01
大盘异常检测
日度 GMV 与退款率 · 3σ 控制线（替代 Tableau 红绿灯预警）
实线为日度 GMV；虚线为促销期均值 ±3σ 控制线。情人节整体处于更高水位，期内波动也更剧烈。
日度退款金额占当日 GMV 比例（按退款发生日归集）。情人节退款率整体显著抬升，首日即高达 11%+。
02
GMV 增量归因与剪刀差
订单量效应 × 客单价效应 · GMV 与实收对比
GMV 增量分解：ΔGMV ≈ Δ订单量×基准客单价 + 新订单量×Δ客单价。增量中 57.4% 来自订单量、42.6% 来自客单价。
GMV 与实收（GMV−退款金额）增速对比：GMV +56.8% vs 实收 +51.6%，差值即“虚假繁荣”剪刀差。
03
凑单结构：复杂阶梯价的诱导证据
每单件数分布 × 实付件均价
凑单结构证据：情人节「3 件装」订单占比从 3.69% 升至 31.02%，而 3 件装实付件均价为 80.0 元——
宣传“第 3 件低至 20 元”实际按总价均摊（约 27.3% 折扣，而非宣传的 20 元/件）。订单被“低至 20 元”吸引凑单，
结算却按均价分摊，形成预期落差。
04
退款 / 售后归因
退款原因结构 · 退款时效 · 规则类退款占比
退款原因 × 促销（卡方检验 p<0.001，结构差异显著）。红色系为“规则看不懂”类原因——情人节“价格/优惠规则看不懂”从 154 单飙升至 1,824 单。
退款距下单自然日差分布：两期均以 0 天（当日退）为主，情人节当日退 2,619 单、占比 85.4%——决策后立刻反悔，正是“到手发现价格不对”的行为特征。
05
客服语料：客诉压力量化
jieba 分词 + 情感词挖掘（Python 实现原项目 NLP 环节）
咨询类别 Top 14（双促销对比）。价格异常、优惠规则、活动咨询等“规则相关”类情人节明显放量。
愤怒词命中（对不上/看不懂/算账/欺骗…）、困惑词命中（怎么算/显示/说好…）、强负面类别（投诉/价格异常/退款售后）占比对比，情人节均为年货节的 2.8~3.5 倍。
全量咨询中情感/困惑关键词命中次数（Top 18）：“退款”“假”“对不上”“虚假”“看不懂”居前。
jieba 分词高频词 Top 20（去除停用词）。
06
诊断结论与行动建议
诊断结论：复杂阶梯价 = GMV 虚增 + 体验损失翻倍
① “虚假繁荣”成立：情人节 GMV 较年货节 +56.79%（2,321,980.00 → 3,640,735.00 元）， 但实收增速仅 +51.56%。剪刀差主要由退款放大：订单级退款率 8.48% → 15.42% （z=19.449，p<0.001），退款金额率 7.34% → 10.44%。
② 根因：规则复杂度而非产品质量：“价格/优惠规则看不懂”类退款占比由 43.24% 升至 83.05%（退款金额损失 73,162.64 → 316,891.67 元）； 退款原因结构卡方检验 p<0.001，质量类原因占比不升反降——排除质量风险。
③ 客诉压力击穿客服防线：情人节“愤怒词”命中 10.42%（年货节 3.73%）、 困惑词命中 8.19%（年货节 1.99%）；投诉/价格异常/退款售后等强负面咨询占比 5.81% → 20.19%（约 3.5 倍）。
④ 机制闭环：“第 3 件低至 20 元”吸引凑单（3 件装订单占比 3.7% → 31.0%），结算系统均价分摊使实付件均 80 元， 宣传与结算割裂 → 消费者感知欺骗 → 退款与客诉 → GMV 虚增但实收承压。
短期 · 止血
算账计算器 + 客服安抚话术
- 上线「买 X 件立省 Y 元」折算器，结算前展示实付总价与每件均价，消除预期差
- 客服话术模板覆盖“对不上 / 看不懂 / 算账”类进线，优先拦截 83% 的规则类退款与投诉
中期 · 重构
3.8 大促重构营销规则
- 阶梯价改为“均价可见”的表达：主推“满 2 件 7.5 折 / 满 3 件 7.3 折”替代“第 3 件低至 20 元”
- 促销上线前用 SQL 跑“件数 × 折扣 × 退款率”压力测试，规则类退款占比设预警阈值
长期 · 赋能
比价工具与价格承诺
- 商品页集成比价 / 算价工具，任何件数组合都实时显示实付总额
- 建立“退款原因—咨询类别”双通道监控，大促期间按日 3σ 预警异常退款与客诉激增
07
结论边界与下一步实验设计
没有对照组时，哪些结论不能证明；如果再做一次，怎么设计实验结论边界（哪些结论不能证明）
- 无法分离“节日效应”与“规则效应”：年货节与情人节是两个不同节日档期，2 月恰逢送礼需求旺季，部分 GMV 增量可能来自节日本身而非阶梯价规则；本分析只能证明“规则复杂度与退款率、客诉压力显著相关”（统计检验 p<0.001），不能证明其因果唯一性。
- 无同期对照组：两期没有“同规则不同文案”或“同人群不同玩法”的对照实验，因此“若换成简单文案退款率必然下降”属于推断，不是已证明结论。
- 用户结构不可拆：销售明细不含 user_id，无法区分新老用户、无法计算复购与用户价值分层；客服咨询虽有 user_id 但仅覆盖进线人群，不能代表全部消费者。
- 渠道与流量不可归因：数据无渠道/投放/曝光字段，无法判断增量来自搜索、推荐还是广告投放，也无法排除投放强度差异的影响。
- 口径说明：退款率为“有退款订单数 / 总订单数”；退款金额率为“退款金额 / GMV”；实收 = GMV − 退款金额，未计入其他售后成本（运费险、人力成本等），实际损失只会更大。
下一步：如果再做一次，怎么设计实验
目标：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”是否显著降低退款率与客诉率，同时 GMV 不缩水。
设计：同期 AB 实验（同一档期、同规则、不同文案口径），关键指标双通道 3σ 监控。
人群随机分流（同流量入口，屏蔽地域/设备差异）
→ A 组：现状文案「第 2 件半价 · 第 3 件低至 20 元」（复杂阶梯价）
→ B 组：所见即所得文案「买 3 件立省 80 元 · 单件低至 80 元」（均价可见）
→ 同口径对比：GMV / 实收 / 订单退款率 / 规则类退款占比 / 客诉率 / 购物车流失
→ 样本量：按退款率 15% 检测 20% 相对降幅，每组约需 2 万订单（α=0.05，β=0.8）
验证逻辑：若 B 组退款率与客诉率显著下降、实收不下降甚至上升，即可把“复杂阶梯价损害体验”从相关升级为因果，推动规则重构；若 A、B 无显著差异，则说明问题不在文案而在其他环节（如价格带、竞品），需重新归因。