老板不会问你“会不会写窗口函数”,只会丢来一句:“5 月为什么掉了 56 万?” 专题分析就是把散落的技术串成一条能被反驳的证据链。本章用青柠优选库跑三个专题: 5 月 GMV 环比 -6.07%、6/1 基准人群 7 日留存 19.64%、5 月新增用户 30 日人均毛利 2,167.90 元。 每个专题从“先别急着归因”开始,到“谁在什么时候做什么”结束。
周一早会,运营总监把手机往桌上一放:“5 月 GMV 掉了 56 万,谁解释一下?”你手里有 2 万行订单, 但你知道,他要的不是明细,是一句话加行动。
报表回答“是多少”,专题回答“为什么”和“怎么办”。差别不在长度,在有没有一个待验证的判断。 把渠道、城市、品类全拉一遍做成 20 页,那叫数据陈列;写“跌的 56.6 万里,自然搜索贡献 93.3%,信息流反向抵消 45.4%”,才叫专题。
| 对比项 | 日常报表 | 专题分析 |
|---|---|---|
| 触发 | 固定周期 | 异常、决策或争议 |
| 结构 | 指标罗列 | 结论先行,只留支撑结论的证据 |
| 终点 | 数字对上就结束 | 有人认领,有日期验收 |
所以第一原则不是“全面”,是可反驳。“5 月表现不佳”无法反驳;“5 月 GMV 876.5 万、环比 -6.07%, 跌幅在历史区间内,但杭州信息流连续两月下滑”可以被反驳——对方可以拿 6 月数据说“杭州已恢复”, 也可以说“52 单降到 27 单只是随机波动”。能吵起来,才叫分析。
一句话至少要有指标、变化量、变化率、时间范围。缺一个,读者就多追问一次。 如果不这样会怎样:你写“5 月下滑”,老板问“多少”;补“56 万”,他问“和谁比”; 补“环比 4 月”,他问“这算严重吗”。
无论 8 页还是 3 页,骨架都是结论、证据链、归因、建议、验证。顺序不能换,因为读者的注意力按这个顺序消耗: 先知道“发生了什么”,才愿意看“怎么证明”,最后才关心“所以呢”。
渠道四条差额相加必须等于 -566,499.68,城市八条相加也必须等于同一个数。对不上不是四舍五入,是口径混了。
如果不这样会怎样:渠道用 pay_amount,品类用 order_items.amount,两边差 10,235.80 元优惠;
你报“品类贡献 -57.7 万”,财务说“大盘只跌 56.6 万”,半小时全在吵口径。
“竞品降价”“用户腻了”“大环境不好”都无法验证。合格的归因长这样:假设——杭州信息流素材衰退; 证据——订单 52→32,客单价只降 4.45%,量跌价稳;证伪条件——换回旧素材后订单仍不回到 32 单,假设不成立。
专题最容易犯的错不是算错,是顺序错:一上来拆 160 个格子,每格 5 单,最后挑一个最像故事的写进报告。
| 专题 | 第一刀 | 第二刀 | 什么时候停 |
|---|---|---|---|
| GMV 下滑 | 先问“算不算异常”,对比历史环比 | 量价 → 渠道 → 城市 × 渠道 | 下一层样本 < 30 单,或差异小于噪声 |
| 新用户留存 | 定义基准日、窗口、分母 | 同期群 → 关键行为 → 实验 | 组间差异小于 2 个标准误 |
| 渠道 ROI | 定义 CAC 的分子分母 | LTV → 保本 CAC → 增量 | 边际 ROI < 1,或增量测不出 |
先排除假原因。数据延迟、埋点故障、口径变更、日历长度、重复上报,这五件事能解释掉三成“异常”。 5 月退款率从 5.56% 涨到 6.57%,若用“下单口径”,跌幅会被放大,结论就偏了。
先总量后结构。总量告诉你“要不要管”,结构告诉你“管哪里”。5 月总量 -6.07%,历史上还有四次跌得更狠, 所以大盘不用恐慌;真正要管的是杭州 × 信息流。
先相关后因果。相关只能缩小范围。杭州信息流下滑和“4 月换素材”时间吻合,这只是候选原因;要证明因果, 得换回旧素材做对照,或至少看同城其他渠道有没有同步下跌。
一个月 880 单,拆到城市 × 渠道 × 品类就是 160 个格子,平均 5.5 单,任何一格 ±80% 都可能是随机波动。 如果不这样会怎样:你发现“西安 × 线下 × 服饰”涨 300%,写进报告;下个月它又跌回去,因为那一格只有 2 单。
样本:5 月 GMV 8,765,340.49 元,比 4 月的 9,331,840.17 元少 566,499.68 元,环比 -6.07%。五步,顺序不能乱。
2023 年 2 月到 2024 年 6 月的 17 次环比里,跌幅超过 6% 的有四次:-10.63%、-7.54%、-8.93%、-8.15%; 5 月的 -6.07% 排第五。这定基调:若是历史最大跌幅,要写“断崖”;若只是常态波动,要写“大盘正常, 但结构里有一个格子不对”。
| 检查项 | 结果 | 结论 |
|---|---|---|
| 主键唯一 | 20,000 行,0 个重复 order_id | 没有重复上报 |
| 金额恒等式 | 0 行违反 pay_amount = amount − discount | 金额可信 |
| 日期边界 | 2023-01-01 至 2024-06-30 | 没有越界订单 |
| 退款率 | 4 月 5.56% → 5 月 6.57% | 涨 1.01pp,报告要注明 |
| 游客订单 | 45 单 498,541.59 → 25 单 252,191.63 | 少 24.6 万,占跌幅 43.5% |
游客单不是错误,但它提醒你:20 单的波动就能让大盘动 2.8 个百分点。剔掉游客只看会员: 4 月 8,833,298.58 元,5 月 8,513,148.86 元,环比 -3.62%;差的 2.45pp 就是游客单的贡献。
GMV = 订单数 × 客单价。这一刀把“卖得少”和“卖得便宜”分开。
SELECT substr(order_date,1,7) AS 月份,
COUNT(*) AS 订单数,
ROUND(SUM(pay_amount),2) AS GMV,
ROUND(AVG(pay_amount),2) AS 客单价
FROM orders
WHERE status = '已支付'
AND order_date >= '2024-04-01'
AND order_date < '2024-06-01'
GROUP BY 月份;
月份 订单数 GMV 客单价 2024-04 924 9,331,840.17 10,099.39 2024-05 864 8,765,340.49 10,145.07
订单数 -6.49%,客单价 +0.45%。量的影响 = -60 × 10,099.39 ≈ -60.60 万;价的影响 = 864 × 45.68 ≈ +3.95 万; 相加 -56.65 万。结论:不是卖便宜了,是买的人少了。下一步不用看定价,直接查“人为什么少”。
SELECT channel,
ROUND(SUM(CASE WHEN substr(order_date,1,7)='2024-04' THEN pay_amount END),2) AS 四月,
ROUND(SUM(CASE WHEN substr(order_date,1,7)='2024-05' THEN pay_amount END),2) AS 五月,
ROUND(SUM(CASE WHEN substr(order_date,1,7)='2024-05' THEN pay_amount END)
- SUM(CASE WHEN substr(order_date,1,7)='2024-04' THEN pay_amount END),2) AS 差额
FROM orders
WHERE status = '已支付'
AND substr(order_date,1,7) IN ('2024-04','2024-05')
GROUP BY channel
ORDER BY 差额;
channel 四月 五月 差额 自然搜索 4,057,226.01 3,528,570.63 -528,655.38 线下 1,005,937.73 736,822.07 -269,115.66 朋友推荐 1,662,689.04 1,636,988.68 -25,700.36 信息流 2,605,987.39 2,862,959.11 +256,971.72
差额 ÷ -566,499.68:自然搜索 93.3%、线下 47.5%、朋友推荐 4.5%、信息流 -45.4%,相加 100%。 信息流在涨不代表没问题,它只填了另外两个渠道一部分坑。
品类旁证:电脑 -306,581.84、服饰 -326,653.39、家电 -236,175.24、手机 +221,803.16、配件 +70,871.83。 品类用商品原价,和实付口径差 10,235.80 元优惠,只能看结构,不能加总。
杭州贡献 -269,045.21 元,占 47.5%;广州 -174,785.01、深圳 -182,061.16。杭州内部:信息流 -252,108.17、 自然搜索 -102,811.37、朋友推荐 +76,131.17、线下 +9,743.16。杭州的坑,九成是信息流挖的。
| 渠道 | 全站 4 月 | 全站 5 月 | 全站差额 | 杭州 4 月 | 杭州 5 月 | 杭州差额 |
|---|---|---|---|---|---|---|
| 自然搜索 | 4,057,226.01 | 3,528,570.63 | −528,655.38 | 577,085.68 | 474,274.31 | −102,811.37 |
| 线下 | 1,005,937.73 | 736,822.07 | −269,115.66 | 96,184.28 | 105,927.44 | +9,743.16 |
| 朋友推荐 | 1,662,689.04 | 1,636,988.68 | −25,700.36 | 149,654.36 | 225,785.53 | +76,131.17 |
| 信息流 | 2,605,987.39 | 2,862,959.11 | +256,971.72 | 611,916.65 | 359,808.48 | −252,108.17 |
只看渠道,你会给信息流加预算;只看城市,你会给杭州加预算;交叉后才知道该动“杭州 × 信息流”。 杭州信息流订单 52→32(-38.5%),客单价 11,767.63→11,244.01(-4.45%),又是量跌价稳。 可能是素材、出价、落地页或竞品,也可能是 4 月活动抬高基数。
pay_amount,跑五项体检,再做量价拆解。金额恒等式有几十行不成立,先退回第 6 章清洗。
占比是 98% 或 103%,先查渠道是否为 NULL,再查金额字段。
city, channel 分组所有城市都在跌,就别写“某城市问题”,改看渠道或大盘。
两个假设都被支持,就写“两个因素同时存在”,再设计能分开它们的对照。
| 页 | 内容 | 必须出现的数字 | 结论 |
|---|---|---|---|
| P1 | 结论摘要 | 876.5 万 / -6.07% / -56.6 万 | 跌幅在历史区间,杭州信息流是结构问题 |
| P2 | 口径说明 | 已支付 / pay_amount / 20,000 行 | 和财务对得上 |
| P3 | 量价拆解 | 订单 -6.49% / 客单价 +0.45% | 是量跌,不是价跌 |
| P4 | 渠道贡献 | 自然搜索 93.3% / 信息流 -45.4% | 自然搜索与线下拖累 |
| P5 | 城市 × 渠道 | 杭州 -26.9 万 / 信息流 -25.2 万 | 定位到“杭州 × 信息流” |
| P6 | 归因假设 | 订单 52→32 / 客单价 -4.45% | 量跌价稳,指向素材或出价 |
| P7 | 建议与验证 | 7 月回到 32 单 / +5.1 万 | 谁、做什么、怎么验收 |
| P8 | 附录 SQL | 可复现的查询与口径 | 任何人能跑出同样的数 |
留存专题的难点不在算,在“算的是谁”。同样叫 7 日留存,换基准日、换分母,能从 19.64% 变成 71.43%。
以 6 月 1 日为基准日:当天有任意事件的去重用户 280 人。6 月 8 日精确回访 55 人,留存 19.64%; 6 月 2 日回访 40 人,14.29%;若按“6 月 2 日至 8 日来过一次就算”,累计 200 人,71.43%。
WITH base AS (
SELECT DISTINCT user_id FROM events
WHERE substr(event_time,1,10) = '2024-06-01'
),
d7 AS (
SELECT DISTINCT user_id FROM events
WHERE substr(event_time,1,10) = '2024-06-08'
)
SELECT COUNT(*) AS 基准人数,
SUM(CASE WHEN d7.user_id IS NOT NULL THEN 1 ELSE 0 END) AS 第七日回访,
ROUND(100.0 * SUM(CASE WHEN d7.user_id IS NOT NULL THEN 1 ELSE 0 END)
/ COUNT(*), 2) AS 留存率
FROM base
LEFT JOIN d7 ON d7.user_id = base.user_id;
基准人数 第七日回访 留存率 280 55 19.64
写留存必须同时给出三个要素,例:“6/1 活跃用户、第 7 日、精确回访”。 如果不这样会怎样:你用累计口径算出 71.43%,老板拿行业报告 25% 来比,得出“我们留存是同行三倍”;换成精确口径 19.64%,实际低于同行。
没有更长的观察窗,只能退一步:把这 280 人按首日行为切组,看第 7 日回访率有没有差别。 这是 30 天事件数据下唯一能做的对照。
| 分组 | 人数 | 第 7 日回访 | 留存率 | 与全体差 |
|---|---|---|---|---|
| 全体 | 280 | 55 | 19.64% | — |
| 首日加购 | 186 | 36 | 19.35% | -0.29pp |
| 首日未加购 | 94 | 19 | 20.21% | +0.57pp |
| 首日下单 | 57 | 10 | 17.54% | -2.10pp |
| 线下渠道 | 40 | 10 | 25.00% | +5.36pp |
| 信息流渠道 | 76 | 13 | 17.11% | -2.53pp |
加购组 19.35%,未加购组 20.21%——加购反而低 0.86pp;下单组 17.54%,未下单组 20.18%——下单低 2.64pp。 渠道最大差是线下 25.00% 对信息流 17.11%,7.89pp。
先算噪声:全体标准误 √(0.1964 × 0.8036 ÷ 280) ≈ 2.37pp;40 人的线下组约 6.8pp。 25.00% 的 95% 区间约 11.6%–38.4%,17.11% 约 8.6%–25.6%,大面积重叠。 在多个候选里挑差异最大的那个,总有看起来显著的。
若目标是把 7 日留存从 20% 提到 25%,按双侧 α=0.05、效能 80% 估算,每组约需 1,094 人。 6/1 只有 280 人,连一组都不够。把问题改写成实验:注册后 D3 发首单券、D6 再提醒一次,能不能把 D7 从 19.64% 提到 25%?
算出 110.71%,说明分子用了第 7 天全体活跃用户。
每天新增不足 100 人,1,094 人一组要 11 天;先把招募周期写进计划。
“预算只有一份,四个渠道加哪个?”难的不是算 ROI,是算哪个 ROI。
| 指标 | 公式 | 口径陷阱 |
|---|---|---|
| CAC | 投放花费 ÷ 新增用户数 | 算不算人力、素材、代理费;分母算注册还是首单 |
| LTV | 生命周期内贡献的毛利 | 用 GMV 会把 LTV 高估 2.3 倍(毛利率 43.22%) |
| ROI | LTV ÷ CAC | 窗口多长;是否折现;是否含自然流量 |
库里有 products.cost,能算毛利。取 5 月注册的 118 个新用户,看注册后 30 天。
WITH cohort AS (
SELECT user_id, channel, register_date
FROM users WHERE substr(register_date,1,7) = '2024-05'
),
order_gp AS (
SELECT o.order_id, o.user_id, o.order_date, o.pay_amount,
SUM(i.amount - i.qty * p.cost) AS gp
FROM orders o
JOIN order_items i ON i.order_id = o.order_id
JOIN products p ON p.product_id = i.product_id
WHERE o.status = '已支付'
GROUP BY o.order_id
)
SELECT c.channel,
COUNT(DISTINCT c.user_id) AS 新增用户,
COUNT(DISTINCT g.order_id) AS 三十日订单,
ROUND(SUM(g.pay_amount),2) AS 三十日GMV,
ROUND(SUM(g.gp) / COUNT(DISTINCT c.user_id),2) AS 人均毛利
FROM cohort c
LEFT JOIN order_gp g
ON g.user_id = c.user_id
AND julianday(g.order_date) >= julianday(c.register_date)
AND julianday(g.order_date) < julianday(c.register_date) + 30
GROUP BY c.channel
ORDER BY 人均毛利 DESC;
channel 新增用户 三十日订单 三十日GMV 人均毛利 线下 13 10 81,334.43 2,829.29 信息流 30 18 192,561.88 2,784.02 朋友推荐 27 17 131,892.36 1,990.95 自然搜索 48 17 183,856.45 1,703.23
合计 118 人、62 单、589,645.12 元 GMV、255,812.05 元毛利,人均 2,167.90 元。 自然搜索“免费”,30 日人均毛利却只有 1,703.23,四渠道最低;信息流“最贵”,人均毛利第二高。 “免费流量质量更好”在这份数据里不成立。
只看 30 天,保本 CAC 等于人均毛利:自然搜索 ≤1,703、朋友推荐 ≤1,991、信息流 ≤2,784、线下 ≤2,829。 只告诉决策者“CAC 落在哪个区间该做什么”。
| CAC 相对保本线 | ROI | 决策 |
|---|---|---|
| 50% | 2.00 | 加预算,直到边际 ROI 降到 1 |
| 100% | 1.00 | 持平,优化素材或提 LTV |
| 150% | 0.67 | 亏损,降价、换渠道或停 |
自然搜索 CAC 接近 0,ROI 看起来无穷大。但这些人里有多少“本来就会买”?如果用户先搜品牌词再下单, 把订单记给自然搜索,等于把本来就会发生的购买算成渠道功劳。 信息流相反:有真实拉新成本,也可能有本来就会买的人被再触达一次。判断增量只有三条路:对照组、地理实验、断点回归。
归因窗口同样能改变结论。一个用户先搜“青柠 手机”,第二天点信息流广告,第三天下单 10,000 元: 最后一次点击把 10,000 全记信息流,首次点击全记自然搜索,线性归因各 5,000。同一笔钱,三种口径,ROI 能差一倍。 报告里必须写“归因模型 + 窗口”。
报告写到最后最容易泄气:前面很漂亮,建议写成“加强投放、优化体验”,一夜回到口号时代。这一节只做一件事:把结论翻译成工单。
| 谁 | 做什么 | 多久 | 预期效果 | 怎么验证 |
|---|---|---|---|---|
| 信息流投放负责人 | 杭州换回 4 月素材,出价回调 10%,只动这一个城市 | 7/1–7/15 | 订单 27 → 32 单/月,GMV +5.1 万 | 7/31 看订单 ≥32 且客单价 ≥10,500 |
| 产品 / 前端 | 检查游客下单的登录弹窗与支付步骤 | 2 周 | 游客单 25 → 35 单/月 | 8/15 看游客单占比是否回到 4.0% |
| 增长 / CRM | 新客 D3 首单券 + D6 提醒,做 A/B | 4 周招募 + 2 周观察 | D7 19.64% → 25.00% | 实验组 vs 对照组,p<0.05;看退款率 |
| 市场负责人 | 朋友推荐预算 +10%,信息流持平 | 7 月整月 | 朋友推荐 200.1 万 → 220 万 | 8/1 看 GMV 与保本 CAC 同时成立 |
杭州只改素材与出价,不动预算和其他城市,才能归因;游客目标取 45 与 25 的中间值 35 单;留存 25% 是目标不是承诺。
“加强杭州投放,优化新用户转化体验,提升渠道 ROI。”
没有责任人、金额、日期。
“投放负责人 7/15 前把杭州素材换回 4 月版、出价回调 10%,目标 27→32 单;7/31 验收。”
能排期、能验收。
先核对两个锚点,再做五道题。数字错了,说明中间某一步口径偏了。
1. 会员 + 游客 = 大盘,所以就是 -6.07%;和 -3.62% 差 2.45pp,这 2.45pp 是游客单减少的贡献。
2. 32 × 10,192.51 = 326,160.32 元;比 275,197.77 多 50,962.55 元,约 +18.52%。
3. 按 6/1 的 page 去重计数,分成“≥3 页”和“<3 页”,LEFT JOIN 6/8;标准误 = √(p(1−p)/n)。两组差小于 2 个标准误就不显著。
4. 2,784.02 ÷ 2,200 = 1.27,30 天内正回报,可以加;但还要看边际 ROI、增量实验和 30 天后的复购。