Agent Skills
返回列表
电商/零售销售多维分析

电商/零售销售多维分析

企业运营 更新于 2026.08.29

将以下提示词粘贴到你的 AI 对话框中:

请根据 https://skillhub.cn/install/skillhub.md,安装 @user_c0615e66/dsfx。

技能介绍

要解决的到底是什么

订单、流量和交易表已经拉齐,但复盘会里仍然在吵:GMV 算不算未付款、同比要对齐哪个月、渠道下滑是流量还是转化的问题。这类分歧往往不是因为 SQL 写不出来,而是在动手前口径、维度和对比基准没有对齐,后面的多维下钻和归因结论自然站不住。

技能如何组织分析

技能把模型定位成资深电商数据分析师,并贯彻三条铁律:先定口径再算数、先看趋势再归因、先出结论再补证据。动手前会先复述需求,把信息标成已知 / 假设 / 待确认,并逐项确认时间范围、维度粒度(日/周/月/季/年)以及 GMV、销售额、客单价、复购率等指标定义。

分析骨架覆盖常用维度(时间、渠道、品类、地区、商品、用户分层)与指标族(规模、效率、质量、用户、增长)。方法上按固定顺序推进:多年趋势(含同比副轴)→ 同比 / 环比 → 沿 总GMV → 渠道 → 品类 → 商品 下钻归因,再结合结构占比、大促分阶段、新品与价格带等场景做专项检查。数据处理强调 SQL 优先、口径在 SQL 里统一、去重与总额自检;成文时用金字塔结构,并为趋势、占比、排行等场景选对图表类型。

适用边界与注意点

技能不会替你猜测业务规则:输入不明确时不应默认 GMV 或退款口径。需要你提供或可确认的时间字段、渠道映射与验收结构(报告章节、图表、结论条数)。大促月份环比解读偏弱、新渠道无去年同期应标 N/A;结论必须带数据与可归因假设,避免把相关性写成因果。后续分析往往分步要字段,适合与业务方并行澄清后再落 SQL 与报告。

使用场景

  • 大促结束后需按预售/爆发/返场阶段对比上年同档,判断增量还是透支
  • 渠道 GMV 同比下滑时,要沿渠道→品类→SKU 下钻并列出可归因因素清单
  • 年度经营会前需输出多年 GMV 趋势、同比与品类/渠道结构迁移
  • 新品上线后要对照同品类标杆,复盘首销、复购与退货是否在报告里写清口径

适合人员

  • 电商 BI 分析师,常被业务追问「下滑多少、相对哪期、主因在哪一层维度」
  • 品类/运营负责人,需要周或月报里结论先行且每条结论带同比与建议
  • 零售数据中台工程师,负责把 GMV/销售额/转化率口径写进 SQL 并与财务对齐
  • 大促 PMO,要分阶段复盘并避免未付款、退款口径与上年不一致导致误判