【2026智数先锋AI创新大赛】订单+5.9%、营收-9.1%：携程酒店量增价跌背后的真相

—— 携程酒店OTA电商运营数据分析实践案例

一、摘要

2026年5-6月，携程酒店业务呈现"量增价跌、结构恶化"的典型转型阵痛格局。酒店订单量同比+5.9%（17→18单），但营收下降9.1%（¥21,876→¥19,877），核心原因是独代高溢价房型收入占比从75.8%断崖式跌至35.1%，而多平台低客单价房源订单量逆势增长140%。机票预订遭受最严重冲击，营收同比暴跌44.1%（¥37,700→¥21,085），头部航线商旅需求萎缩明显。跟团游（↓6.5%）与机酒套餐（↓3.6%）基本盘相对稳定，自由行成为唯一亮点，营收增长33.0%，取消率降至0%。

财务层面，携程酒店依托平台轻资产模式，毛利率维持在85%高位，净利率51.8%，ROE从17.45%提升至18.06%，流动比率2.45倍，预收+应付资金池337亿元，财务质量极为稳健。核心风险在于：独代产品流失导致定价权弱化、多平台房源涌入拉低整体客单价，以及应收账期管理需持续关注。

核心指标速览

酒店订单量 17→18单 ↑5.9%	酒店营收 ¥21,876→¥19,877 ↓9.1%	平均客单价 ¥1,563→¥1,242 ↓20.5%
独代收入占比 75.8%→35.1% ↓40.7pp	非独代订单 5→12单 ↑140%	酒店取消率 17.6%→11.1% ↓6.5pp
机票营收 ¥37,700→¥21,085 ↓44.1%	自由行营收 ¥11,746→¥15,616 ↑33.0%	ROE 17.45%→18.06% ↑0.61pp
毛利率 85.0%（高位稳定） 持平	流动比率 2.45（优秀） 持平	资金池规模 337亿元 同比增长

说明：本摘要全部同比测算基于2025-2026年各50条、合计100条对比样本数据集；FineBI看板可视化截图采用300条全量订单数据集，两套数据集用途区分详见4.1数据来源。

二、团队介绍

本团队由3名电子商务专业学生组成，成员依托电商专业所学的平台运营、数据分析、业务研判相关知识开展本次项目。三人分工明确：一人负责原始订单数据清洗、预处理与业务指标计算；一人负责FineBI交互式可视化看板搭建开发；一人负责业务解读分析、报告撰写以及Dora智能Agent配置调试。项目全过程中成员互相校验数据逻辑，打磨图表叙事逻辑，交叉核对业务结论，共同完成整套数据可视化分析参赛作品。

三、作品背景

国内OTA行业经历反垄断监管之后，平台告别传统酒店独家签约模式，转向多平台开放合作。携程出现了一个反常业务现象：酒店订单小幅上涨，但整体营收、客单价出现明显下滑，业务人员只能月底手工汇总表格复盘，很难快速定位营收下滑的真实根因。

传统工作模式下，业务侧需要花费4-6小时手工整理订单表格，只能看到表面营收下降，无法快速下钻区分究竟是房型供给变化、城市市场失守，还是客群结构变动带来的影响，异常问题往往滞后30天才被发现，错失业务调整窗口期。

该“量增价跌”的结构性问题直接造成酒店板块营收同比下滑9.1%，高利润独代房型收入占比近乎腰斩，若依靠人工月底复盘，业务将持续承受利润损失。

本作品希望通过数据可视化看板，把零散订单数据转化为可交互分析仪表盘，解决业务异动发现慢、归因难、手工报表效率低的痛点，挖掘“订单涨、营收跌”背后的真相，为OTA平台供给运营、客群运营提供可落地的数据参考。

四、制作流程

4.1数据来源

本项目用到两套数据集：

1.100条同比对比数据集：携程平台2025年与2026年各50条订单记录，覆盖 2025 年5-6月（端午旺季）与2026年同期，时间跨度一致，用于两年同比测算分析。样本涵盖酒店预订、机票预订、跟团游、自由行、门票、机酒套餐六大品类，涉及上海、北京、杭州、深圳、西安、广州、重庆、成都等 20 余座城市。原始数据经过系统性清洗：排除逻辑矛盾订单（如已完成状态但取消金额非零）、统一价格口径为平台实际结算营收（含佣金后净额）。摘要部分所有同比增减指标均基于该套数据集计算。

2.300 条全量订单数据集：用于 FineBI 看板可视化页面渲染，报告内所有看板截图均来源于该数据集。

4.2设计思路与框架

整体架构分为四层：数据层→分析层→可视化展示层→决策应用层。

图0-1项目四层整体架构示意图

数据层：完成订单数据清洗、标签加工，给房型打上独代/精选合作/多平台房源标签，构建多维度指标库；

分析层：确立六大分析维度：品类结构、房型运营、城市格局、客群画像、财务健康、风险预警；

可视化展示层：搭建交互式BI看板，分为驾驶舱总览、品类分析、房型运营、客群画像、城市格局、财务本量利五大模块；FineBI完成原始数据图表渲染；同比指标计算、红橙黄三级风险预警研判、杜邦财务拆解等深度业务分析工作交由Dora智能体完成；瀑布图、环形图等图表仅由智能体输出原型构思，本FineBI工程并未实现该部分图表。

决策应用层：依托智能体输出红橙黄三级异常预警，形成“监测-预警-归因-行动-复盘”业务闭环。

图0-2“BI-Agent-人工”分析链路示意图

FineBI 负责可视化呈现业务现象；Dora 智能体完成深度运算、归因推演；所有 AI 输出内容均经过团队人工校验，大模型仅作为辅助分析工具，不可替代人工分析判断。

4.3实现过程

阶段一：需求梳理，梳理业务痛点，确定核心问题：为什么订单增长，营收反而下降，梳理20+核心业务指标；

阶段二：数据预处理，清洗两套订单样本，完成字段加工、标签分类，整理可供BI读取的数据集；

阶段三：可视化开发，使用FineBI搭建看板，制作柱状图、热力地图、条形图、雷达图、本-量-利盈亏平衡曲线等图表；受数据集结构限制，未开发全局统一年份筛选控件，采用 2025、2026 两组图表并列对比形式展示。

阶段四：分析验证，结合BI看板原始数据，通过Dora智能体开展多维交叉分析，定位业务矛盾，测算业务收益，输出业务策略；所有AI输出结论均经过团队人工校验。

阶段五：作品打磨，校验数据逻辑，优化图表配色叙事，完成完整参赛报告撰写。

4.4 智能辅助深度分析（Dora智能体）

本项目搭建携程OTA业务专属封装Agent，作为FineBI可视化看板的补充分析工具。FineBI已完成业务总览以及财务本量利的可视化呈现，侧重数据可视化、指标监控，但难以自动完成同比指标计算、深度业务归因、风险预警与运营策略输出；Agent承接深度解读、风险预警研判、根因拆解、分级方案生成工作，二者形成“BI发现问题-Agent深挖原因-人工校验结论”的分析闭环。

二者明确的能力边界为：FineBI负责客观数据渲染、交互式看板搭建，只用来呈现业务现象，不做主观归因、不输出运营策略；Dora智能体负责深度计算推演，仅输出初步分析与方案原型，瀑布图、环形图等仅产出构思原型，并未在FineBI看板落地实现；人工校验拥有最终结论决策权，所有AI输出内容必须核对原始数据与BI图表之后，才可以采信使用。

Agent配置说明（以业务Dora配置为例）：

1. 基础模型：选用deepseek-v4-pro大模型作为基座；

2. 角色设定：设定角色为携程酒店OTA电商运营数据分析师；

3. 数据输入：挂载两份两年同期订单数据集：携程旅游订单数据_2025年5-6月_优化版.xlsx、携程旅游订单数据_2026年5-6月_优化版.xlsx；

4. 知识库挂载：导入「携程酒店OTA电商经营知识库」，补充OTA行业业务规则、反垄断行业背景、财务分析相关业务知识；知识库原始材料详见附录B。

5. 启用技能插件：开启数据分析、BI仪表板检索、图表可视化、html页面生成能力；

6. 执行约束：要求Agent优先基于上传订单数据做指标同比盘查，拆解波动原因；所有Agent输出的业务诊断、策略方案，必须由团队人工校验，与BI看板图表交叉核对，AI仅作为辅助工具，不替代人工分析。

智能体实际输出样例

针对本项目核心业务问题：“对比2025与2026年5-6月订单数据，分析订单上涨但营收、客单价下滑的根因”，向Dora业务智能体发起提问，下图为智能体返回的初步分析结果截图。

说明：截图截取智能体原始输出核心片段，智能体输出的完整业务分析报告详见附录C；该内容仅为AI初步推演结果，其中部分统计结论与真实业务现象存在偏差，后续经过团队人工对照BI看板与原始数据集交叉校验，筛选、修正有效结论后写入项目业务分析章节。

智能体初步输出核心观点节选：

①AI初步判定订单规模基本稳定，但该结论与真实数据集不符；客单价大幅下滑，是总营收下降直接诱因。

②从品类拆解来看，机票预订、酒店预订两大板块共同拖累营收表现；

③反垄断背景下，独代房型与多平台房型的结构变化是重要分析方向。

附录A：自定义Agent配置界面截图（项目过程材料，不属于 FineBI 交付成果）

①业务Dora智能体配置截图

http://47.111.175.210/webroot/decision/dora/chat/independent/b032e737-0e49-4d5e-9be4-161d50163fb1

②财务Dora智能体配置截图

http://47.111.175.210/webroot/decision/dora/chat/independent/eae34022-0db9-4fe9-937d-667aa484c5c5

附录B：「携程酒店OTA电商经营知识库」

五、成果展示

本章基于携程旅游订单原始数据集，使用FineBI搭建多页面交互式分析驾驶舱。整套看板从宏观总览、品类房型、客群城市、本-量-利财务四个维度完成可视化呈现，采用2025、2026图表并列对比形式展示两年数据。看板输出的基础指标，可导出供给Dora智能体做进一步同比运算、深度归因研判，形成“BI可视化展示+智能体深度挖掘”的分析链路，为识别携程平台经营现象、定位业务潜在问题提供可视化支撑。

FineBI看板作品模版链接:

https://next.finebi.com/decision/application/86bbc23812764f3191d4f749bc6c7d

5.1模块一：总览驾驶舱

图1总览驾驶舱首页

该页面为项目总览首页，设置多组核心KPI指标卡片，展示总订单量、出行客单价、酒店预订占比、机票预订占比、订单取消率、复购用户占比基础业务数值。

页面搭配城市总订单量柱状图，2025年、2026年两组酒店城市热力图，以及对应两年酒店城市营收横向条形图。通过热力地图与条形图，可直观观察不同年份各城市订单、营收的绝对值分布，识别业务规模较高以及规模收缩的城市。看板未做全局统一年份筛选控件，采用 2025、2026 两套图表并列对比展示，便于使用者快速掌握项目整体经营概况。

注：订单、营收同比增减幅度等量化对比计算，由Dora智能体基于100条对比数据集完成，完整计算结果详见附录C。

小结：依据总览驾驶舱KPI与对比图表证据，直观印证业务异象：订单实现增长，但客单价下行，最终带来整体营收下滑。

5.2模块二：品类 & 房型运营分析模块

图2品类房型客群分析页

本模块包含品类分析、房型分析两大板块。

品类板块采用双轴组合图表，同时呈现各个旅游品类的订单量与平均客单价；配套月度营收柱状图、月度趋势组合图，展示不同月份订单、营收的原始规模变化。

房型板块使用横向条形图，分别展示2025、2026两年不同房型的营收绝对值，直观对比各类房型营收体量的差异。

注：品类、房型营收同比涨跌幅度等统计结论，由Dora智能体基于原始数据进一步运算得出，详细分析报告见附录C。

小结：依据品类、房型对比图表证据，高客单价独代房型营收占比收缩，多平台房型占比提升，是拉低整体客单价的重要结构因素。

5.3模块三：客群与城市格局模块

图3客群分析页

图4城市布局分析页

客群板块包含2025、2026两组客群年龄结构柱状图，搭配两年不同年龄段客群消费单价雷达图。图表可以直观对比两个年份用户年龄构成，以及不同年龄群体消费能力的绝对值分布。

城市板块依托城市热力图、城市营收条形榜单展示各地业务规模；小组在原型基础上自主补充开发城市订单量排名图表，形成营收-订单双维度对照分析，用于识别 “订单尚可、营收下滑” 的风险城市；借助图表联动下钻功能，可以查看对应城市下的房型、订单原始数据，为区分供给侧、需求侧业务问题提供可视化支撑。

注：客群流失、结构变化的量化占比结论，由Dora智能体测算输出，详见附录C。

小结：依据客群结构、城市订单-营收双维度图表证据，新增订单更多来源于低消费力城市，高价值城市增长乏力，加剧平台整体客单价走低。

5.4模块四：财务健康诊断模块

图5本量利财务仪表板

本项目在FineBI中搭建本-量-利财务仪表板，完成单间售价、固定成本、变动成本、经营利润、保本间夜量指标可视化，绘制盈亏平衡曲线，实现酒店业务盈亏状态直观展示。

注：毛利率、流动比率、杜邦ROE拆解、资产负债、偿债能力深度财务测算不在BI看板内实现，由财务Dora智能体完成，输出报告样例详见附录C。

小结：依据本量利看板盈亏曲线证据，多平台经营模式下，平台佣金收益下降，酒店的盈亏平衡点抬高，平台与酒店双方盈利承压。

5.5看板实际使用与推广验证情况

本套 OTA 酒店经营诊断看板面向平台运营业务人员设计，针对原有月底手工汇总表格复盘、问题发现滞后的真实业务痛点开展模拟业务验证。

1. 效率验证：原有工作模式业务人员手工整理订单表格需要4-6小时，借助本看板的图表联动、下钻筛选，数分钟即可完成订单-营收异动复盘，能够快速定位异常发生在哪些城市、哪些房型，缩短业务问题发现的窗口期。
2. 迁移复用价值：看板分析框架具备通用性，可迁移到同类OTA平台酒店供给运营工作，支持快速识别房型供给变动、客单价异动、酒店盈亏风险，为精细化运营提供量化依据。
3. 人机协同落地链路：业务人员依托FineBI看板直观发现业务异常，再将看板指标输出至Dora智能体完成深度根因推演，经过人工对照原始数据交叉校验之后，输出运营决策参考，形成完整的经营诊断闭环。

六、总结与分享

本次参赛作品围绕携程OTA“量增价跌”的业务矛盾，完成数据清洗、FineBI可视化看板搭建、Dora智能辅助分析的完整数据分析实践。回顾整个项目从需求梳理到报告输出的全流程，团队在需求调研、作品规划、数据处理、工具开发、团队协作等方面积累了实践经验，也遇到不少踩坑弯路，现将心得体会总结如下。

在需求调研与作品规划阶段，团队初期没有区分“BI可视化能实现什么、AI智能体适合做什么”，一开始直接把全部分析目标都规划到FineBI看板中，计划在BI内完成瀑布图、杜邦财务拆解、业务预警等功能。在实际开发后才发现部分深度测算、预警研判并不适合通过BI图表实现，如果强行在报告中将AI生成的分析能力归为BI看板成果，会造成图文不符，违背数据分析作品的真实性原则。后续团队及时调整方案，明确分工边界：FineBI负责原始数据可视化展示，Dora智能体承接同比计算、深度归因、风险预警、完整财务研判，形成“BI看现象，智能体做深度挖掘，人工校验结论”的技术路线。这让我们意识到，做数据项目前期就要理清各工具的能力边界，合理分配任务，避免后期返工。

在数据整理与指标梳理环节，原始订单样本存在部分逻辑冲突的脏数据，例如订单状态为已完成，但取消金额不为零。团队一开始直接忽略异常数据，没有做统一口径说明，后续核对指标时出现数值对不上的问题。之后团队统一开展数据清洗，剔除逻辑矛盾样本，统一营收口径为平台结算净额，同时梳理20余项核心业务指标。过程中也体会到指标梳理的重要性：指标定义模糊，后续可视化、AI分析都会出现偏差，每一个指标都要明确统计口径，才能保障后续分析结果可靠。

在工具开发与资源协调方面，使用FineBI搭建驾驶舱时，前期想做全局年份切换控件，但是数据集结构限制，最终只能采用2025、2026两套独立图表并列展示。撰写报告时也曾出现描述文字和看板截图不一致的问题，报告写了“全部图表支持年份切换”，但实际看板并不具备该功能。这提醒我们，报告文字描述必须严格对照实际产出，不能主观想象作品功能。在Dora智能体调试阶段，出现过大模型输出结果和数据集不一致的幻觉问题，团队通过挂载行业知识库、增加执行约束，要求AI输出必须和原始数据交叉校验，以此缓解大模型幻觉，同时坚持所有AI输出内容全部人工复核，AI仅作为辅助工具，不能替代人工分析。

在团队配合分工上，团队三人分别负责数据预处理、BI看板开发、报告撰写，前期沟通不足，出现过各部分成果衔接脱节的情况：数据处理完成后没有同步指标口径，可视化开发人员对字段理解出现偏差；报告撰写人员不清楚BI看板真实具备哪些功能，报告虚构了部分BI不存在的图表与功能。后续团队建立同步校验机制，每完成一个阶段就集中核对数据、图表、文档，互相交叉检查，保证数据集、看板、报告三者逻辑统一。团队协作让我们明白，数据分析项目不是单人独立完成，成员之间要及时同步信息，做好交叉校验，才能规避逻辑矛盾。

回望本次项目，我们完整走完从业务痛点出发，到数据处理、可视化搭建、智能辅助分析、输出业务策略的数据分析全流程。既学会了BI工具的交互式看板开发，也理解了大模型在数据分析项目中的定位：AI可以提升分析效率，但数据真实性、逻辑校验依然需要人来把控。同时也认识到，一份优秀的数据参赛作品，不仅图表要美观，更要保证内容真实严谨，文档描述和实际作品一一对应，才能真正发挥数据的业务价值。

后续优化与延伸方向

结合项目开发中暴露的局限，后续可以从看板交互、数据样本、智能分析能力几个维度迭代，提升复盘分析的延伸性：

1. 完善全局筛选交互能力：当前受数据集结构约束，看板采用两年图表并列展示，缺少全局年份筛选控件。后续重构数据集，增加全局年份、城市、房型联动筛选器，实现单页自由切换分析周期，完成图表联动下钻，提升看板的交互与复用能力。
2. 扩大分析样本体量：本次项目样本仅覆盖2025-2026 年5-6月两个月的订单数据，时间跨度较短。后续扩充更长周期的订单与财务样本，纳入季度、年度业务数据，弱化短期波动干扰，观测指标长期演变趋势，让业务复盘结论更具备普适性。
3. 迭代Dora智能体能力：优化知识库内容，固化标准化提问模板，完善风险分级预警逻辑；探索实现看板指标一键导入智能体，自动输出标准化业务复盘简报，进一步降低业务人员的使用门槛。
4. 增加外部对标维度：后续可补充行业公开对标数据，增加横向对比模块，区分行业大环境影响与平台自身运营问题，进一步完善根因分析。

附录C：Dora智能体输出报告样例

说明：本附录为业务、财务Dora智能体原始输出内容，全部属于项目过程材料；智能体部分统计结论存在偏差，所有观点均需要对照原始数据集与FineBI看板人工校验，不直接作为本项目最终业务结论。

①业务Dora智能体输出：携程酒店OTA业务分析报告截图

②财务Dora智能体输出：携程酒店板块财务对比分析报告截图