Bi Conversion Analysis

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：

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：

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

1. 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

1. 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
2. 多样本时按显著性检验规则执行
3. 保存拆分与对比分析结果

示例（不同端转化对比）：

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

Source & license

This open-source skill is cataloged on AgentStack and links to its original source — we do not rehost the code.

• Author: agentscope-ai
• Source: agentscope-ai/QwenPaw-Data
• License: Apache-2.0

Install and usage instructions live in the source repository linked above.