技術手段： BI工具（finereport ）、python、sql
數據更新： 每日零點更新數據。（獨立開發）
商業智能分析平臺 | Python/FineReport/SQLAlchemy

項目描述

業務價值 ：解決原有系統無法快速定位傭金異常的問題，建立「日期→商家→渠道→計劃」四級下鉆體系，使問題定位時效從1小時縮短至15分鐘。重點監控頭部媒體數據趨勢，通過異常預警機制推動業務及時溝通。

標題技術實現 ：

1. 動態檢測引擎：
   采用滾動窗口（14天）±2.5σ動態閾值算法并結合傭金同比波動率來判斷異常。通過Python(SQLAlchemy)整合3個異構數據源，構建bi_duomaicps分析庫
   增加同比波動率輔助判斷（當前值/去年同期值-1）。
2. 智能可視化：
   使用FineReport開發交互看板：
   ? 日期層：雙軸趨勢圖（當月/環比/同比）+ 紅點標記異常日期（K=2.5）
   ? 商家層：柱線組合圖（絕對波動+波動率），自動篩選波動率>0.3 & 絕對波動>3000的異常商家
   ? 計劃層：多系列折線圖展示異常計劃傭金流向，支持近14天趨勢回溯
3. 數據架構：
   設計anomalies_date等5張核心分析表，建立每日零點自動更新機制.
   項目 意義：可以根據數據重點關注到頭部媒體的趨勢，以確認是否需要單獨溝通媒體增量/控量/獲取媒體反饋。不僅起到了明顯的提效作用，還能幫助及時風控，從折線圖可以及時發現異常增量趨勢、數據異常趨勢，及時溝通媒體后，減少風險/損失。
   一、 從日期維度分析異常
   ● 首頁展示的是當月 傭金數據 ，同時對比 上月和上年同期的傭金趨勢，同時下面明細表展示MOM和YOY的情況，方便業務人員導出數據。
   ● 通過數據分析異常突增或突減的日期來紅點顯示，并在表格上突出顯示。
   ● 下鉆功能： 點擊當前傭金分類可下鉆到 該異常日期下的渠道/商家波動情況，方便業務追蹤溯源。
   

數據源： 所有數據通過python 的sqlalchemy鏈接三個數據源 ，并且縱向合并到建立在115.238.100.75下的bi_duomaicps庫。
異常判斷邏輯：
● 動態閾值：閾值 = 滾動窗口均值 ± K*滾動標準差
窗口周期（如14天），K=2~3
● 同比波動率輔助判斷（當前值/去年同期值-1）
異常日期表（anomalies_date）：記錄異常日期、傭金、滾動均值、滾動標準差、上限、下限、引用日期、偏離程度。

二、商家/渠道 總體分析

通過點擊上圖異常日期下的跳轉到具體商家和渠道下的情況；
可篩選項： 波動率 、 絕對波動和異常日期。
○ 波動率：（ 當前值-歷史均值）/歷史均值
○ 絕對波動： abs(當前值-歷史均值)
○ 且/或 （用戶可 只篩選滿足波動率或者絕對波動情況條件的商家/渠道，或同時滿足兩個條件的商家/渠道），默認展示波動率>0.3，絕對波動幅度> 3000的商家，僅展示異常明顯的商家/渠道。
展示上：使用finereportBI工具， 圖為柱形/折現圖 ， 柱子高度為商家/渠道的絕對波動 ， 折線對應商家/渠道的波動率，通過柱形和折線結合分析商家/渠道的波動情況，下方附帶明細表格方便業務人員導出。
下鉆功能： 點擊對應商家/渠道 的柱子可跳轉到商家/渠道 下的計劃情況。

數據源： 115.238.100.75下的bi_duomaicps庫。
異常日期下 所有商家和渠道情況
表： analysis_result_business

表：analysis_result_client

三、 商家/渠道下 計劃的 分析

察覺到異常商家/渠道之后，點擊下鉆到該商家/渠道下的計劃情況，先分析該商家/渠道 最近2周的趨勢，確定異常日期前后的趨勢，然后點擊‘計劃’按鈕，折線圖增加計劃分類。之后篩選出異常計劃。
展示上：
● 圖形：該商家/渠道 近2周的傭金趨勢變化情況，該商家/渠道 近2周的計劃（異常計劃）傭金趨勢變化情況。
所有計劃傭金占比圖。
● 表格： 商家/渠道明細表，方便也業務導出分析。

繼續向 該渠道下計劃分析，點擊 只看異常的計劃。

了解到該異常計劃后，業務人員能夠快速定位 到該計劃 異常情況，并且及時做出反饋。

表： bi_duomaicps.analysis_result_client_ads