启再营销加购人群召回。
• 监控：支付率上升伴随CPA_new下降；若ROI_new仍<1，复核客单价与毛利。

4. ROI_new<1且CPA_new高（结构性超成本）

• 行动：以“效率前沿散点”识别ROI_new≥1的点，按边际ROI排序吸纳预算；对ROI<1的组合降出价或限额。
• 搜索：优先保留Exact/高转化词组；降Broad出价并加强否词。
• 信息流：暂停低ROI×高Spend的流量位；将预算转入优胜创意与高意向人群。

5. 活动窗口策略

• 预热期：提升高意向×重点品类的曝光与出价，扩大加购池；冷启动以领券素材拉取CTR与加购。
• 峰值期：预算倾斜至ROI曲线领先的组合；监控CPA波动，必要时分时段竞价。
• 活动后：降低出价回归；对新增加购未转化用户做再营销收口。

6. 创意A/B

• 若CTR显著提升且CVR不降，直接扩量胜出版本；若CTR升但CVR降，分流到更高相关度的人群/词组。
• 连续两周胜出后沉淀为基线，启动新一轮微变体（标题/首帧/CTA单因子）测试。

7. 品类组合

• 将ROI_new的Top品类作为扩量优先级；对ROI稳定<1的品类保留小流量探测，等待新品或价格策略变化后再提权。

九、结论模板（交付后落地）

• 整体：在Q2周度维度，搜索在高意向人群的CVR_new与ROI_new持续领先，信息流在冷启动人群的CTR更优但CTPR偏弱。
• 节点影响：活动周（如5/1、6/18）带来CTR上升，但若CTPR未同步提升会稀释ROI，需加强结算端策略。
• 策略落地：建议下周起将X%预算从ROI<1组合转移至效率前沿右上象限；扩大创意B（经检验显著优胜）在信息流冷启动人群的投放；搜索侧提高Exact高意向词出价Y%，并新增否词清理无效流量。
• 复盘机制：按周更新仪表盘与事件日志，记录优化动作与次周指标弹性，形成可迭代的因果链路。

如需，我可提供：

• 可直接导入的SQL/视图定义（周汇总与事件关联）
• 在Tableau/Power BI的字段计算与图层配置清单
• Python/pandas脚本模板用于离线计算并输出到BI数据源

请确认：

• 活动窗口的实际日期与命名
• 归因窗口与新客判定口径
• 重点品类清单与Top N阈值
• 是否采用周一-周日作为周定义（默认是）