---
name: bi-conversion-analysis
description: 对转化执行完整的分析流程，算清楚用户转不转、转化率多少、有没有变化，含口径定义、取数、转化率计算，及可选的异常分析、维度拆分与对比/归因。触发条件：对话涉及转化率分析、转化表现评估、转化变化归因等任务时触发，如出现「分析对话转化率」「转化率表现如何」「不同群体/地区/时间的转化率对比」「分维度后转化情况」「转化率是否异常」等相似问题时触发。
---

# bi-conversion-analysis

对转化执行完整的分析流程，核心目标是**算清楚用户转不转、转化率多少、有没有变化**：定义口径 → 取数 → 计算转化率 →（可选）异常分析 →（可选）拆分维度 / 对比归因 → 解读与输出。

## 前置条件

开始执行前，确认以下信息已就绪：

- **转化漏斗**明确，即起始行为（接触目标行为，如访问、曝光、进入页面）与结束行为（完成目标行为，如对话、注册、付费）已定义
- **转化率指标**已确定（如对话转化率、付费转化率等），对应分子/分母口径清晰
- **数据获取能力**可用，能取到计算转化率所需的 CSV 或等价数据
- **分析范围**明确，包括时间窗口、对象范围，以及是否需要拆分维度或做对比

若转化漏斗或指标口径不明确，需先回到规划阶段补充，或向用户确认后再开始执行。

## 分析原则

### 主要步骤

| 步骤 | 用途 | 是否必选 |
|------|------|----------|
| 定义口径 | 确定转化漏斗与转化率指标 | **必选**，见步骤 1 |
| 取数 | 按口径取分子/分母数据 | **必选**，见步骤 2 |
| 计算转化率 | 计算起始行为到结束行为的转化率 | **必选**，见步骤 3 |
| 异常分析 | 识别转化率时间序列中的异常波动点 | **可选**，见步骤 4 |
| 拆分维度 / 对比 | 按维度分别计算并跨时间、群体对比差异 | **可选**，见步骤 5 |
| 解读 & 输出 | 转化漏斗、关键节点、异常点、差异结论 | **必选**，见步骤 6 |

**典型产出**：转化率表、转化漏斗图、转化率时间序列（含异常点标注）、分维度转化对比。

**最短路径**：定义口径 → 取数 → 算转化率 → 报数字 / 看趋势（即步骤 1 → 2 → 3 → 6，跳过步骤 4、5）。

本 workflow 主要提供转化率分析场景下的编排与数据衔接逻辑，各步骤的具体执行按相应分析方法的标准流程进行。

---

## 1. 定义口径

明确转化漏斗与转化率指标，这是后续取数与计算的基础：

| 要素 | 含义 | 常见取值 |
|------|------|----------|
| **起始行为（分母）** | 进入漏斗、接触目标行为的口径 | 访问、曝光、进入页面、加购等 |
| **结束行为（分子）** | 完成目标行为的口径 | 对话、注册、下单、付费等 |
| **转化率指标** | 由分子/分母构成的比率 | 对话转化率、付费转化率、下单转化率等 |

要点：

- 同一分析可包含**多级漏斗**（如访问 → 对话 → 付费），需为每一环节分别定义分子/分母
- 同一分析可包含**多种转化率指标**，需分别定义口径
- 口径一旦确定，后续取数、计算、对比须保持一致，避免分子分母错配

---

## 2. 取数

按步骤 1 确定的口径取数，准备转化率计算所需的数据。

### 数据准备

整理 CSV，包含转化率计算所需的列：

- **起始行为用户数**（分母，如访问用户数）
- **结束行为用户数**（分子，如对话用户数）
- 如需多级漏斗或多种转化率指标，分别取对应的分子/分母列

示例：

```csv
date,访问用户数,对话用户数,付费用户数
2025-01-01,10000,3000,300
2025-01-02,10500,3200,280
```

若计划在步骤 5 拆分维度，取数时一并带出维度列（如渠道、端、国家、版本），或按维度分别取数。

---

## 3. 计算转化率

计算从起始行为到结束行为的转化率。

### 计算执行

- 对每个需要报告的转化率指标按转化率公式（结束行为用户数 / 起始行为用户数）或可用脚本进行计算
- 多级漏斗时，计算各环节转化率（及整体转化率），供绘制转化漏斗图
- 不遗漏任何必要的转化率指标
- 保存计算结果

若已规划拆分维度，可在此步先算整体转化率，维度拆分在步骤 5 展开。

---

## 4. （可选）转化率异常分析

查看计算得到的转化率是否是时间相关的序列，若是，则对步骤 3 产出的转化率时间序列进行异常波动点识别，若否，则**跳过本步骤**。

### 数据准备

基于步骤 3 的转化率结果，整理含时间序列的 CSV，至少包含：

- **日期列**：时间标识
- **指标列**：转化率（如对话转化率）

示例：

```csv
date,对话转化率
2025-01-01,0.3000
2025-01-02,0.0952
2025-01-03,0.0095
```

若已拆分维度，对需要报告的各维度/cohort 及总体分别准备时间序列并执行异常检测。

### 异常检测执行

- 按异常检测的对比逻辑（日异常检测建议同时检查日环比和周同比）
- 按优先级确定阈值（用户指定 → 域知识包 → 语义层 → 自适应）
- 按异常检测的标准原理或可用脚本自行实现
- 记录异常波动点、对应变化率及所用阈值

---

## 5. （可选）拆分维度 / 对比归因

根据分析要求，判断是否需要按维度分别计算转化率，或跨时间、群体、地区对比：

**需要拆分/对比** → 执行后进入步骤 6
**无需拆分/对比** → **跳过本步骤**，直接进入步骤 6（最短路径在此跳过）

### 判断依据

| 信号 | 示例 |
|------|------|
| 按已有维度拆分 | 「按渠道/端/国家/版本看转化」（维度已在数据中，直接分组计算） |
| 需发现未知用户子结构 | 「哪些用户群体转化更高」「用户自然分群后的转化差异」（走聚类分群） |
| 时间维度对比 | 「环比/同比变化」「最近 vs 历史」「转化率是否下降」 |
| 群体/空间维度对比 | 「不同国家/渠道/端/实验组转化差异」「A 群 vs B 群」 |
| 显式对比/差异/优劣 | 「对比」「差异」「哪个更高/更低」「是否显著」 |

| 信号 | 示例 |
|------|------|
| 仅报告整体水平 | 「当前转化率是多少」「整体转化表现如何」（步骤 3 结果已足够） |
| 单一对象无参照 | 只有一个时间点、一个群体，无对比参照物 |

### 拆分 / 对比执行（若启用）

1. **拆分维度**：
   - 按已有维度拆分：以维度列（渠道 / 端 / 国家 / 版本等）为分组键，对每个维度值分别按步骤 3 计算转化率
   - 按用户特征分群：整理用户级 CSV（对象标识列 + 分群特征列）完成聚类分群，结果保存为 JSON，再按用户 ID 关联转化数据，**按群分别准备**分子/分母后计算转化率
2. **对比归因**：基于转化率结果（可结合步骤 4 的异常点上下文），整理 **对比分析用 CSV**：
   - 时间对比：每列对应一个时期，或一列时间序列供环比/同比计算
   - 空间对比：每列对应一个国家/渠道/端/版本/cohort 等
3. 选择合适比较维度（时间 / 空间 / 标准）与计算方式（绝对差值 / 相对差值）执行对比分析
4. 多样本时按显著性检验规则执行
5. 保存拆分与对比分析结果

示例（不同端转化对比）：

```csv
业务日期,web端转化率,app端转化率
20251101,0.7856,0.2343
20251102,0.2288,0.8822
```

---

## 6. 解读 & 输出

完成以上步骤后，围绕**转不转、转化率多少、有没有变化**汇总并输出。

| 字段 | 说明 |
|------|------|
| 执行内容 | 本步骤做了什么（含跳过的可选步骤及原因） |
| 取数文件 | 原始数据路径 |
| 中间产物 | 分群 JSON（若执行）、异常检测输入 CSV、对比用 CSV（若执行） |
| 计算结果 | 转化率、异常波动点及对比分析结果路径 |
| 结论 | 转化率水平、漏斗各环节、异常波动、变化趋势、群体差异及显著性 |

汇总结构建议：

1. **分析范围**：时间窗口、口径定义（转化漏斗 / 转化率指标）、是否拆分维度、是否做对比
2. **转化率结果**：整体及各维度/cohort 的转化率水平，含漏斗各环节（**转化漏斗图**）
3. **异常发现**（若执行步骤 4）：异常波动点、变化幅度、所用对比逻辑与阈值
4. **对比发现**（若执行步骤 5）：时间变化幅度、群体间差异、显著性结论
5. **业务解读**：转化表现评价、关键驱动因素与可执行建议
6. **局限与不确定性**：样本量、口径差异、分群稳定性、未覆盖维度等