电商大促营销异常诊断与归因分析
唇釉大促「第 2 件半价、第 3 件低至 20 元」宣传与结算口径割裂，退款率近翻倍、客诉激增。用 SQL + Python 完整链路量化「GMV 虚假繁荣 vs 实收惨淡」的剪刀差，定位根因是规则复杂度而非产品质量，并给出促销规则重构建议。
分析报告 · 面试速览
电商大促营销异常诊断与归因 · 分析报告
01背景
- 唇釉大促用「第 2 件半价、第 3 件低至 20 元」吸引凑单，但结算底层实为「总价打折、均价分摊」，宣传价与结算价对不上。
- 活动期 GMV 大涨，退款率与客诉却同步飙升——怀疑「GMV 虚假繁荣」，需要量化剪刀差并定位根因。
02数据
- 三份原始数据：销售 34,893 行、退款 4,339 行、客服咨询 37,469 行，覆盖年货节与情人节两期大促。
- 口径：订单级退款率 = 退款订单 ÷ 全部订单；实收 GMV = GMV − 退款金额；规则类退款 = 「价格/优惠规则看不懂」类。
- 方法：SQLite 装载派生 + 16 组 SQL 聚合 + Python（3σ 异常检测、GMV 增量归因、卡方/z 检验、jieba 情感挖掘）。
03发现
- 「虚假繁荣」成立：GMV +56.8%，实收仅 +51.6%（剪刀差 5.2pct）；订单级退款率 8.48% → 15.42%（z=19.4，p<0.001）。
- 根因是规则复杂度而非产品质量：规则类退款占比 43.24% → 83.05%，质量类原因不升反降。
- 客诉压力放大：愤怒词 ×2.8、困惑词 ×4.1、强负面咨询占比 5.81% → 20.19%。
- 机制闭环：凑单诱导（3 件装 3.7%→31%）→ 均价分摊实付 80 元（实际折扣 27.3%，非宣传 80%+）→ 感知欺骗 → 退款客诉 → 实收承压。
04建议
- 短期止血：上线「买 X 件立省 Y 元」计算器 + 客服安抚话术，先压客诉与退款。
- 中期重构：3.8 大促改为「均价可见」表达，让宣传与结算口径一致。
- 长期预警：退款原因—咨询类别双通道 3σ 预警，提前发现大促数据异常。
05结果
- 24 小时内定位异常并量化「GMV 虚假繁荣 vs 实收惨淡」的剪刀差，把隐性问题变成可汇报结论，避免营销预算持续投在错误渠道。
- 边界：两期分属不同节日档，只能证「显著相关」、不能证因果唯一；下一步用同期 AB 实验升级为因果证据。
业务价值
用异常检测提前发现大促数据波动，24 小时定位问题，避免多花 6 位数营销预算在错误渠道。
+56.8%
情人节 GMV 增幅
8.5%→15.4%
订单级退款率
43%→83%
规则类退款占比
项目背景
唇釉大促用「第 2 件半价、第 3 件低至 20 元」吸引凑单，但结算底层实为「总价打折、均价分摊」——宣传价与结算价对不上，引发感知欺骗与购物车流失，大量用户因「算不明白」涌入客服。
目标：量化复杂规则带来的客诉压力与隐性流失成本，验证「GMV 虚假繁荣 vs 实收惨淡」是否成立。
分析过程
数据：销售 34,893 行、退款 4,339 行、咨询 37,469 行，覆盖年货节与情人节两期大促。指标口径：订单级退款率 = 退款订单数 ÷ 全部订单数；规则类退款 = 「价格/优惠规则看不懂」类；实收 GMV = GMV − 退款金额。
链路：SQLite 装载派生 → 16 个 SQL 查询聚合 → Python 做 3σ 异常检测、GMV 增量归因（订单量效应 + 客单价效应）、卡方 / z 检验、jieba 情感挖掘 → matplotlib 11 张图 → 自包含 HTML 报告。
数据质量
ETL 阶段对三份原始数据做了完整探查，结论如下：
- 完整性34,893 / 4,339 / 37,469 行，无空值、无重复行
- 金额勾稽GMV = 件数 × 实付件均价、优惠 ≤ 原价，逐行核对全部通过
- 退款可关联退款单 100% 命中销售订单（order_id 按文本存储）
- 口径统一促销归属按 order_time 落促销期判定（年货节 01-07~01-15 / 情人节 02-07~02-14）
- 局限无 user_id / 渠道 / 投放字段，无法做用户分层与流量归因
核心结论
「虚假繁荣」成立：GMV +56.8% 但实收仅 +51.6%，订单级退款率 8.48% → 15.42%（z=19.4，p<0.001）。
根因是规则复杂度而非产品质量：规则类退款占比 43.24% → 83.05%，质量类原因不升反降（卡方 p<0.001）。
客诉压力击穿防线：愤怒词 ×2.8、困惑词 ×4.1、强负面咨询占比 ×3.5。
机制闭环：凑单诱导（3 件装 3.7%→31%）→ 均价分摊实付 80 元（实际折扣 27.3% 非宣传 80%+）→ 感知欺骗 → 退款与客诉 → 实收承压。
结论边界（哪些结论不能证明）
两期分属不同节日档期（2 月为送礼旺季），分析只能证明相关、不能证明因果；具体边界如下：
能证明
- 规则复杂度与退款率、客诉压力显著相关（p<0.001）
- 规则类退款占比与金额在复杂玩法期翻倍
- 凑单诱导（3 件装占比 ×8）与感知欺骗的机制链条
不能证明
- GMV 增量来自规则而非节日 / 送礼旺季
- 换成简单文案退款率必然下降（无同期对照组）
- 新老用户、渠道、投放强度的差异贡献
落地建议
- 短期止血上线「买 X 件立省 Y 元」计算器 + 客服安抚话术，先压客诉与退款
- 中期重构3.8 大促改为「均价可见」表达，宣传与结算口径一致
- 长期预警商品页比价工具 + 「退款原因—咨询类别」双通道 3σ 预警，提前发现异常
实验设计（如果再做一次）
在控制节日、流量、人群的前提下，检验「宣传口径从复杂阶梯价改为所见即所得」能否显著降低退款率与客诉率且 GMV 不缩水。
业务价值
用异常检测提前发现大促数据波动，能在 24 小时内定位问题，避免多花 6 位数级别的营销预算在错误的渠道上。
技术栈
- SQL
- Python
- Pandas
- jieba NLP
- 统计分析
- matplotlib