数据集商业描述分析

以下为对“移动App订阅与留存月度面板（2024-2025）”数据的描述性统计分析总结与报告草案，聚焦于结构理解、分布识别、数据质量、业务初步洞察与后续分析方向。基于当前提供的元信息与口径约定，未使用任何未验证的数值估计；需要的具体统计表与图将在数据跑数后填充。

一、执行摘要（可用于报告首页）

• 数据结构：用户-月份面板，含订阅关键事件。时间范围2024-01至2025-06（18个月，UTC+8），约350,000行、约68,000名用户，每用户平均约5.15个观测月，覆盖潜在18个月的约28.6%。这意味着存在显著进入/退出与右删失，对留存与趋势评估需做删失/暴露期校正。
• 收入口径：revenue为含税净额（CNY），试用期收入=0，refund_amount为负值单列。需避免将退款重复计入净收入（确认revenue是否已扣减refund_amount）。
• 核心变量：订阅计划（月/季/年）、渠道、设备OS、国家、促销/试用标记、价格、续费/取消日期、活跃与会话、退款、续费次数、版本、推送授权。
• 质量注记：churn_reason与promo_flag部分缺失；存在右删失（近月与新cohort）；各国均以CNY记价，跨国对比需谨慎。
• 零值/稀疏特征：试用与非付费月将造成收入的零膨胀分布；refund造成尾部负值月。建议在建模时采用稳健统计（中位数、分位数）与合适的分布假设。
• 重点关注：趋势与季节性（18个月）、分层差异（OS/渠道/计划/国家）、试用转化与价格实现度、留存与流失原因结构、推送授权与活跃/留存关系。
• 后续方向：以队列留存与生存分析为核心，叠加价格—促销—渠道的交叉细分，构建订阅LTV与价格实现度框架；推进缺失与删失处理，以确保趋势解读的有效性。

二、数据结构与覆盖性概览

• 粒度与唯一键：user_id × month（每用户每月至多一条）。需验证唯一性与重复（若存在，优先依据日期逻辑合并/剔除）。
• 时间边界与日期一致性检查：
  • cohort_month应匹配用户首次start_date所在月。
  • renewal_date应与计划周期一致（月/季/年），cancel_date不得早于start_date，且一经取消后续月is_active应为0。
  • UTC+8归属月边界与商店计费/结算时区可能存在偏差，需验证跨月边界的计费定位。
• 暴露期与删失：距2025-06越近的cohort留存被右删失；所有月度指标与留存曲线需以“可观察月”归一化。

三、关键变量分布（需输出的描述性统计清单） 请在跑数后输出下列表格/图表（标准化格式以便复用）：

• 全局分布
  • 用户数、行数、月份数（总计/去重）；每用户观测月的分布（P50/P75/P90）。
  • 计划分布：月/季/年占比；计划×国家/OS/渠道的交叉分布。
  • 国家（ISO-2）前十占比；设备OS占比；渠道占比。
  • 价格分布：list_price按计划的分布（P10/P50/P90）与异常值（小于5元或高于计划常见价位）。
  • 推送授权率（push_opt_in）整体与分层（OS/国家），版本分布（latest_app_version按主版本号拆分）。
• 活跃与会话
  • active_days分布（均值/中位数/分位数）与月内天数上界检查；sessions分布与每活跃日会话数。
  • is_active与active_days=0/收入=0的交叉一致性。
• 收入与退款
  • revenue分布（含0膨胀与负值月占比）、refund_amount分布与发生率；按计划与渠道的净收入/退款率。
  • 实际实现价=（revenue+max(refund_amount,0?需口径明确）/计费数），以及promo_flag与trial_flag对实现价的影响。
• 续费与留存初看
  • renew_count分布（首月/多月）、cancel_date填充率、churn_reason分布（含“缺失”桶）。
  • 按cohort_month绘制：MAS（月活订阅用户数）、新增、续费、取消、净增；同时提供留存曲线（KM估计，见“趋势”）。

四、趋势性特征（建议的趋势视图与解读注意点）

• 月度趋势：2024-01至2025-06的订阅存量（MAS）、新增、续费率、取消率、净收入、退款率、ARPU/ARPAS（每活跃订阅用户平均收入）。
• 季节性与事件：重点观察春节、618等周期性起伏；需与渠道/促销同步验证，避免将活动驱动误判为自然增长。
• 计划迁移：观察月/季/年计划占比的时间演变与价格实现变化。
• 版本与推送：最新主版本发布窗口与留存/活跃/收入变化的时序对齐；push_opt_in改善是否与更高会话/留存同步。

五、关联性初步观察（不带因果，仅相关）

• 行为与留存：active_days、sessions与次月是否留存（is_active）的相关；Spearman优先，提供分层（OS/计划/渠道）。
• 价格与续费：list_price、promo_flag与续费率/退款率的关系；对价格离群值进行稳健回归（分位数回归或分桶均值）以降低极端值影响。
• 试用转化：trial_flag=1的用户首个付费月转化率、转化周期分布与渠道差异。
• 推送授权：push_opt_in与次月留存/会话分布差异；控制混杂（OS、渠道、cohort）的分层或倾向得分匹配的描述性对比。
• 渠道质量：acquisition_channel与首月付费率、6M留存率、退款率；结合cohort_month检验渠道质量是否随时间变动。

六、缺失值情况与处理建议

• 缺失概览：按字段列出缺失率（含“Unknown/Other”映射），特别关注churn_reason与promo_flag。
• 缺失机制判断：MCAR/MAR/MNAR的启发式评估（如缺失是否与OS/渠道/计划/cohort相关）。
• 处理策略：
  • 业务关键的分类变量（promo_flag/churn_reason）：引入“缺失”显式类别，避免删行偏倚。
  • 连续变量：若少量缺失，优先中位数/分位数插补并打缺失指示器；若与结果高度相关，改用基于模型的多重插补。
  • 审核日期字段缺失：无法恢复者参与有限分析（例如仅纳入能定位事件顺序的样本）。

七、数据质量与一致性校验（强烈建议先完成后再出结论）

• 键一致性：user_id×month唯一性、cohort_month≤start_date所在月。
• 事件时间逻辑：renewal_date按计划周期推进；cancel_date后续月is_active=0；同月出现start与cancel的边界情形处理。
• 口径一致性：
  • revenue与refund_amount的关系：确认revenue是否已净扣退款；若否，建立净收入= revenue+refund_amount的统一口径，避免双扣或漏扣。
  • 试用期：trial_flag=1的月份revenue必须=0；如不一致，标注异常。
• 值域检查：active_days ∈ [0,日数]，sessions≥0；list_price>0且按计划有合理离散价位；country为有效ISO-2；latest_app_version可解析。
• 反常监控：负净收入占比、不合逻辑的高renew_count跳变、同一用户短期内频繁cancel/renew循环（退款套利风险）。

八、业务初步洞察（结构性要点，待数据验证）

• 用户留存结构：平均仅5.15个观测月/用户提示存量中短期占比较高。需要通过队列留存曲线与右删失校正确认“首月/次月”留存断点位置与长期尾部。
• 价格与计划：计划长度直接影响现金流波动与退款风险暴露周期；观察年/季计划的退款峰值是否更集中在计费月。
• 促销与试用：trial与promo将拉低价格实现度，易造成零收入月比例上升；需将“价格实现（实收/标价）”作为核心监控指标，与续费率联动看质量而非单看新增。
• 推送与版本：push_opt_in可能与更高活跃与留存正相关；版本发布节点评估是否带来留存拐点（需分层控制渠道/cohort）。
• 渠道差异：不同acquisition_channel的付费质量差异通常大于国家/OS差异，优先在渠道维度做队列化对比。

九、数据报告摘要模板（交付建议，页级目录）

• 概览：数据范围、口径、质量注记（1页）
• KPI仪表盘：MAS、新增、续费、取消、净增、净收入、退款率、ARPU/ARPAS（1-2页）
• 队列分析：按cohort_month的留存曲线（KM）、续费/取消分解（2-3页）
• 分层对比：OS/渠道/计划/国家的核心KPI与价格实现度（2-3页）
• 试用与促销：转化率、价格实现、留存对比（1-2页）
• 活跃与留存：active_days、sessions与留存关联（1-2页）
• 质量与风险：缺失、异常、边界案例与处理（1页）
• 附录：口径定义、变量字典、审计清单（2页）

十、后续分析方向与优先级

• 必做（优先级高）
  • 完成数据审计与口径统一（特别是revenue与refund关系），冻结一版“净收入”定义。
  • 队列生存分析（Kaplan-Meier与分层KM）；输出按计划/OS/渠道/国家的留存曲线与差异检验（log-rank）。
  • 试用转化漏斗与次月留存；价格实现度与续费关系的稳健回归（分位数回归或分桶均值）。
• 建议（优先级中）
  • 退款驱动因素：logit/GBM对退款发生的解释变量重要性；识别高退款风险组合（计划×渠道×国家）。
  • 推送授权效应：倾向得分匹配的准实验描述性对比（提升估计仅限相关性）。
  • 版本发布的事件研究：发布窗口±k周的留存/活跃/收入变化（分层控制）。
• 拓展（优先级低-中）
  • LTV分解：续费曲线×价格实现度×退款率；按渠道做LTV与回本期框架（若提供获客成本可对齐ROI）。
  • 价格带敏感性：自然实验/促销窗口的断点回归或差分法（需额外运营标注）。

十一、数据局限性说明

• 右删失与暴露期不均：近月cohort留存与续费偏高/偏低风险并存，必须进行删失校正或限制观察窗。
• 退款记录与收入净额的口径不确定性：需明确定义后方可进行跨渠道/计划的价格实现与ARPU对比。
• 跨国比较均以CNY计价：可能混入汇率或地域定价差异，跨国结论需做分层与敏感性分析。
• churn_reason与promo_flag缺失：与结果变量可能相关，直接删行会产生偏倚，需显式建“缺失”桶或多重插补。
• 未包含获客成本与更细用户画像：限制了ROI与因果推断能力，当前分析以描述与相关为主。

附：关键KPI口径建议（用于报告统一）

• 活跃订阅用户（MAS）：当月is_active=1的订阅用户数。可另设“付费订阅用户”（revenue>0）。
• 新增：当月首次付费或首次订阅（含试用，需明确）。
• 续费率：续费事件数/上期在订且到期用户数（按计划周期口径）。
• 取消率：取消事件数/上期在订且到期用户数或当期在订用户数（需统一分母）。
• 退款率：发生退款的用户月占比；或退款金额/收入金额。
• ARPAS：净收入/活跃订阅用户（或按定义分层）。
• 价格实现度：净收入/（计费次数×list_price），按计划分层。

如需，我可以基于样例数据或直连数据源生成上述表格与图表，并输出可供管理层直接使用的PPT/仪表盘草稿。

以下为针对“B2B广告投放与线索转化日度数据（FY2024 H2）”的描述性统计分析总结与报告草案，聚焦于数据结构理解、变量分布、初步业务洞察、数据一致性与异常识别、趋势特征及后续分析方向。说明：本摘要基于您提供的数据结构与质量说明，不虚构未计算出的数值；涉及的结论以“建议/可验证假设/需要确认”的形式呈现。

一、数据概览与结构

• 覆盖范围：2024-07-01 至 2024-12-31（H2，184天），约80,000行（channel+campaign+date聚合），去重线索约26,500。
• 口径与主营字段：
  • 付费投放与自然流量共存；币种CNY；跨端会话去重；主归因模型为last_click（含linear供对比）。
  • 广告层：impressions、clicks、spend、cpc、cpm、ctr、landing_sessions。
  • 漏斗层：leads、mql、sql、opp_created、revenue_booked、sales_cycle_days、lead_quality_score[0-100]。
  • 维度层：date、channel（搜索/信息流/视频/展示/联盟）、campaign_id、utm_*、region、device、industry（部分缺失）、company_size_bucket、first_touch/last_touch、attribution_model。
• 数据覆盖特性与注意：
  • 周末投放强度较低（需量化工作日/周末的投放与转化差异）。
  • 个别渠道点击与会话存在落差（重点核查click→session转化比）。
  • 保留无投放但有自然线索的日期（利于对比自然基线）。

二、数据一致性与质量检查（建议动作与应输出的指标）

• 结构与唯一性
  • 主键检查：date+channel+campaign_id是否唯一；lead_id是否全局唯一（跨日期/渠道去重）。
• 漏斗单调性
  • 校验 leads ≥ mql ≥ sql ≥ opp_created；opp_created与revenue_booked存在映射（同lead或同account）。
  • 发现不满足处计数与占比（应<1%，超阈需回溯ETL/归因口径）。
• 指标逻辑一致性
  • cpc≈spend/clicks、cpm≈spend/impressions*1000、ctr≈clicks/impressions；偏差>1%计为异常行。
  • landing_sessions ≥ clicks的比例不应高于小概率阈值（一般<1%，高于需查UTM或会话定义）；clicks≫sessions说明落地埋点/重定向/反作弊差异。
• 归因一致性
  • 按lead_id对比first_touch与last_touch渠道/活动；last_click与linear模型在渠道分配上的差异（占比、相对偏差）。
• 缺失值与异值
  • industry缺失率（总体、按渠道/活动）；device/region/utm_*缺失率；lead_quality_score/sales_cycle_days是否有异常值或越界。
  • spend=0但有付费渠道clicks的行；clicks=0但ctr>0等异常。
• 建议阈值
  • 指标一致性误差阈值1%-2%；click→session移转率过低（例如<30%）或过高（>120%）标记；极值识别采用IQR法（Q1-1.5IQR、Q3+1.5IQR）并结合业务上下限（如ctr>30%通常异常）。

三、关键变量分布（描述性统计建议产出）

• 投放与触达：impressions、clicks、spend
  • 典型重尾分布；请输出中位数、IQR、P95/P99；按channel、device、region分层。
• 有效性：ctr、cpc、cpm、click→session移转率（sessions/clicks）
  • 按渠道及设备分层；搜索通常cpc较高但意向强，展示/视频量大但ctr/cvr波动大（为需验证假设）。
• 漏斗深度：landing_sessions→leads→mql→sql→opp_created→revenue_booked
  • 输出各层转化率：lead_rate=leads/sessions、mql_rate=mql/leads、sql_rate=sql/mql、opp_rate=opp_created/sql、close_rate=revenue_booked/opp_created；以及整体pipeline CVR（leads/clicks、opp_created/clicks、revenue_booked/clicks）。
• 质量与周期：lead_quality_score、sales_cycle_days
  • 输出分布（中位数、IQR、长尾性）；按channel、industry、company_size_bucket分层；检视质量分与转化率/周期的关系。
• 去重线索结构：按first_touch与last_touch的渠道/活动分布，对比“拉新（FT）”与“收口（LT）”角色差异。

四、趋势性特征（时间序列建议）

• 周频/月频汇总：spend、sessions、leads、MQL/SQL、Opp、Revenue的时序走势；工作日/周末对比；月内周期性（如月初/末预算波动）。
• 活动生命周期：按campaign_id构建生存曲线（首次投放→峰值→衰减），观察投放半衰期与质量随时间变化。
• 归因随时间：last_click与linear的分配差异是否在促销/大峰期扩大。

五、关联性初步观察（不假设正态，使用稳健方法）

• 相关方法：Spearman/Kendall用于秩相关；对比例指标采用分层偏相关（控制channel/device/region）；对高共线指标（如cpc、cpm、ctr）先做VIF筛查。
• 建议检视关系：
  • spend与leads/MQL/SQL/opp/revenue的相关性（按渠道分层，避免混淆）。
  • cpc与lead_quality_score/sales_cycle_days、以及与后端转化率的关系（成本-质量权衡）。
  • sessions/clicks移转率与lead_rate（落地质量对线索率的影响）。
  • lead_quality_score与pipeline深度转化（质量分是否对SQL/OPP/赢单更有解释力）。
• 输出：相关系数矩阵（总体+分渠道）、显著性（p值）与效应方向；提示仅为相关非因果。

六、异常值与异常模式识别

• 指标层异常：极端ctr/cpc/cpm、极端sessions/clicks、零花费有大量线索等。
• 渠道/活动层异常：日均绩效跳变（CUSUM/滚动z-score），活动突发性劣化或“刷量”迹象（高展示、低会话、低线索）。
• 漏斗断点：阶段性断层（如某渠道lead充足但MQL显著低），可能为线索质量或评分口径问题。

七、数据局限性与偏差说明

• industry缺失导致行业维度分析偏差（建议使用“缺失”作为独立类别，并评估缺失是否与渠道/质量相关）。
• 点击-会话落差对landing_sessions基准的影响；落差不均衡会误导渠道对比。
• last_click为主的归因对“上层漏斗”渠道不利；需结合linear与first_touch或进行多触点敏感性分析。
• 周末投放偏低导致时序对比存在采样偏差；请分工作日/周末报告。
• 数据粒度为日×渠道×活动，个体lead跨日/多触点需谨慎解释。

八、可验证的初步业务洞察（以方向为主，需用数据确认）

• 渠道角色分化假设：搜索/品牌词更倾向last_click收口；信息流/展示/视频更偏first_touch拉新。对last_click依赖的渠道在linear下的贡献提升幅度值得关注。
• 成本-质量权衡：较高cpc的渠道可能带来更高lead_quality_score与更短sales_cycle_days；低成本量型渠道可能在MQL/SQL转化掉队。
• 工作日效应：周末减少投放但自然线索仍进来，可能拉低整体付费占比；应单独评估投放的边际效益与节奏。
• 落地质量关键性：sessions/clicks移转率与leads/sessions正相关（常见于B2B），提示落地页与定向的联动优化空间。
• 行业/规模分布：若industry缺失集中在特定渠道，可能掩盖渠道的真实行业偏好。

九、报告摘要模板（可直接填充数值）

• 数据覆盖与规模
  • 覆盖H2，共184天，约80,000行；去重lead约26,500。
  • 渠道占比（spend、leads、opp、revenue）：[待填]；设备/区域分布：[待填]。
• 关键分布（中位数/IQR）
  • spend、cpc、cpm、ctr、sessions、leads、mql、sql、opp、revenue、lead_quality_score、sales_cycle_days：[待填按总体与分渠道]。
• 漏斗与效率
  • lead_rate、mql_rate、sql_rate、opp_rate、close_rate；整体pipeline CVR（到revenue）：[待填]。
  • click→session移转率（总体/分渠道）：[待填]；异常渠道/活动列表：[待填]。
• 趋势与季节性
  • 月度/周频趋势、工作日/周末差异、活动生命周期关键发现：[待填]。
• 归因敏感性
  • last_click vs linear 渠道份额变化（pp与%）：[待填]；first_touch vs last_touch差异：[待填]。
• 关联性初探
  • 关键显著相关关系（方向/强度）：[待填]；控制变量说明：[待填]。
• 异常与数据问题
  • 指标逻辑不一致率：[待填]；industry缺失率及偏倚评估：[待填]；点击-会话落差异常渠道：[待填]。
• 初步结论与行动要点
  • 高效渠道/活动特征：[待填]；需优化或限流的渠道/活动：[待填]；落地与评分改进点：[待填]。

十、后续分析方向与优先级（可直接立项）

• 归因与预算分配敏感性：对比last_click、linear、first_touch的渠道份额与CPA/CPL/CPMQL/CPSQL/CPOpp/CPRev差异，识别因归因口径导致的预算错配。
• 单位经济学：按渠道/活动计算至Opp/Revenue的全漏斗成本（CPL/CPMQL/CPSQL/CPOpp/CPRev）及其置信区间，支撑预算重分配。
• 质量与周期模型：以lead_quality_score预测SQL/OPP/Revenue与sales_cycle_days（逻辑回归/生存分析），校准质量分阈值与SLA。
• 时间与频次效应：工作日/周末、时段分布（若有小时级数据可扩展），验证边际转化递减与日内节奏。
• 落地转化优化：sessions/clicks与leads/sessions的双变量分区，识别高潜组合（channel×device×region×campaign），驱动A/B与定向优化。
• 数据治理：industry补全（规则+模型）、点击-会话落差溯因（埋点/UTM/重定向），统一漏斗口径与异常处理策略。

如需，我可以基于实际数据输出上述各部分的数值表与图形（总体与分层的中位数/IQR/P95、时序图、相关矩阵、归因对比、异常清单），并提供一页式高管摘要版本。