——AI+BI驱动的多品类电商经营质量诊断
FineBI NEXT面板模板链接：https://next.finebi.com/decision/application/d0de9de668fd458281aefe6db3bdbe
Dora链接：http://47.111.175.210/webroot/decision/dora/chat/independent/f4e20aec-2a28-418f-aa4b-2a7c81ef4fce
1 团队介绍
我们是来自武汉大学信息管理学院的三位2024级本科生，成员中有同学就读于电子商务专业，对电商经营与数据分析有一定理解。我们共同热爱数据分析，但更强烈的共同点，是对AI正在带来的生产方式变革保持高度积极的关注。
因此，我们希望借这次比赛真正实践一次AI+BI的工作方式：让AI参与数据处理、分析建模、代码开发与经营诊断，让BI承担结构化呈现、交互下钻与证据组织，探索人在AI深度参与之后，如何更高效地完成一套从数据到判断的完整分析工作。
当AI开始具备越来越强的数据分析能力后，BI如何与AI结合，形成新的数据分析交互方式，我们希望能借此机会对这一主题作出有益的探讨和贡献。
2 作品背景
我国电子商务已经进入大规模、精细化经营阶段，存量竞争不断扩大。国家统计局数据显示，2025年全国网上零售额达到15.97万亿元，同比增长8.6%；其中实物商品网上零售额达到13.09万亿元，占社会消费品零售总额的26.1%。网络零售已经成为零售体系的重要组成部分，经营效率问题也随之从局部运营问题演变为规模化管理问题。
与此同时，平台经营对象本身正在变得更加复杂。商务部披露，2024年上半年主要电商平台仅以旧换新业务就已涉及40多万种商品和300多个品类。多品类、大规模商品集合意味着不同商品在毛利结构、获客成本、履约成本、退货率和售后成本方面存在明显差异，平台已经很难仅依靠GMV、订单量或账面毛利判断经营质量。在部分成熟品类和平台场景中，流量竞争、价格竞争和商家经营成本压力进一步加剧，使降本增效和精细化经营的重要性持续上升。
行业政策与实践也越来越强调从规模增长转向经营效率提升。商务部《零售业创新提升工程实施方案》提出加强供应链协同、优化流通渠道并促进降本增效。经营分析需要进一步拆解广告、物流、退货、售后等成本，并通过贡献毛利、费用率、品类分层和SKU分析回答三个更具体的问题，真正赚了多少、利润损失发生在哪里、哪些经营对象最值得优先处理。
经营分析越精细，新的矛盾越明显。指标增加、分析维度增加、SKU规模扩大以后，管理者虽然拥有了更多信息，但仍需在大量品类、成本项、商品和图表之间自行比较、筛选和判断。如果分析系统只是不断增加页面和指标，那么数据越丰富，人工搜索问题的成本反而可能越高。异常发现越晚，低效投放、成本侵蚀和资源错配持续的时间也就越长。
因此，经营分析不能只考虑数据如何清晰、漂亮地展示出来，还需要解决管理者应该先看什么的问题。当经营数据的增长速度远高于人的注意力增长速度时，分析体系需要从信息展示进一步走向主动筛选，从人寻找问题逐步转向系统帮助筛选问题。在精细化经营和快速响应要求不断提高的背景下，节约管理者注意力不再只是使用体验问题，而开始成为经营效率问题。
围绕这一问题，本作品按照整体经营结果—重点品类—关键成本—问题SKU—资源投入—基准回归改善情景构建六层经营诊断路径，而不是将所有指标平铺给分析者。首先判断整体经营结果是否健康，再从多个品类中识别真正值得关注的对象；随后拆解广告、物流、退货、售后等经营成本，并使用同品类其他SKU作为参照，判断利润压力主要来自哪些成本偏离；进一步下钻至具体SKU，区分问题究竟是品类普遍现象还是集中于特定商品；对于广告等主动投入资源，再结合投入强度和贡献结果观察资源配置状态；最后通过基准回归情景，测算六类成本回归同品类排除当前SKU基准后的情景改善空间。该情景用于辅助理解成本偏离的解释空间，不等同于预计收益或已实现经营结果。
通过这一过程，看板首先替管理者完成一轮跨品类、跨成本和跨商品的问题压缩，将原本需要人工浏览的大量经营信息逐步收敛为少数值得进一步复核的对象。但筛出问题并不是分析终点。面对一个异常品类或SKU，经营人员往往还会继续追问：为什么会出现异常？哪项成本影响最大？问题是持续性的还是偶发性的？是否存在相反证据？如果关键成本回归正常水平，经营结果会发生怎样的变化？
传统BI能够提供这些问题所需的数据证据，但分析人员仍需要理解指标口径、组织证据并决定下一步追问方向。大语言模型的发展降低了指标理解、归因追问和分析解释的使用门槛，但通用AI在每次面对新的经营问题时，仍可能需要重新获得指标定义、分析顺序和判断边界。对于周期性、多品类的经营复盘而言，已经形成并验证的分析方法是极其宝贵的，值得长期保存并重复使用。
因此，本作品进一步利用Dora，将前期形成的多品类经营诊断方法封装为场景化经营智能体。经营指标口径、诊断顺序、SKU复核方法、推荐追问以及结论边界被写入Skill和提示规则，使Dora按照“整体经营—重点品类—成本异常—问题商品—资源配置—情景分析”的稳定逻辑组织证据和继续追问。使用者不需要在每次分析时重新告诉AI先看什么、如何计算以及哪些结论不能直接推出，已经验证过的分析经验可以被持续复用。
由此，本作品形成了两层互补能力，FineBI NEXT负责建立稳定的数据分析结构、呈现经营情况并支持交互分析，Dora进一步承担经营诊断方法的沉淀与复用。我们希望节约的不只是寻找数据的时间，更包括每次重新确定分析顺序、理解指标关系和建立判断路径所消耗的管理注意力。
更进一步，我们开始思考一种可能的AI+BI数据工作方式。当前虽仍以FineBI看板为核心，主要分析链路、指标体系和下钻路径都由BI承载，Dora更多承担辅助解释、追问和方法复用。但在实际制作过程中，我们已经明显感受到，AI正在逐步介入数据处理、异常探索、分析解释和重复性工作，这使我们开始设想：未来是否可以由人负责提出问题、确定边界和完成最终判断，AI承担更大范围的数据探索与分析执行，BI则负责沉淀经过验证的数据、指标、规则和证据存为可被AI调用的数据，使一次性的分析过程能够被稳定复用，可视化面板被拆解为AI随时可以拿来使用的零散组件作为展示证据。我们目前还没有真正实现这一完整形态，但它构成了本作品之外更值得继续探索的问题：AI是否能够扩大分析能力，BI是否能够把可靠的方法固定下来，而人则把有限的注意力更多投入到质疑、取舍和决策之中。
3 制作流程
3.1 需求假设与市场调研
一开始寻找业务痛点的时候，我们团队成员依据过往参与电商经营的经验，提出问题，单看销售额和毛利并不足以完整判断经营质量。持续投入营销投放、履约、售后等经营资源后，一些表面仍在增长、仍然盈利的业务，其真正留下的贡献可能明显收窄。由此，团队最初提出假设，经营人员可能缺少一套能够同时观察销售、利润、成本、投放和商品表现的分析工具，我们最初的方案倾向于建设一个更加完整的电商经营看板。
随后，我们对E数通、九数云等国内电商数据产品进行了调研。结果发现多平台数据整合、SKU级利润核算、投放分析、利润质量与成本健康度分析等能力已经较为成熟，所以如果作品只是把更多数据集中起来，或者把利润计算得更加精细，即使再叠加AI问数和自动分析，也很难形成真正有价值的差异化方案。
我们遂把注意力放回了经营人员到底怎样使用这些数据，模拟了一次此种多品类经营的复盘过程，经营人员首先需要从营收、利润和成本结构中判断当前整体经营状态；随后面对大量品类确定本期优先关注对象；确定重点品类后继续定位主要成本偏离，并进一步下钻到具体风险品；在完成问题定位后，还需要重新审视相关资源投入，并持续跟踪前期发现的问题处理情况。我们发现，指标不同，给出的信号也不尽相同，销售规模大的品类，贡献水平未必更健康。某项成本金额很高，也可能只是因为业务规模本来就大。风险排名靠前的十个商品很显眼，却未必覆盖了问题的大部分。经营人员需要在这些信号之间反复比较，才能决定还要不要继续往下查。
市场调研同时让我们认识到，上述经营复盘能力本身并非市场空白。成熟电商BI产品已经能够完成多维经营分析、SKU下钻、投放复盘和交互探索。因此，我们把后续设计重点放在多品类经营复盘中的信息组织和判断过程上，希望借助FineBI将规模、利润、成本、商品和投放等经营信号放在统一分析语境中，让经营人员能够保持全局观察，同时根据问题逐步提高分析粒度。
基于这一判断，我们希望减少经营人员在大量指标、品类和商品之间反复比较的时间。最终以FineBI NEXT承担结构化计算、比较、筛选和逐层下钻，通过统一指标、基准偏离、集中度分析和筛选联动持续压缩问题范围；同时利用Dora将本项目形成的经营诊断方法、指标口径、分析顺序和回答边界封装为可重复调用的场景化能力。二者共同形成从结构化经营分析到专业诊断方法复用的连续分析流程。
3.2 数据集选择
这套看板面向多品类电商的周期性经营复盘，需要从整体经营结果一路下钻到品类和具体商品，同时还要观察经营结果随时间的变化，并进一步分析投放、成本和商品风险。因此，基础数据至少需要同时满足几项条件。
- 商品要有足够的细粒度和广度。保留SKU或细致到商品的数据，后面的品类分层、风险商品定位和重点商品复核才有落点，没有足够的多品类覆盖和商品粒度，也很难开展成交规模、商品成本、贡献毛利等指标的横向比较。
- 数据需要保留足够的经营核算基础字段。公开数据很难直接提供采购成本、广告结算、物流和售后等企业内部账务，因此我们更关注数据是否包含商品价格、购买数量、点击行为、品类和时间等基础信息，使缺失的经营成本能够在公开行业参数支持下进一步构造。
- 时间记录要连续并且也不能太短。我们的使用场景是周期性经营复盘，所以数据不能只是一次截面，还需要支持月份聚合和趋势比较，同时数据规模不能太小。
按照上述要求，我们先后比较了多类国内公开电商数据。阿里移动推荐、淘宝用户行为、天猫复购买家等数据规模较大，商品和交易记录也较丰富，但普遍缺少商品价格、购买数量或完整品类等经营核算所需字段，难以进一步计算商品成本、利润和贡献毛利。
天池等平台也能找到更偏经营分析的数据，跨境电商购买、天猫订单成交、网店广告与销售、超市销售这类数据已经包含价格、成交金额、销量或部分营销指标，但多数围绕某个特定赛题或业务环节组织，部分字段经过脱敏或加密，很难覆盖完整的多品类经营。
更细分的业务数据中，广告营销类数据能够较好地提供广告花费、CPC、转化等指标，但通常缺少商品采购成本、物流和售后信息；订单物流类数据能够反映成交和履约成本，却缺少投放和完整利润结构；销售经营类数据虽然能够计算收入和部分利润指标，也往往缺少SKU级投放、售后或较长周期的多类成本数据。
因此，经过多类公开数据比较后，我们发现，公开数据通常能够完整覆盖某一个经营环节，但很难在同一套数据中同时串联多品类商品、成交规模、商品成本、投放成本、平台费用、物流、退货售后以及最终利润结果。而这恰恰是我们从经营总览一路下钻到品类、成本、商品和资源配置所需要的数据基础。
所以我们最终选择JD IJCAI19，来源于Chen et al. 在 IJCAI 2019 论文 Semi-supervised User Profiling with Heterogeneous Graph Attention Networks中公开的数据与代码资源。该研究基于真实电商场景中的用户、商品及交互行为构建异构图，用于用户画像研究；本作品仅复用其公开行为数据，并在此基础上重新构建经营分析指标体系。JD IJCAI19是京东公开的一套电商研究数据集，最初用于IJCAI 2019的用户画像研究。数据来自京东实际业务场景，记录了随机10万名用户在2018年2月到2019年2月之间的购买和点击情况，同时配套提供商品信息。整个数据集包含约145.8万条购买记录、5298万条点击记录和688万件商品信息。商品表里有商品ID、一级到三级品类、品牌、价格和商品名称，购买记录里有购买数量和时间，因此可以把商品、品类、成交和时间串在一起[1]。
这套数据一方面有足够细的商品粒度和多级品类，能支持从整体经营结果下钻到品类，再继续定位到具体SKU；另时间跨度接近一年，数据量也足够大，可以按月看经营变化，也可以在多个品类和大量商品之间做稳定比较。
它本身没有直接给出采购成本、广告费、平台费、物流费这些经营成本，但已经保留了后面计算这些东西需要的基础信息。比如商品价格、购买数量和品类可以继续用来估算商品成本、平台费和物流成本；商品点击数据可以用来估算广告投入；商品、品类、价格和时间又可以继续补充退货、维修和折损等售后成本。也就是说，它很适合作为底层数据加工成这套BI所需要的完整经营数据。
3.3 数据清洗处理及规则公式
所有数据处理规则公式、代码及处理情况存于附件。确定数据源后，我们先对原始数据进行清洗和关联。项目主要使用user_order（购买数量、购买时间）、item_info（商品及一二三级品类、品牌、价格）、user_click（商品点击及点击时间）和user（辅助用户信息）四类数据，其中订单记录和商品信息通过商品ID连接，统一补充商品所属一级、二级、三级品类以及价格等字段。随后，对样本量过低的一级品类进行筛选，原始商品体系涉及54个一级品类。按照每个一级品类不少于5000条购买记录的规则，最终保留27个正式进入分析的商品品类，覆盖99.06%的购买记录。筛选主要用于排除极低频长尾品类，避免其对品类横向比较和同品类基准造成过大波动。
商品价格是后续成交额和商品成本计算的基础，因此对异常价格单独进行了处理。价格小于等于0的记录视为缺失，再按照三级品类中位数、二级品类中位数、一级品类中位数、全局中位数的顺序逐级补全。处理后同时保留价格是否经过填补的标记，便于后续核查这部分数据对分析结果的影响。
完成商品信息清洗后，将价格、品类等字段重新关联到购买记录，并根据商品价格和购买数量计算每条记录的成交额：成交额=商品价格×购买数量
处理过程中为每条购买记录生成唯一的内部编号order_id用于用于数据追踪以及退货、维修、折损等事件的稳定记录。购买时间也进行了统一格式化，并进一步拆分出日期、月份和小时等字段，为后续月度趋势和经营周期分析做准备。
经过这一阶段，原始数据被整理为商品维表、购买事实表和用户维表，后续商品成本、广告成本、售后成本及贡献毛利等计算都建立在这套清洗后的基础数据之上。
完成基础数据清洗后，我们进一步按照经营分析需要补充成本数据，并形成能够直接进入FineBI分析的经营指标。
首先处理商品成本。由于原始数据提供商品售价和购买数量，但没有直接提供商品采购成本，因此按照不同一级品类设置成本率，并根据商品成交价格和购买数量估算商品成本。27个一级品类分别使用对应的成本率，以体现手机通讯、家用电器、服饰、美妆、食品等不同品类之间的成本结构差异。商品成本的计算为：
商品成本=商品价格×品类成本率×购买数量，也即
商品成本=成交额×品类成本率
这样，同一品类使用统一的成本口径，不同商品之间的成本金额则由价格和实际购买数量自然产生差异。
接着是刨除直接商品成本的经营成本，我们优先纳入能够与具体商品销售建立对应关系的广告费用、退货退款、物流成本、平台服务费、退货运费、售后维修和临期折损七类经营成本。仓储、人力及其他等多个SKU共享的费用缺少可靠的分摊依据，不纳入经营成本计算。
广告成本方面，以SKU×月份作为统一核算粒度，将原始点击记录关联商品一级品类，再按照SKU和月份汇总点击次数，并结合所属一级品类的CPC参数计算广告成本：
广告成本=SKU月度点击次数×品类CPC
原始52,983,323次点击首先通过商品ID映射一级品类。其中50,299,652次属于正式27个分析品类，全部匹配对应CPC；其余范围外品类和无法映射品类的点击不进入正式核算。
在购买数据和广告数据整合时，我们同时保留“有购买无点击”和“有点击无购买”的SKU月份。这样，即使某个SKU当月产生了广告点击但没有形成购买，其广告成本也不会因为缺少购买记录而被遗漏。最终以“SKU×月份”作为统一分析单位，把每个商品当月的销售、广告和各项经营成本放到同一条记录中，方便后续按月份、品类和商品继续汇总分析。
对退货、维修和临期折损等经营事件，根据商品所属一级品类的公开参数设置发生概率，并通过固定随机种子进行可复现抽样。同一份原始数据与参数再次运行时能够得到一致结果。维修事件仅在未发生退货的购买记录中产生；临期折损仅针对生鲜、食品饮料和酒类等具有明显损耗特征的品类。
退货主要用于计算退款及退货运费，维修主要覆盖手机通讯、数码、电脑办公和家用电器等售后维修较典型的品类，折损主要覆盖食品饮料、生鲜和酒类等存在损耗问题的品类。各项发生率统一在参数表中记录其取值和依据。
平台服务费根据商品成交额和所属品类的佣金率计算：
平台服务费=成交额×品类佣金率
物流成本按照不同品类设置每笔购买记录的物流基础金额，并以购买记录作为物流成本归集单位。对于发生退货的购买记录，退货运费沿用该商品所属品类的物流基础金额进行计算。各品类佣金率和物流基础金额分别参考公开平台资费和物流成本资料配置。具体参数及依据统一记录在参数表中。
完成各项成本补充后，将购买、广告和售后数据重新汇总到统一的商品经营事实中，并计算整套看板最核心的经营指标：
账面毛利=成交额−商品成本
经营成本=广告费用+退货退款+物流成本+平台服务费+退货运费+售后维修+临期折损
贡献毛利=账面毛利−经营成本
贡献毛利率=（贡献毛利/成交额）
成本吞噬率=（经营成本/账面毛利）
这些指标随后分别按照月份、品类和SKU进行汇总。月份数据用于观察经营质量变化，品类数据用于比较不同业务板块的规模和盈利状态，SKU数据则继续用于定位具体问题商品。所有层级都从同一套经营事实聚合，保证整体、品类和商品之间能够对应。
为识别商品各项经营成本是否异常，我们在每个品类内计算各成本项的基准成本率。
临期折损反映的是商品库存价值的损失，其发生规模与商品成本关系更直接，因此以商品成本作为计算基数：
临期折损基准成本率=（同品类临期折损总额−当前SKU临期折损金额）/（同品类商品成本总额−当前SKU商品成本）
对于广告费用、退货退款、物流成本、平台服务费、退货运费、售后维修，以成交额衡量其相对于销售规模的成本水平：
其他成本基准成本率=（同品类该成本项总额−当前SKU该成本项金额）/（同品类商品收入总额−当前SKU商品收入）
平台服务费由于同一一级品类内采用统一佣金率，不作为同品类SKU成本偏离识别的主要对象。
对于具体商品，再根据其收入和基准成本率计算基准成本金额，实际成本高于这一基准的部分记为成本偏离金额：
临期折损基准成本金额=当前SKU商品成本×临期折损基准成本率
其他基准成本金额=当前SKU商品收入×基准成本率
超基准成本金额=max(实际成本−基准成本金额,0)
成本率差异=实际成本率−同品类基准成本率
超基准成本金额反映异常的绝对影响，成本率差异反映相对于同品类经营基准的偏离程度。
在同一品类内部判断某项成本是否偏高，避免单纯因为商品销售规模较大，就被识别为成本异常。
这些结果进一步进入成本偏离诊断、问题商品与集中度分析、广告投入与盈利匹配分析以及基准回归情景分析。
|
成本项
|
处理方式
|
计算口径
|
|
商品成本
|
按一级品类配置商品成本率
|
商品成本=成交额×品类成本率
|
|
广告成本
|
按SKU×月份汇总点击，并匹配品类CPC
|
广告成本=SKU月度点击次数×品类CPC
|
|
退货退款
|
按品类退货率生成退货事件
|
发生退货时，退款金额=成交额
|
|
物流成本
|
按一级品类设置单笔物流基础金额
|
每条购买记录计入对应品类物流成本
|
|
平台服务费
|
按一级品类佣金率计算
|
平台服务费=成交额×品类佣金率
|
|
退货运费
|
对发生退货的购买记录计入返程物流成本
|
复用品类物流基础金额
|
|
售后维修
|
对指定品类按维修率生成维修事件
|
维修成本=品类平均单次维修成本
|
|
临期折损
|
对生鲜、食品饮料、酒类按折损率生成事件
|
折损成本=商品成本×折损事件
|
退货、维修和临期折损等原始数据中不存在的经营事件均使用固定随机种子生成，保证相同数据和参数下结果可复现。最终模型共使用146项正式参数，各项参数均记录来源、取值和映射说明。
参数化构造过程可追溯，我们为所有参数记录了来源、映射方式和使用说明。参数依据主要来自2018—2019年前后的平台资费规则、上市公司年报、行业研究报告及公开经营数据；当无法获得与当前一级品类完全一一对应的公开值时，则根据相近品类、可比企业或公开行业区间进行映射，并在参数表中保留具体映射说明。最终模型共使用146项正式参数，包括27项商品成本率、27项CPC、27项退货率、27项平台佣金率、27项物流基础金额、3项临期折损率、4项维修率和4项单次维修成本。详情见附录。
|
参数类型
|
主要来源
|
映射方式
|
|
商品成本率
|
同期上市公司年报、行业毛利率
|
由毛利率反推成本率，按相近品类映射
|
|
CPC
|
京东快车及同期广告投放资料
|
按品类竞争强度和公开价格区间配置
|
|
退货率
|
同期电商平台及行业退货统计
|
直接匹配或相似品类映射
|
|
平台佣金率
|
2018年前后京东开放平台类目资费
|
按二/三级类目映射至一级品类
|
|
物流基础金额
|
电商履约、配送成本资料
|
按轻小件、普通件、中大件等履约特征分档
|
|
临期折损率
|
生鲜、食品、酒类损耗资料
|
按品类损耗特征映射
|
|
维修率
|
消费电子、家电故障/维修资料
|
按对应设备品类映射
|
|
单次维修成本
|
售后维修价格及行业维修客单
|
使用代表值或区间中值
|
3.4 指标体系与BI+Agent协同
完成经营数据构建后，我们围绕经营人员在周期性复盘中真正需要回答的问题组织指标体系。当前经营结果如何、问题主要出现在哪些品类、利润受到哪些成本压力、亏损和成本偏离集中在哪些商品、不同经营成本的资源占用与盈利表现之间呈现怎样的关系，以及当超基准成本回到当前同品类基准后，经营结果在模型情景下可能发生怎样的变化。
整套指标体系以贡献毛利为核心，将商品收入、商品成本和经营成本连接起来，并分别在整体、月份、一级品类和SKU层级进行聚合。商品收入用于衡量经营规模；账面毛利用于观察扣除商品成本后的基础盈利空间；贡献毛利进一步扣除广告费用、退货退款、物流成本、平台服务费、退货运费、售后维修和临期折损等经营成本，用于衡量当前经营口径下最终留下的贡献结果；贡献毛利率则用于比较不同规模业务的盈利质量。
在此基础上，我们把看板设计为一条逐步缩小问题范围、逐渐聚焦的分析路径。
首先在整体层判断当前经营规模、利润结构和月度变化；随后进入一级品类，通过商品收入、贡献毛利率以及月度持续表现，同时观察规模、盈利水平和时间稳定性，将分析范围从整个平台收缩到值得继续检查的品类。
确定品类后，继续进入经营成本层。针对广告费用、退货退款、物流成本、退货运费、售后维修和临期折损六类可诊断成本，利用同品类经营基准计算超基准成本金额和成本率差异。超基准成本金额反映偏离带来的绝对影响规模，成本率差异反映相对于同品类基准的偏离强度，由此避免仅因为某个商品或品类规模较大，就将其直接判断为成本异常。
成本层进一步下钻到SKU后，看板结合当前亏损金额、贡献毛利和超基准成本观察具体问题商品，同时利用头部SKU累计亏损覆盖率判断问题的集中程度。如果少量头部SKU即可覆盖较大比例亏损，说明问题相对集中；如果随着纳入更多SKU累计覆盖率仍然有限，则说明亏损更广泛地分布在商品集合中，仅处理少数头部商品难以覆盖主要问题。
完成商品定位后，Page05从经营资源角度重新审视六类可诊断成本。经营人员可以选择具体成本项，同时观察该成本的实际金额、实际成本率、超基准金额以及对应品类的贡献毛利率。关系图以所选成本实际成本率为横轴、品类贡献毛利率为纵轴、实际成本金额为气泡大小，将成本占用强度和经营结果放入同一分析空间，帮助经营人员快速发现成本强度较高且盈利表现较弱的品类，并继续下钻到具体SKU进行复核。
最后，Page06通过基准回归情景观察经营结果的模型变化。对于六类可诊断成本中高于当前同品类基准的部分，构建其回归同品类基准的情景，并观察贡献毛利变化：
基准回归贡献毛利=当前贡献毛利+超基准成本金额
在此基础上进一步统计基准回归贡献毛利增量、回归后剩余亏损，以及负贡献SKU在情景下“可转正”与“仍为负贡献”的流向。该结果用于衡量当前成本偏离在既定模型假设下的影响程度，不代表预计收益或已经实现的经营改善。
最终形成六个前后衔接的FineBI模块：
01指标｜经营结果总览：观察商品收入、账面毛利、经营成本、贡献毛利和贡献毛利率，形成整体经营结果判断。
02品类｜经营分层与持续性：比较一级品类的规模、盈利水平和月度持续表现，将问题定位到具体品类。
03成本｜经营成本偏离分析：拆解六类可诊断经营成本，通过超基准成本金额和成本率差异识别成本偏离。
04商品｜问题商品与集中度：下钻至SKU，并通过头部SKU累计亏损覆盖率、品类亏损分布和商品明细判断问题集中程度及具体对象。
05资源｜经营资源配置：按经营成本项观察实际占用、成本强度、超基准金额与品类盈利表现之间的关系，并继续下钻具体SKU。
06情景｜基准回归分析：观察六类可诊断成本回到当前同品类基准后的贡献毛利情景变化、重点品类SKU流向以及回归后仍然为负的商品。
六个页面从整体经营结果逐步缩小到品类、成本和SKU，再重新回到经营资源与情景影响层面。其目的不是展示更多指标，而是不断缩小问题空间，把“从哪里开始看、接下来往哪里查”的一部分认知负担转移到分析系统中，从而减少经营人员在大量品类、成本项和商品之间反复搜索和比较所消耗的注意力。
在此基础上，作品进一步利用Dora沉淀经营分析方法。FineBI NEXT承担本作品的结构化经营分析、指标展示、比较、筛选和下钻；Dora则进一步将本项目形成的经营诊断方法、指标口径、证据读取顺序和回答边界封装为场景化Skill。我们设置经营诊断、SKU复核和经营资源与情景分析三个专业Skill，使智能体面对新的数据和问题时仍然沿用相同的方法组织证据，但不写死某个品类、成本项或当前数据结果。
Dora的价值在于把分析中形成的专业经验，沉淀为下一次可以直接复用的经营能力。随着底层经营数据发生变化，具体结论可以随之改变，而分析方法、指标口径和判断边界仍然能够稳定复用。
4成果展示
最终作品以FineBI NEXT为主要经营分析载体，形成由经营结果、品类、成本、商品、资源和情景六个层级组成的经营诊断看板。六个页面沿着“整体结果—品类定位—成本拆解—商品下钻—资源复核—情景观察”的路径逐步缩小分析范围。
本次样本中，商品收入达到3.52亿元，扣除商品成本后仍形成约1.09亿元账面毛利。但进一步计入广告、退货退款、物流、平台服务费、退货运费、售后维修和临期折损七类经营成本后，贡献毛利下降至-5073.98万元，贡献毛利率为-14.41%。这也直接说明，仅观察成交规模或账面毛利，可能明显高估经营质量。作品后续五个页面均围绕这一结果，解释了利润压力出现在哪里、由什么成本形成、落在哪些商品上，以及这些偏离在既定情景下可能产生怎样的影响。
4.1 经营结果总览：从“账面盈利”看到“真实经营压力”
全局看，当前样本商品收入352,113,152.40元，商品成本扣除后形成 108,626,551.10元账面毛利。如果仅停留在传统销售和毛利指标上，整体业务仍然表现为较大的正向盈利空间。
但七类经营成本合计达到159,366,345.80元，已经超过账面毛利。进一步扣除经营成本后，贡献毛利下降至-50,739,794.74元，贡献毛利率为-14.41%。
这意味着账面毛利在进一步承担投放、退货、履约和售后等经营活动之后被完全侵蚀。收入至贡献毛利路径将这一过程直接展开，使经营人员能够从收入端一路看到最终贡献结果，而不需要分别查阅多张成本报表。
右侧七类经营成本构成则继续回答成本压力来自哪里。广告费用、退货退款等成本占据较大规模，同时物流、平台服务、售后维修等成本共同参与利润侵蚀。底部月度趋势进一步显示，在当前统计期间内，贡献毛利率持续位于零线以下，说明负贡献并非单个月份的偶然波动，而是需要继续向品类和成本层下钻的经营问题。
第一页KPI汇总建立后续诊断的起点，即使账面利润为正，完整经营成本也已经使最终经营收益结果转负。
4.2 品类经营分层与持续性：确定问题究竟出现在哪里
第二页将分析范围从平台整体收缩到一级品类。
上方气泡图同时使用商品收入和贡献毛利率描述各品类的经营状态，使收入规模和经营质量能够被放在同一分析空间中观察，横轴以收入显示收入规模，纵轴显示品类贡献毛利率。当前数据可以看到，不同品类之间存在明显分化。部分大规模品类虽然具有较高收入，但贡献毛利率已经进入负值区域；另一些规模较小的品类仍保持正向贡献。这说明收入规模并不能直接代表经营质量，也不能仅按照销售额确定经营关注顺序。
右下角选择具体品类可以查看其各自情况。如家用电器仍属于当前样本中的大规模品类，但贡献毛利率已经为负；电脑、办公和手机通讯等具有较大经营规模的品类同样承受明显的贡献压力。与之相对，部分规模较小的品类仍能保持正向贡献结果。通过这种比较，经营人员可以迅速识别“大规模但经营质量偏弱”和“小规模但盈利质量较好”等不同经营状态。
仅观察一个汇总值仍然可能受到单月波动影响，因此下方进一步使用月度持续性热力图观察各品类贡献毛利率随时间的表现。颜色变化使经营人员能够判断某个品类的问题究竟是偶发波动，还是在多个经营月份中持续出现。
该页支持选择具体品类观察详情，如家用电器品类规模巨大但盈利效果不佳，整体亏损5%，且各月基本保持小幅亏损，偶有微弱盈利。
由此，Page02解决的是一个非常具体的问题：整体负贡献已经确认，但并不是所有品类表现相同，下一步应该把注意力集中在哪些品类。
4.3经营成本偏离分析：成本是否高于同类基准
找到重点品类之后，第三页进一步回答利润究竟受到哪些经营成本影响。
单纯比较成本金额存在一个明显问题，销售规模大的品类天然会产生更高的广告、物流和退货成本，因此“成本金额大”并不能直接等价为经营异常。为解决这一问题，本作品在品类内部建立经营成本基准，即同类商品经过收集广泛的国内电商平台经营数据并按严格算法分别计算超基准成本金额和成本率差异。
页面左侧将一级品类的六类超基准成本拆分展示，使经营人员既能看到不同品类的总体偏离规模，也能够判断其中主要由广告、退货退款、物流、退货运费、售后维修还是临期折损形成。右侧进一步汇总六类成本的整体超基准构成。当前样本中，退货退款和广告相关偏离构成较大的超基准成本来源，售后维修和物流等成本同样形成一定影响。
这里尤其区分两个指标：
- 超基准成本金额用于衡量成本偏离带来的绝对影响规模；
- 成本率差异用于衡量当前成本强度相对同品类基准偏离了多少。
因此，一个商品即使成本率差异较高，如果其经营规模非常小，对总体利润的实际影响也可能有限；相反，一个成本率偏离并不极端的大规模商品，却可能产生更大的超基准金额。
页面底部继续下钻到SKU级证据明细，将商品收入、贡献毛利和六类超基准成本同时展示，使品类层面的成本判断能够被追溯到具体商品，而不是停留在汇总结果。
顶部提供成本项和一级品类两个选取入口。可以先从全部品类中选择某一种成本，例如只观察广告费用、退货退款或物流成本，也可以先锁定某个一级品类，再继续查看该品类内部六类经营成本的偏离情况。两个选取条件可以配合使用，使分析范围逐步压缩到当前真正需要复核的经营对象。
当经营人员选取具体成本项后，页面中的图表和明细会围绕当前选择同步变化。左侧“各品类六类超基准成本构成”用于比较该成本在不同品类中的绝对影响规模；右侧成本构成图用于观察当前超基准成本的整体结构；底部SKU证据明细则进一步将汇总结果下钻到具体商品。由此，使用者无需在多个页面之间重新查找和手工拼接信息，就能够沿着“选择成本项—比较品类—定位SKU”连续完成一次成本诊断。
如果先选择某个一级品类，则分析方向相反：经营人员可以进一步观察该品类究竟主要受到哪一种成本偏离影响，再继续查看具体SKU。这样，已知成本问题，寻找主要受影响品类；已知问题品类，寻找主要异常成本，同一页面支持两种实际经营复盘中常见的分析入口。
4.4 问题商品与集中度：从品类亏损继续下钻到负贡献SKU
完成成本偏离分析后，第四页继续把分析粒度从品类和成本项下钻到具体商品，重点回答两个问题：当前亏损究竟集中在少数头部SKU，还是广泛分布在大量商品中；如果需要继续检查，具体应该落到哪些SKU。
页面首先按照SKU亏损金额由高到低排序，并计算头部SKU的累计亏损覆盖率。横轴表示头部SKU亏损排名，纵轴表示纳入前N个高亏损SKU后能够累计覆盖的总体亏损比例。如果少数SKU已经覆盖大部分亏损，曲线会在前段快速上升；反之，如果随着纳入更多SKU，累计覆盖率仍然缓慢增加，则说明问题并未高度集中。
当前数据中，即使将分析范围扩展到Top1000负贡献SKU，累计亏损覆盖率仍只有不到30%。这意味着当前亏损并不是由极少数头部商品造成，而是较为广泛地分布在大量SKU之中。因此，仅处理几十个或几百个最高亏损商品，仍然难以覆盖整体经营压力。
这一结果也避免了经营分析中常见的一种误判：排名最靠前的商品最显眼并不意味着少数头部商品就能够解释大部分问题。通过累计覆盖曲线，经营人员可以先判断问题的集中程度，再决定后续是采用少量重点SKU复核，还是需要扩大商品检查范围。
页面下方进一步从两个方向展开。左侧“品类亏损分布”通过矩形面积展示负贡献亏损主要落在哪些一级品类，使经营人员能够从商品层重新观察问题的品类结构；右侧“负贡献SKU明细”则列出具体商品的商品收入、贡献毛利、亏损金额以及超基准成本金额等信息，将宏观的亏损分布最终落到可核查的商品对象。
本页同时提供一级品类筛选和商品ID搜索功能。经营人员可以先选定某个一级品类，此时累计覆盖、品类分布和SKU明细随筛选范围同步收缩，用于观察该品类内部的亏损集中程度；也可以直接输入商品ID（此处脱敏），快速定位某个具体SKU，查看其当前贡献结果和成本偏离的情况。
这种交互设计使Page04支持两种典型使用方式。可以从整体亏损出发，逐步缩小到重点品类和具体SKU；也能已知某个品类或商品，直接检查其在整体亏损结构中的位置。
在具体SKU判断中，亏损金额与超基准成本金额承担不同作用。亏损金额用于确认商品当前是否已经形成负贡献，而超基准成本金额用于进一步判断六类可诊断成本偏离能否解释其中一部分亏损。因此，页面不会要求所有负贡献SKU都同时存在超基准成本。
例如，一个SKU可能已经出现明显亏损，但超基准成本金额为0。这并不意味着该商品“没有问题”，反而恰恰说明其亏损不能简单归因于当前六类成本高于同品类基准，需要结合商品毛利结构或其他经营因素继续判断。相反，也可能存在仍保持正贡献但具有超基准成本的商品，这类对象主要在Page03成本偏离分析中被识别，而Page04则专注于当前已经形成负贡献的商品。
因此，Page03与Page04形成了互补关系，Page03找到偏离同品类经营成本基准的商品；Page04回答哪些商品已经形成负贡献，以及这些亏损究竟有多集中。
通过“累计覆盖判断集中程度—品类筛选定位范围—SKU搜索与明细下钻”的连续操作，经营人员能够先判断问题究竟是否集中，再决定后续需要检查多少商品以及从哪里开始检查，不再只能依赖一个静态的TopN排行榜，
4.5 经营资源配置：通过成本项切换比较资源强度与盈利表现
第五页希望回答，某一类经营成本在不同品类中的实际占用强度如何，这种成本强度与品类盈利表现之间呈现怎样的关系，以及哪些对象值得继续复核。
Page05将广告费用、退货退款、物流成本、退货运费、售后维修和临期折损六类可诊断成本统一纳入同一套分析框架。经营人员可以通过页面顶部的成本项选择器切换当前关注的经营成本，不需要为每一种成本单建一套独立页面。
当经营人员选择某个成本项后，页面中的KPI、关系图和SKU明细会同步切换到当前成本。例如选择“退货退款”时，页面顶部直接给出当前退货退款的实际金额、实际成本率、超基准成本金额以及超基准金额占实际成本的比例。在当前数据中，退货退款实际金额为33,916,224.88元，实际成本率为9.63%，超基准成本金额为20,160,746.89元，超基准金额约占该项实际成本的59.44%。
经营人员能够先了解成本项总体有多大，从而判断其主要落在哪些品类和商品，而不是一开始就在大量SKU明细中逐条寻找问题。
页面左上保留七类经营成本构成，用于提供整体成本背景；右侧KPI则随着所选成本项动态变化，使某一成本在整体经营成本体系中的位置与其自身偏离情况能够同时被观察。
页面下方的关系图进一步把所选成本实际成本率与品类贡献毛利率放到同一分析空间：
- 横轴表示所选经营成本的实际成本率；
- 纵轴表示一级品类贡献毛利率；
- 气泡大小表示该成本项实际金额；
- 颜色区分正贡献和负贡献品类；
- 每个气泡对应一个一级品类。
这样，经营人员可以直观看到不同品类在同一种经营成本上的资源强度差异。例如，某些品类可能同时表现为较高的成本率和较低的贡献毛利率，这些对象值得优先继续复核。
关系图允许经营人员同时看到反向情况：有些品类虽然某项成本率较高，却仍然保持正向贡献；另一些品类的成本率并不突出，但贡献毛利率仍然较低。通过把成本强度和盈利结果放在同一空间，可以减少只看单个指标所产生的误判。
页面右下继续提供所选成本项SKU明细。当经营人员发现某个品类在关系图中表现异常后，可以继续下钻查看具体商品的实际成本金额、基准成本金额、超基准成本金额、成本率差异以及贡献毛利表现，从品类关系重新落到可核查的SKU对象。
同一套页面结构可以随着成本项切换重复使用，使六类经营成本都能够在“选择成本项→查看总体占用→比较品类成本强度与盈利表现→下钻具体SKU的”统一逻辑下进行比较，也减少了为不同经营问题反复切换页面和重新组织分析路径的操作成本。
4.6 基准回归分析：发现可能的改善结果
前五页分析回答了当前经营结果如何、问题主要出现在哪里、哪些成本发生偏离、哪些SKU已经形成负贡献，以及不同经营成本与盈利表现之间呈现怎样的关系。第六页在此基础上进一步构造基准回归情景，解释如果前面识别出的六类超基准成本回落到当前同品类经营基准，经营结果在模型情景下可能发生怎样的变化。
这里在当前数据和既定成本基准下进行一次反事实测算，其目的是判断当前已经识别出的成本偏离能够解释多大程度的经营压力，以及即使这些偏离消失后，是否仍然存在无法解决的负贡献问题。
页面顶部首先用四个核心指标建立整个情景的结果边界。当前数据中共有 290,898个负贡献SKU，对应负贡献亏损约45,944,214.71元。在六类可诊断成本回归同品类当前基准的情景下，测算得到的贡献毛利增量为52,853,414.54元；但回归后仍然存在约8,769,071.07元的负贡献亏损。
当前负贡献亏损只统计已经处于零线以下SKU距离零点的亏损，而基准回归带来的贡献改善并不会在SKU达到零点后停止。部分SKU在成本下降后可以从负贡献跨越零点并继续形成正贡献，因此在基准回归之后产生的贡献毛利增量不等于当前亏损可以被填补的金额，就像这里产生贡献毛利增量高于当前负贡献亏损金额的情况。
页面左侧的重点品类基准回归前后变化图进一步把整体情景结果拆分到一级品类。每个重点品类同时展示当前贡献毛利与基准回归后的贡献结果，使经营人员能够直接观察不同品类在相同规则下的变化幅度。
通过这种前后比较，可以进一步区分几种不同情况。有些品类当前负贡献较大，但成本回归后改善明显；有些品类能够在情景中跨过零线；也有一些品类虽然得到改善，却仍然维持负贡献。
（如图可见成本回归基准情况后家用电器整体扭亏为盈，手机通讯仍然亏损）
右侧的重点品类负贡献SKU基准回归流向桑基图将当前重点品类中的负贡献SKU作为起点，并根据基准回归后的贡献结果划分为基准回归后可转为非负贡献和回归后仍为负贡献。这种表达相比单纯展示一个改善金额，更能够反映经营问题的性质。
如果一个SKU在六类超基准成本回归后即可跨过零线，说明当前识别出的成本偏离对其负贡献具有较大的解释空间；反之，如果商品在成本回归后仍然负贡献，就说明问题不能仅依靠当前六类成本偏离解释，还可能涉及商品自身毛利空间、价格结构或其他未被当前模型覆盖的经营因素。
页面底部继续设置“回归后仍为负SKU明细”，将情景分析重新下钻到具体商品。如果Page06只停留在贡献毛利的改善空间，很容易让分析最终停留在一个看起来积极的汇总数字上。保留剩余负贡献SKU，则能够直接看到哪些商品已经考虑当前可识别成本偏离后，仍然没有恢复到非负贡献状态。这部分SKU实际上形成了整个六页分析路径最后剩下的重点问题集合。
从Page01开始，系统面对的是全平台经营数据；经过品类、成本、商品和经营资源的连续筛选，到Page06最终进一步区分为：能够被当前成本偏离解释的部分与即使成本回到基准仍然无法解释的部分，问题空间因此被进一步压缩。
因此，Page06形成了一条完整的使用路径：
查看整体情景结果→比较重点品类前后变化→观察负贡献SKU状态流向→下钻回归后仍为负的具体商品。
经营人员可以借此判断，前面识别出的六类成本偏离如果得到改善，理论上能够解释多少当前经营压力，从而进一步结合更加具体难以统计的业务结构和实际经营环境，在AI的辅助下进行人工判断。
4.7 Dora经营助手：将诊断方法封装为可重复调用的经营能力
在每一页的左上角标题栏，我们都可以点击超链接进入dora
完成六页结构化经营分析后，作品进一步使用Dora构建“多品类电商经营诊断助手”，将前述看板建设过程中形成的指标口径、分析顺序、证据读取方式和判断边界进一步封装，使一次性的分析经验能够被重复调用。
FineBI NEXT本身也内嵌了九思智能分析功能，能够针对仪表板快速生成数据摘要和解读，并支持查看者围绕已有诊断结果继续追问，支持通过自然语言进行数据查询和分析，但其更加倾向于数据输入到数据分析+bi面板生成的流程，并且在面板中没有内嵌AI伴随式交流的体验。所以我们多方比较，最后使用了dora，因为dora能够封装智能体、沉淀长期工作流。整体上，二者都能通过超链接嵌入面板，但Dora的沉浸使用体验会更强。
当然，我们可以首先利用FineBI NEXT中的原生AI能力承接看板使用过程中的即时分析需求。进入某一页面后，可以借助AI快速理解当前页面、提取重点信息，并围绕具体数据继续提出问题。例如，当进入经营结果总览，读取商品收入、账面毛利、经营成本和贡献毛利等指标后，可以借助AI进一步理解当前经营结果中的主要变化；进入品类或成本页面后，也可以围绕当前筛选状态继续询问具体品类和成本表现，而不需要重新手工整理页面中的全部数据。
这种能力解决的是经营分析中的第一类AI需求，也就是当面对当前数据，需要快速帮我们总结，使得我们知道发生了什么。
但随着作品不断迭代，我们发现仅依赖临时问答还存在另一个问题，同一个经营问题在不同时间、不同使用者和不同数据版本下，应该遵守什么指标口径、按照什么顺序读取证据、哪些结论可以说、哪些结论不能直接推出，这些分析经验如果没有进一步固化，仍然容易随着使用者和提问方式发生变化。所以在FineBI NEXT原生AI能力之外，我们才进一步使用Dora构建智能体。
我们将整套方法拆分为三个场景化Skill：
business-diagnosis负责整体经营结果、品类表现和成本驱动分析；
sku-review负责成本偏离、负贡献SKU和亏损集中度复核；
action-orchestration负责经营资源关系及基准回归情景解释。
这使智能体不仅知道应该回答什么，还明确了应该按照什么顺序判断和什么证据不足以支持进一步结论。整个AI分析体系因此形成两个层次，FineBI NEXT原生AI：面向当前数据，辅助看懂、查数和即时追问，Dora智能体面向经营场景，沉淀方法、统一口径并约束分析边界，分别解决即时分析效率和专业方法复用两个问题。
为了保证这种方法能够随着数据更新继续使用，Dora设计写死方法，避免判断和结论性的语言混入，固定经营分析规则。如在汇总多个SKU或多个时间周期时，先聚合金额指标，比率指标必须根据汇总后的分子和分母重新计算。
但当前数据中“哪个品类贡献毛利率最低”“哪一种成本超基准金额最大”等具体结果不会直接写进Skill。随着底层数据变化，这些具体结论也必须重新从当前数据中获得。这样的设计也更准确地体现了我们对帆软AI能力的理解和应用，让不同层次的AI能力分别进入最适合的分析环节。
我们使用完全相同的问题对Dora与FineBI NEXT原生AI九思进行测试。在相同问题下，九思从现有字段和工程痕迹反推方法，Dora依据已经封装的项目Skill直接按照最终业务口径解释。9思即时数据分析能够主动读取底层字段并探索指标关系，但其回答仍可能受到工程字段和历史实现痕迹影响。Dora基于Skill调用已经确认的最终经营口径，将指标定义、诊断规则和解释边界从底层工程中分离出来，保持业务口径、诊断规则和解释边界的一致性。由此，两者形成“即时数据探索能力”与“场景方法治理能力”的互补。Dora的Skill相当于在数据和自然语言回答之间加了一层经过确认的业务语义。
最终，本作品形成了三层递进：
可视化看板把经营问题结构化；九思AI降低即时理解和问数成本；Dora智能体把经营诊断经验沉淀为可重复调用的方法。从这个意义上看，我们形成了一套可被持续使用的分析路径和AI深度介入后的BI面板使用方法论。
4.8 BI+AI核心分析结果
经过经营结果、品类、成本、商品、资源和基准回归六个层级的连续分析，我们形成了一条较为完整的经营判断链。当前经营情况，最突出的问题可以概括为：业务具有较大经营规模和正向账面毛利，但完整经营成本已经超过其基础盈利空间；亏损在品类层面相对集中，在SKU层面却较为分散；同时，大部分当前负贡献亏损在基准回归情景下具有成本偏离解释空间，但仍存在无法由六类成本偏离解释的剩余问题。
|
核心发现
|
关键数据证据
|
经营含义
|
|
有收入、有账面毛利，但最终经营亏损
|
商品收入3.52亿元；账面毛利1.09亿元；经营成本1.59亿元；贡献毛利-5073.98万元；贡献毛利率-14.41%
|
销售规模和账面毛利不足以代表最终经营质量
|
|
负贡献具有持续性
|
当前13个月贡献毛利率均为负
|
当前问题并非个别月份偶发异常
|
|
成本压力集中于少数经营环节
|
广告、退货退款、售后维修合计占经营成本约82.3%
|
经营压力并非七类成本平均恶化
|
|
成本规模与成本偏离并不等价
|
六类超基准成本约5862万元，其中退货退款、广告、售后维修约占88.9%
|
最大成本项不一定是相对同类偏离最大的成本项
|
|
亏损品类集中、SKU分散
|
主要亏损集中于少数品类，但Top1000负贡献SKU仅覆盖约22%的总体亏损
|
可以先从品类缩小范围，但不能只治理极少数头部SKU
|
|
大部分亏损具有成本偏离解释空间，但并非全部
|
290,898个负贡献SKU中，约209,277个在基准回归后转为非负，约81,621个仍为负；剩余亏损约876.91万元
|
当前六类成本偏离能够解释大量经营压力，但仍存在商品基础盈利结构等其他问题
|
- 账面盈利并没有转化为最终经营盈利
当前样本商品收入达到352,113,152.40元，扣除商品成本后仍形成108,626,551.10元账面毛利，说明商品本身并非完全缺乏盈利空间。但进一步计入广告费用、退货退款、物流成本、平台服务费、退货运费、售后维修和临期折损七类经营成本后，经营成本合计达到约159,366,345.81元，已经明显超过账面毛利，最终贡献毛利降至-50,739,794.74元，贡献毛利率为-14.41%。
换算后可以看到：
经营成本÷账面毛利≈146.7%，即每形成1元账面毛利，需要承担约1.47元经营成本。因此，这批数据暴露出的核心矛盾是商品销售能够形成账面毛利，但后续经营活动产生的成本已经超过基础盈利空间。这一发现也是整个六页诊断体系进一步向品类、成本和SKU层下钻的起点。
2.当前负贡献并非短期波动，而具有明显持续性
月度趋势显示，在当前覆盖的13个月中，贡献毛利率均处于负值区间，没有出现明显的持续恢复趋势。因此，当前负贡献并不能简单解释为某个月促销、季节波动或短期经营异常，而更接近一种持续性的经营结果。
这一结论意味着仅依靠观察整体年度指标不足以说明问题性质，还需要继续比较不同一级品类的规模、盈利质量及月份持续性，判断负贡献究竟集中在哪里。
3.负贡献并非均匀分布，高规模且持续负贡献的品类构成了首要经营压力
进一步下钻到27个一级品类后可以发现，不同品类的经营状态存在明显分化。部分品类虽然具有较大的商品收入规模，但贡献毛利仍为负，说明整体亏损在品类层面形成了经营质量的梯度差异。手机通讯、电脑办公、家用电器和数码等品类同时具有较大的经营规模和负贡献，是当前整体经营压力中最值得优先关注的一组品类。其中，家用电器商品收入约8023万元，占整体商品收入约22.8%，但贡献毛利仍约为-364.6万元，贡献毛利率约为-4.54%，属于典型的高规模负贡献品类。
品类之间不仅存在当期盈利差异，这种差异在时间维度上也具有明显不同，手机通讯、电脑办公、家用电器和数码等负贡献重点品类在观察期内反复处于负贡献区间，它们对整体经营结果形成的压力具有较强持续性。与此同时，其他部分品类则表现出持续正贡献或正负波动，由此形成明显的品类经营分化。
据此可认为，同时具备较大经营规模和持续负贡献特征的品类，是后续成本诊断最值得优先投入注意力的对象。当前已从27个一级品类进一步收敛到手机通讯、电脑办公、家用电器、数码等规模较大且持续承压的重点品类。这意味着后续成本诊断不需要在所有品类上平均投入注意力，而应优先解释这些重点品类为什么在形成较大销售规模的同时，仍未能形成正向贡献。
4.经营成本高度集中，但成本最大未必盈利更薄。
七类经营成本分布严重不平均，其中广告费用约7570万元，约占全部经营成本47.5%；退货退款约3392万元，占约21.3%；售后维修约2151万元，占约13.5%。前三项合计约占全部经营成本的82.3%。
从绝对成本规模看，当前经营压力首先集中在广告、退货退款和售后维修三个环节。
但进入Page03同品类基准比较后，结论发生了进一步变化。六类可诊断成本的超基准金额合计约5862万元，其中退货退款约2016万元，广告约1605万元，售后维修约1593万元，三项合计约占六类超基准成本的88.9%。由此得到一个比单纯成本排名更加重要的发现。广告虽然是实际经营成本最大的单项，但在相对于同品类基准的成本偏离中，退货退款反而形成了更大的超基准金额。这说明经营分析不能只依据谁花费最多判断问题，而需要进一步区分成本规模有多大和成本相对于同类经营一般水平偏离了多少。
这是建立“实际成本—基准成本—超基准成本”三层指标的主要价值。
5.当前亏损呈现明显的“品类集中、SKU分散”特征
从一级品类观察，负贡献并非平均分布于全部业务。手机通讯、电脑办公、家用电器、数码等重点品类已经覆盖了较大的总体亏损份额，因此经营人员首先可以通过品类层级明显缩小问题范围。
但进入SKU层后，亏损结构却呈现另一种特征。当前约有290,898个负贡献SKU，总亏损约4594.42万元。按照亏损金额排序后，即使将范围扩大至Top1000负贡献SKU，累计亏损覆盖率仍只有约22%。
这说明经营问题可以在品类层面较快定位，但进入问题品类以后，亏损并没有高度集中在极少数SKU。
因此，只处理最大的几十个或几百个亏损商品不足以解决整体问题。这一结果直接形成了经营分析中的一个重要判断，先按品类集中注意力，再在品类内部进行更广泛的SKU分层，而不是仅依赖传统TopN治理。
6.退货退款存在最明显的治理空间，近六成实际退款成本高于同品类其他SKU基准
进入资源配置层后可以看到，成本投入规模并不能直接代表投入是否合理。以当前观察的退货退款为例，实际退货退款成本约3391.62万元，其中相对于同品类排除当前SKU基准形成的超基准成本约2016.07万元，约占该项实际成本的59.4%。也就是说，退货退款不仅本身金额较大，超过一半的实际退款成本已经高于同品类其他SKU形成的参照水平，说明该成本项内部存在较明显的结构性偏离。相比广告费用总额最大，退货退款表现出的特点是，实际成本规模已经较高，同时超基准部分占自身成本的比例也很高，具有更明确的处理价值。
进一步下钻到SKU后，这一成本偏离落到具体商品。在选定退货退款并锁定重点品类后，可以继续按超基准成本金额识别对该项偏离贡献最大的SKU。
我们在前面的分析中定位了长期处于负贡献毛利的品类手机通讯，于是当这一重点承压品类与退货退款这一关键成本交叉后，问题可以从品类和成本两个宏观维度收敛到手机通讯中退货退款成本高于同品类其他SKU基准的具体商品。以此为例分析，在全部品类中点击手机通讯的气泡，可联动右侧明细表下钻手机通讯品类在退货退款方面的具体超基准SKU。优先按照退货退款超基准金额从高到低检查具体SKU，重点核查商品质量、型号与适配信息、页面描述准确性、履约过程和售后原因等可能导致高退货的环节。对其中同时处于负贡献状态的SKU，应优先治理；对仍保持正贡献但退款明显超基准的SKU，则预警其利润空间正在被侵蚀。
7.约八成当前亏损缺口在基准回归情景下具有成本偏离解释空间
前述分析识别出了大量六类经营成本偏离，但进一步的问题是这些成本偏离究竟能够解释多少当前负贡献。Page06通过基准回归情景进行了进一步检验。
当前共有290,898个负贡献SKU。当六类超基准成本回归当前同品类基准后，约有209,277个SKU，即约72%，能够由负贡献转为非负贡献；仍有约81,621个SKU，即约28%保持负贡献。
从亏损金额观察，当前负贡献SKU总亏损约为4594.42万元，基准回归后仍剩约876.91万元负贡献亏损。
（4594.42−876.91）/4594.42≈80.9%
即约81%的当前负贡献亏损缺口，在六类成本回归当前同品类基准的情景下可以被覆盖。
这代表当前大部分负贡献在六类经营成本偏离上存在较大的解释空间，说明继续检查退货退款、广告和售后维修等主要成本偏离具有较高分析价值。
8.成本回归后仍然存在一批不能只靠成本偏离解释的问题商品
即使六类成本全部回到当前同品类基准，仍有约81,621个SKU保持负贡献，对应约876.91万元剩余亏损。说明超基准成本并不能解释全部经营问题。
对于这些SKU，如果继续机械寻找哪一类成本高于基准，分析很可能已经偏离真正的问题。下一步需要转向商品自身经营结构、其他经营因素。
以手机通讯为例，设置联动钻取后能定位具体sku，方便针对性地查找问题所在。
因此，最终看板实际上把最初29万余个负贡献SKU进一步划分成了两种不同性质的问题：成本偏离具有较强解释空间的对象，应继续沿经营成本进行复核以及成本回归后仍然负贡献的对象，应进一步转向商品基础盈利结构进行检查。这进一步回答哪些亏损值得继续沿成本链条查，哪些亏损已经需要换一个方向。
核心结论
本次结论为，手机通讯当前同时承受负贡献和成本偏离压力，其中最严重问题SKU 6027746亏损约8.66万元，售后维修超基准成本约7.52万元，表明售后维修是该SKU最值得优先治理的成本问题；治理后仍亏损的商品则需要进一步转向商品成本和定价结构。同样，分析发现两个容易被传统经营分析忽略的结构性事实：其一，成本规模最大的未必是问题最大的，广告是实际花费最高的成本项，但退货退款相对同品类基准的超基准偏离才最突出；其二，亏损呈现品类集中、SKU分散特征。问题可在品类层快速定位，但即使扩大到Top1000负贡献SKU也只覆盖约22%的总体亏损，仅治理少数头部商品无法解决整体问题，这对依赖TopN排行榜的传统治理方式构成直接反驳。
通过该BI面板和AI协作，我们识别出一套当前业务完整的经营结构。当前业务具有较大的规模和账面毛利，但经营成本持续吞噬基础盈利空间；成本压力主要集中于广告、退货退款和售后维修，同时成本规模与成本偏离并不完全一致；亏损在品类层面具有较强集中性，在SKU层面则明显分散；在当前基准回归情景下，大约八成负贡献亏损缺口具有六类成本偏离解释空间，但仍有一部分问题无法由成本偏离解释，需要进一步转向商品基础盈利结构。
当前展示的是本看板的一种典型分析路径，分别识别治理优先级较高的重点品类与关键成本项，再将两者交叉下钻，从而进一步夹逼到需要优先复核的问题SKU。
但这并不是看板唯一的使用方式。根据实际经营任务，还可以从两个方向展开分析：一是当问题品类已经明确时，固定该品类并依次切换不同成本项，系统比较广告、退货退款、物流、售后维修等成本表现，判断主要压力来自哪里；二是当某一成本问题已经明确时，固定该成本项并遍历不同品类，比较该成本在各品类中的实际水平、基准偏离及对应SKU分布，从而识别主要受影响的经营对象。
因此，这套看板支持在“品类”和“成本项”两个维度之间进行双向切换与交叉筛选，不是固定的分析流程。分析人员既可以从重点品类出发逐项检查成本，也可以从关键成本出发横向比较全部品类，还可以同时交叉筛选品类与成本项，将问题收敛到具体SKU，而通过dora智能体加持可以快速完成三条路径的深度分析。
4.9 价值产出与效率验证
本作品的经营成本由公开行业参数结合固定随机种子构造，其目的是还原多品类经营中真实存在的成本结构与判断难题，因此报告中的具体金额用于验证分析方法与指标口径，不代表某一真实企业的实际盈亏。作品的核心价值在于它所建立的一套可复用的经营判断方法，以及由此带来的可量化的效率改善。
本期复盘面对的原始判断空间是27个一级品类、7类经营成本、290,898个负贡献SKU。FineBI NEXT在品类层将27个一级品类收敛到手机通讯、电脑办公、家用电器、数码等4个高规模持续负贡献品类，注意力范围压缩约6.8倍；在成本层从7类经营成本聚焦到超基准偏离最大的退货退款（超基准约2016万元），并通过基准回归情景将29万余个负贡献SKU切分为约20.9万个可由成本偏离解释、约8.2万个需转向商品自身盈利结构的对象。
在重点品类×关键成本项交叉筛选下，最终收敛到数十个需优先处理的重点SKU（如结论中点名的SKU6027746），需要进入最终判断的对象从约29万个压缩了99%以上。这一收敛同时避免了传统TopN治理的局限——当前Top1000负贡献SKU累计仅覆盖约22%的总体亏损，说明问题相对分散，仅处理少数头部商品无法解决整体经营压力，而六层路径通过品类、成本与基准回归的多维交叉，将问题空间有效压缩到真正值得优先处理的对象。
方法层面的改善同样可以量化。作品支持在27个一级品类与6类可诊断成本之间双向交叉筛选，两个维度的组合共162种，均由一套页面通过筛选组件联动覆盖：每切换一次成本项或品类，相关图表与SKU明细随之同步下钻，分析范围逐步压缩到具体经营对象。整体、月份、品类和SKU四个粒度、六个页面共享同一套经营事实，数据源更新后各页面自动保持口径一致。
Dora则把这套诊断方法沉淀为可复用的能力。指标口径、诊断顺序和判断边界被封装为三个场景化的Skill，一次性固化了146项经营参数口径、六层诊断顺序，以及比率指标必须按汇总后分子分母重新计算等判断规则。在数据更新的每一个复盘周期中，具体结论随数据重新计算，而方法本身保持稳定复用，避免了每次重新对齐口径和顺序的重复成本。
从制作过程本身看，本作品在AI协作下由三人小团队在有限时间内完成了千万行级别的数据清洗、146项经营参数整理、成本模型构建、异常校验与跨页面一致性验证。AI使人类得以把主要精力投入到把关验证数据正确性、分析逻辑成立性和结论业务意义之上，这本身也是AI+BI工作方式带来的效率产出。
综合来看，FineBI NEXT结构化庞杂的经营数据、逐层收敛问题空间，Dora把已经验证的分析方法固化为可重复调用的经营能力，人从如何组织这次分析中解放出来，集中于质疑证据、确定边界和做出最终判断。这既是本作品的量化业务改善，也是我们对AI+BI+人协同分析方式的一次具体实践。
5 总结与分享
本次作品开发过程中，我们最明显的体会是，AI正在改变BI的使用方式。传统BI的核心价值，是通过可视化将繁复的数据转化为更直观的信息，降低管理者理解数据和做出判断的成本，但随着大模型数据分析能力快速提升，AI驱动的数分系统能够主动发现问题、解释原因、理解指标口径，并围绕异常继续追问，与之相比，传统BI的功能显得非常单薄低效。
在作品制作过程中，我们也不断思考未来的可视化分析是否可以从以看板为中心走向以AI分析为中心、以可视化作为证据和交互载体的范式。如果可以，那BI和AI将以一种什么形态融合，又如何和人交互？FineBI NEXT与Dora的实际使用让我们初步看到了这种可能性，看板负责建立稳定的数据结构和分析路径，AI则进一步承担解释、追问和方法复用，最终让BI从展示结果逐渐走向辅助判断。
我们同样意识到，AI对数据分析流程的深度介入，可能重新改变BI本身的价值边界。传统BI通过指标组织、图表关系、下钻路径和页面结构，将分析者的思考过程显性化。一个优秀的看板，本身就应该让使用者看到问题怎样一步步被发现，但当越来越多的数据探索、异常识别、归因解释和连续追问由AI承担后，BI可视化很可能更多呈现AI已经加工完成的分析结果。这样虽然能够降低使用门槛，却也带来新的风险，也就是BI从承载分析思维的界面逐渐退化为展示漂亮结论的界面？如果图表只负责把模型已经生成的答案做得更加直观，那么可视化原本所承担的探索、比较、质疑和建立认知结构的作用反而可能被削弱。
基于可视化看板原有整体作用的削弱，我们设想未来的AI原生BI可能像是一个工作台，只有业务中长期稳定或高频刷新时刻监测的指标会留在固定看板中。而图表等分析组件不必人为再去制作，只需被智能体根据分析任务自由动态调用组合来突出可视化的结论和业务状态。传统dashboard消失了，使用者可以从问题出发，由AI调取指标、生成对比、继续下钻，最后检查证据、提出质疑并作出判断。在这种形态下，看板逐渐被拆解成可以被AI调用和重组的分析组件。
受时间和个人能力限制，我们遗憾未能展示出全部的想法和灵感，但希望它能成为下一代数据分析BI+AI+人类交互方式的一种有益探索，由BI、AI与人共同组成一个持续发现问题、组织证据、形成判断并重新验证的全新的分析系统。
我们也感受到当前FineBI NEXT中AI与BI仍有进一步融合空间。现在的九思AI在能力上已然相当强悍，能够自由处理数据、生成组件、开展分析，但目前的交互系统紧紧围绕传统BI模板运转，我们在使用的时候，仍然需要先进入数据表、分析表或固定看板，再在既有页面结构中完成筛选、下钻和查看，AI更多是在这一套流程上提供增强。我们更期待未来的BI能够真正直接从原始数据开始，AI主动调度数据、指标、Skill和可视化组件，根据当前分析任务即时组织证据，再由人持续追问、质疑和确认。届时，FineBI提供的就不只是制作看板的能力，而是一个能够被AI实时调用和重组的数据分析环境，看板也不再是分析的终点，而成为整个分析过程中的一种动态表达方式。我认为这种交互系统也正合我们制作这套看板的初衷，即帮助经营者将注意力集中到关键的问题数据上，而节省对看板资源的注意力投入。
本次比赛本身也让我们直接体会到了AI对数据工作的改变。从千万行级别的数据处理、146项经营参数整理，到成本模型构建、异常校验、经营分析框架设计和报告撰写，大量工作都在AI协作下完成。对于过去的我们而言，这样的工作量很难由一个小团队在有限时间内完成，同样，我们也是第一次接触如此巨大量级的数据处理工作。AI使我们能够把更多精力投入到验证数据是否正确、分析逻辑是否成立以及结论是否真正具有业务意义上。
我们的最大收获是第一次较完整地实践了一个新的工作方式，人负责提问、确定边界和最终判断，AI承担大规模处理、探索和重复劳动，BI则把最终的数据证据组织成可以持续使用的分析系统。我期待这种方式成为未来数据分析工作的一种重要形态。同时也要感谢帆软为我们提供这样一个自由探索的平台。
参考文献
- Chen, Weijian, Yulong Gu, Zhaochun Ren, Xiangnan He, Hongtao Xie, Tong Guo, Dawei Yin, and Yongdong Zhang. "Semi-supervised User Profiling with Heterogeneous Graph Attention Networks." IJCAI 19
附录
数据处理所需代码及所用参数来源汇总见附件
|
附件
|
内容说明
|
主要作用
|
|
run.py
|
运行数据处理流程
|
按既定顺序调用参数校验、事实构建、页面数据生成及最终验证
|
|
config.py
|
正式分析配置及经营参数定义
|
集中管理27个分析品类、七类经营成本、六类SKU诊断成本及146项经营参数，并执行参数证据门禁
|
|
build_fact.py
|
经营事实层构建代码
|
完成原始购买、点击、商品数据清洗关联，并生成广告、售后、物流、平台服务费等经营成本及SKU×月份经营事实
|
|
build_pages.py
|
六页看板数据与诊断逻辑生成代码
|
基于正式经营事实生成Page01—Page06所需分析数据，并执行同品类排除当前SKU的leave-one-out成本偏离诊断及基准回归计算
|
|
validate.py
|
结果验证代码
|
对参数完整性、经营成本勾稽、页面间指标一致性、文件完整性及核心结果进行交叉验证
|
|
07_经营参数与证据_146项.xlsx
|
146项正式经营参数及证据材料
|
展示商品成本率、CPC、退货率、佣金率、物流费用、维修及临期折损等参数的最终取值、适用品类和证据来源
|
|
08_数据字典与表清单.xlsx
|
数据表目录与字段字典
|
说明各数据表的分析粒度、用途，以及字段名称、中文含义、数据类型、单位和计算定义
|
|
最终验证结果
|
运行及交叉验证结果
|
记录文件完整性、核心经营指标、参数验证、广告成本勾稽及跨页面一致性检查结果
|
